MiniMax H3 ansteuern: Text zu Video, Bild zu Video, Referenzvideo und Audio
Überblick
MiniMax H3 erstellt einen kurzen Clip mit eigenen Stimmen, Sounds und Musik aus nur einem Prompt. Auf PirateDiffusion läuft es als Workflow: Befehl eintippen, Szenenbeschreibung dahinter, und Bilder anhängen, wenn die Aufnahme von einem Bild starten oder sich davon etwas ausleihen soll. Sechs Sekunden sind ein Moment, kein ganzer Film, deshalb beschreibt jeder Prompt unten eine kleine Szene mit Anfang, Veränderung und klarem Ende.
Text zu Video braucht kein Bild: Deine Worte bauen das Motiv, den Ort und die Handlung auf. Das Rezept ist WHO + WHERE + ACTION + CAMERA + SOUND. Beschreibe Motiv und Ort, gib ihnen eine Hauptaktion und eine Reaktion, wähle, was die Kamera macht, und beende mit den Sounds, die du willst.
Bild zu Video startet mit einem hochgeladenen Bild, das du mit /image1: gefolgt vom Namen ansprichst. Das Rezept wird STARTBILD + BEWEGUNG + REAKTION + KAMERA + SOUND: Behalte Identität, Kleidung und Ort, beschreibe, wie sich das Motiv bewegt, was darauf reagiert und wo die Aufnahme endet.
Referenz zu Video nutzt denselben Workflow mit einem anderen Prompt: bis zu vier Bilder liefern ausgewählte Merkmale (Gesicht und Haare, Körper und Outfit, Ort, Requisite) statt die Eröffnungsszene zu definieren, und du kannst auch auf ein kurzes hochgeladenes Video von etwa 5 bis 10 Sekunden antworten, um dessen Aktion, Timing, Kamera und Ort zu übernehmen.
Audio wird geschrieben, nicht hochgeladen. Für die Basis-Text- und Bild-Workflows hat das offizielle Prompt-Format drei Felder: integrated_multimodal_description für Szene, Aktionen, Sprecher und genauen Dialog; overall_soundscape für Atmosphäre und physische Geräusche; und non_diegetic_music für die Musik, N/A wenn keine Musik gewünscht ist. Gesprochene Worte kommen in <d>[English] ... </d>-Tags, Stimme und Betonung bleiben außen, und jeder Sprecher hat eine feste ID wie (S1). Vage Sprachangaben führen zum Gemurmel.
Referenz
Name | Typ | Bedeutung |
|---|---|---|
/workflow /run:omni-eros-h3 | command | |
/size:768x896 | setting | Breite x Höhe des Clips in Pixeln. |
/length:145 | setting | Frames, nicht Sekunden. Bei 24 fps sind 145 Frames etwa sechs Sekunden. |
/image1:name | setting | Nutzt ein hochgeladenes Bild. Bei Bild zu Video ist es die Eröffnungsszene; im Referenzmodus liefert es nur die zugewiesenen Merkmale. Bis zu vier Bilder (/image1 bis /image4). |
Reply to a video | reference | Antworten auf ein hochgeladenes 5 bis 10 Sekunden Video lässt es Aktion, Timing, Kamera und Ort steuern oder nur die genannte Bewegung ausleihen. Audio-Referenzen werden nicht unterstützt. |
WHO + WHERE + ACTION + CAMERA + SOUND | recipe | Das Text-zu-Video-Rezept: Motiv und Ort, eine Hauptaktion und eine Reaktion, eine Kameraführung, dann die Sounds. |
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND | recipe | Das Bild-zu-Video-Rezept: Benenne, was im Bild ist, dann leite an, was als Nächstes passiert. |
integrated_multimodal_description | text | Die Szene, Aktionen, Sprecher und ihr genauer Dialog, Aufnahme für Aufnahme. |
overall_soundscape | text | Atmosphäre und physische Geräusche, die während der Aufnahme zu hören sind. |
non_diegetic_music | text | Die Hintergrundmusik. Schreibe N/A, wenn keine Musik gewünscht ist. |
<d>[English] ... </d> | tag | Umfasst die genau gesprochenen Worte. Stimme und Betonung bleiben außerhalb der Tags. |
(S1), (S2) | speaker ID | Ein fester Bezeichner für jeden Sprecher, der bei jedem Sprechen benutzt wird. |
Schritt für Schritt
- Wähle den Modus. Kein Bild: Text zu Video. Ein Bild, das der erste Frame sein soll: Bild zu Video mit /image1:. Bilder oder ein Video, die Merkmale oder Bewegung für eine neue Szene liefern sollen: Referenzmodus, gleicher Befehl, anderer Prompt.
- Ersetze Stimmung mit Verhalten. "Sie ist erleichtert" sagt H3 die Emotion; "der Riegel öffnet sich, ihre Schultern sinken und sie atmet aus" gibt Grund und sichtbare Reaktion. Wähle zwei oder drei verbundene Verhaltensweisen statt jede Muskelbewegung zu dirigieren.
- Zeige Ursache und Wirkung. Mach Bewegung körperlich: Füße berühren den Boden, Knie beugen sich, Gewicht verlagert sich, dann beruhigt sich der Körper. Bei einer Landung beschreibe, wie die Stützen nach dem Aufsetzen nachgeben.
