MiniMax H3 提示指南：文本转视频、图片转视频、参考视频和音频

Q: 片段六秒没内容，或结尾被截断

提示要求在 145 帧里讲完整故事、多个动作或长对话。 一个动作，一个摄像机动作和一句短句。主动作完成后结束片段，结尾用反应（“停留在她的笑容”）而非新事件。节奏消失时，先删冲突动作再加指令。

Q: 图片转视频时脸变形或物体弯曲

大转身、杂乱或小的开场图片，或手部动作复杂超出帧数。 选清晰图片，脸和手可辨，动作方向有空间。试小转配固定摄像机，简化手部动作，每次渲染只改这部分。

Q: 参考模式复制照片姿势或背景，或混合两张脸

图片没分配任务，或两张外观参考冲突，提示没说明哪个优先。 每张图分配任务（图1控制脸和发型，图2只控制服装），加“不要显示参考照片或复制它们的姿势和背景”，冲突时先用一张强参考再加其他。

Q: 回复视频保留了原声

不支持音频参考，回复视频可能保留原声；清晰视觉指令不影响音频。 提示里描述新声音、对话和效果，听结果确认是否改变，需要确定时静音轨道，后期加音效。

主题：提示词

作者：Mark White

发布于 2026年9月20日

概述

MiniMax H3 能从一个提示生成带有自己声音、音效和音乐的短片。在 PirateDiffusion 上它作为一个工作流运行：输入命令，后面跟场景描述，必要时附加图片以从某张图开始或借用图像。六秒是一个瞬间，不是整部电影，所以下面的每个提示都描述一个有开头、变化和明确结尾的小场景。

文本转视频不需要图片：你的文字构建主体、环境和动作。配方是 WHO + WHERE + ACTION + CAMERA + SOUND。描述主体和环境，给它们一个主要动作和反应，选择摄像机动作，最后加上你想要的声音。

图片转视频从你上传并用 /image1: 加名字调用的图片开始。配方变成 STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND：保持已有的身份、服装和环境，描述主体如何移动，什么对动作有反应，镜头在哪里结束。

参考转视频用同样的工作流但不同的提示：最多四张图片提供选定特征（脸和发型、身体和服装、环境、道具），而不是定义开场场景，你也可以回复一段约 5 到 10 秒的短视频，借用它的动作、节奏、摄像机和环境。

音频是写出来的，不是上传的。基础文本和图片工作流的官方提示格式有三个字段：integrated_multimodal_description 描述场景、动作、说话者和精确对话；overall_soundscape 描述环境和物理声音；non_diegetic_music 是配乐，不想要音乐时写 N/A。说话内容放在 <d>[English] ... </d> 标签内，声音和表达说明放标签外，每个说话者保持一致的 ID，比如 (S1)。模糊的说话指令会导致含糊不清。

参考

名称	类型	含义
/workflow /run:omni-eros-h3	command	在 PirateDiffusion 上启动 H3 工作流。场景描述跟在命令后面。
/size:768x896	setting	视频宽度 x 高度，单位像素。
/length:145	setting	帧数，不是秒数。默认 24 fps 下，145 帧大约六秒。
/image1:name	setting	使用上传的图片。图片转视频时是开场场景；参考模式时只提供你指定的特征。最多四张图片（/image1 到 /image4）。
Reply to a video	reference	回复一段 5 到 10 秒的上传视频，可以让它控制动作、节奏、摄像机和环境，或者只借用你指定的动作。不支持音频参考。
WHO + WHERE + ACTION + CAMERA + SOUND	recipe	文本转视频配方：主体和环境，一个主要动作和反应，一个摄像机动作，最后是声音。
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND	recipe	图片转视频配方：说出图片内容，然后指导接下来发生什么。
integrated_multimodal_description	text	场景、动作、说话者和精确对话，逐镜头描述。
overall_soundscape	text	镜头中听到的环境和物理声音。
non_diegetic_music	text	背景配乐。不想要音乐时写 N/A。
<d>[English] ... </d>	tag	包裹精确的说话内容。声音和表达说明放标签外。
(S1), (S2)	speaker ID	每个说话者的固定标签，每次说话都用。

分步操作

选模式。没图就是文本转视频。有图且作为第一帧就是图片转视频，用 /image1: 调用。用图片或视频借用特征或动作就是参考模式，同命令不同提示。
用行为替代情绪标签。“她松了口气”告诉 H3 情绪；“门闩打开，她肩膀放松，呼出一口气”给出原因和可见反应。选两三个相关行为，不用指导每块肌肉。
表现因果。动作要具体：脚接触地面，膝盖弯曲，重心转移，然后身体稳定。比如落地时描述支柱压缩。
给摄像机一个明确任务。说明起始视角、动作和终点：“慢慢从腰部视角推到脸部。”特写不能同时显示整个房间，选最重要的，保持关键物体在画面内。
描述造型用的光线。用具体可见的光线替代一堆抽象词：“桌灯暖光照脸，窗外冷光透进来。”选一个统一风格。
图片转视频从实际画面开始。简短说出开场状态（“她双手握杯坐着”），然后分层加动作：一个主要动作，再加一个小反应（头发跟着转动，袖子折叠）。镜头配合动作，结尾用活生生的反应代替静止画面。
参考模式先给每张参考图分配任务。图1：脸和发型。图2：身体和服装。图3：环境。图4：道具或其他视角。两张图冲突时说哪个优先，且加“不要显示参考照片或复制它们的姿势和背景”，防止细节转移。
最后写音频，留出空间。朗读对话，注意停顿；六秒内先写一句短句。描述声音质感和表达，再分别写环境和音乐，主动作完成后再结束片段。
说话变乱时简化：一个说话者，一句简短完整句子，写出实际话语而非“她谈论产品”，标点放在 </d> 前。
描述停顿。“她闭嘴，静静看着物体”，加上持续的安静具体背景声，防止 H3 用多余词填充沉默。
全参考音频模式明确绑定声音：<Audio 1> 只提供 <Subject 1> (S1) 的音色，且不复用原录音词句。该模式有自己六部分格式，详见官方参考指南。

示例

文本转视频：复制尝试

/workflow /run:omni-eros-h3 /size:768x896 /length:145

One continuous medium shot inside a battered spaceship cockpit. A reptilian pilot in a faded orange flight suit pulls a landing lever. The cockpit shudders once. His shoulders relax and he says in a low, gravelly voice, "Still in one piece." The camera stays fixed. Amber instrument lights illuminate his face. Sound: low engine rumble, one heavy landing thump and the spoken line. No music. End on his relieved smile.

文本转视频：提示升级

Vague: A cinematic mechanic is surprised by a machine.

Stronger: Medium shot of a mechanic at a workbench. A brass device suddenly chirps. She freezes with the screwdriver raised, looks at the device, then breaks into a relieved smile. The camera stays fixed, keeping her hands and the device visible. Warm bench light. One chirp over quiet ventilation; no speech or music. Hold on her smile.

图片转视频：复制尝试（一个成年人坐在桌旁；将 namehere 替换为你上传的图片名）

/workflow /run:omni-eros-h3 /size:768x896 /length:145 /image1:namehere

Use image 1 as the opening scene. Keep the seated adult, clothing, table and background consistent. The subject looks up toward the camera, pauses in recognition, then gives a warm smile. Their shoulders relax as they say softly, "There you are." Keep the camera fixed at eye level. End with the smile settling naturally. Sound: quiet room ambience and that line only. No music.

图片转视频：提示升级

Vague: Make her move naturally and look happy.

Stronger: Keep the seated subject and the existing room. She looks up from the mug, meets the camera with a brief pause, then smiles. Her shoulders relax while both hands stay around the mug. The camera remains fixed. Quiet room tone; no dialogue or music. Let the smile settle through the final moment.

参考转视频：一张身份图，新场景

/workflow /run:omni-eros-h3 /size:768x896 /length:145 /image1:namehere

Use image 1 only for the adult character identity: face, hair and body proportions. Create a new medium shot in a spaceship workshop. The character wears a charcoal utility jacket and presses one button on a brass device. It chirps; the character smiles with relief. Keep the camera fixed with warm bench lighting. Do not display the reference photograph or reuse its background or pose. Sound: ventilation and one electronic chirp. No speech or music.

参考转视频：回复视频中的角色替换

Vague: Use these images and put her in the video.

Stronger: Images 1 and 2 define one replacement character: face and hair from image 1; body proportions and outfit from image 2. Replace the woman standing on the left in the replied-to video. The video controls her actions, expressions, timing, camera and setting. The images provide no pose or camera instructions. Keep the other people consistent with the source.

音频：官方三字段格式的入门提示

integrated_multimodal_description: [Shot 1] A woman stands beside a workbench, holding a small wooden box. With a warm, measured voice, the woman (S1) says: <d>[English] This is where the story begins.</d> She closes her mouth and silently opens the box, looking inside for the rest of the shot.

overall_soundscape: A low workshop ventilation hum continues throughout. The wooden lid creaks softly as it opens.

non_diegetic_music: N/A