- Gib der Kamera eine klare Aufgabe. Bestimme Startansicht, Bewegung und Ziel: "langsames Heranrücken von einer Taille-aufwärts-Perspektive zum Gesicht." Eine Nahaufnahme kann nicht den ganzen Raum zeigen; wähle, was am wichtigsten ist, und halte wichtige Objekte im Bild.
- Beschreibe das Licht, das den Look macht. Ersetze viele Qualitätswörter durch sichtbare Entscheidungen: "warmes Licht von der Schreibtischlampe auf ihr Gesicht, kühles Tageslicht durch das Fenster dahinter." Wähle einen einheitlichen Stil.
- Bei Bild zu Video starte mit dem, was wirklich da ist. Nenne den Anfangszustand kurz ("sie sitzt mit beiden Händen um die Tasse"), dann füge Bewegung in Schichten hinzu: eine Hauptaktion, dann eine kleine Reaktion darauf (Haare folgen der Drehung, ein Ärmel faltet sich). Passe den Bildausschnitt der Aufgabe an und beende mit einer lebendigen Reaktion statt einem eingefrorenen Bild.
- Im Referenzmodus gib jedem Referenzbild eine Aufgabe, bevor du die Szene beschreibst. Bild 1: Gesicht und Haare. Bild 2: Körper und Outfit. Bild 3: Ort. Bild 4: Requisite oder eine andere nützliche Ansicht. Sag, welches Bild gewinnt, wenn zwei widersprechen, und füge "zeige die Referenzfotos nicht und kopiere weder Posen noch Hintergründe" hinzu, wenn diese Details nicht übernommen werden sollen.
- Schreibe das Audio zuletzt und lass Platz dafür. Lies den Dialog laut mit den geplanten Pausen; für sechs Sekunden starte mit einer kurzen Zeile. Beschreibe Stimmfarbe und Betonung, dann Atmosphäre und Musik getrennt, und lass die Hauptaktion vor dem Ende des Clips ausklingen.
- Wenn die Sprache unverständlich wird, vereinfache sie: ein Sprecher, ein kurzer vollständiger Satz, die tatsächlichen Worte statt "sie spricht über das Produkt", und Satzzeichen vor </d>.
- Beschreibe die Pausen. "Sie schließt den Mund und betrachtet das Objekt schweigend" plus ein leises, konkretes Hintergrundgeräusch währenddessen verhindert, dass H3 die Stille mit zusätzlichen Worten füllt.
- Im Vollreferenz-Audio-Modus binde die Stimme explizit: <Audio 1> liefert nur den Stimmklang von <Subject 1> (S1), und die Worte der Originalaufnahme werden nicht wiederverwendet. Dieser Modus hat ein eigenes sechsabschnittiges Format; siehe den offiziellen Referenzleitfaden in den Links unten.
Beispiele
Text zu Video: Kopieren und Ausprobieren
/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.
Text zu Video: Prompt verbessern
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.
Bild zu Video: Kopieren und Ausprobieren (ein Erwachsener sitzt am Tisch; ersetze namehere durch deinen Bildnamen)
/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.
Bild zu Video: Prompt verbessern
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.
Referenz zu Video: ein Identitätsbild, neue Szene
/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.
Referenz zu Video: Charaktertausch in einem beantworteten Video
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.
Audio: Starter-Prompt im offiziellen Drei-Felder-Format
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
Tipps
- Starte mit einer Aktion, einer Kamerawahl und einer kurzen Zeile. Gib der Reaktion Zeit, anzukommen.
- Wenn ein Beat verschwindet, entferne eine konkurrierende Aktion, bevor du mehr Anweisungen gibst. Ändere bei der nächsten Version nur eine Sache, damit du erkennst, was geholfen hat.
- Wähle Bewegungen, die das Bild unterstützt: ein Nahporträt passt zu einem Blick, einem Lächeln oder einer kurzen Zeile; ein Ganzkörperbild gibt Raum für Gehen oder Tanzen; eine Objektinteraktion braucht Hände und Objekt von Anfang an sichtbar.
- Nutze ein klares Bild und eine kleine erste Bewegung. Wenn das klappt, füge eine Kamerabewegung oder einen zweiten Beat hinzu. Alles auf einmal zu ändern macht ein enttäuschendes Ergebnis schwerer zu verbessern.
- Wenn sich das Gesicht bei einer großen Drehung ändert, versuche eine kleinere Drehung mit fester Kamera. Wenn ein Objekt sich biegt oder verrutscht, vereinfache zuerst die Handbewegung, ohne Bild und andere Einstellungen zu ändern, um zu vergleichen.
- Ein Gesichtsbild sollte nicht das Outfit bestimmen und ein Körperbild nicht das Gesicht ersetzen. Klare Rollen sind besser als eine lange Liste von "mach es genau"-Anweisungen. Du brauchst nicht alle vier Bildplätze, wenn weniger Referenzen den Charakter erklären.
- Im Referenzmodus beurteile Identität, Bewegung und Audio getrennt: ein hübscher Clip kann trotzdem die Aufgabe verfehlen. Achte auf Drehungen, überlappende Körper, Hände, Kleidungskanten und Spiegelungen, und hör genau hin, denn ein beantwortetes Video kann seinen Originalsoundtrack behalten.
- Für eine Aufnahme ohne Dialog entferne die Sprache und beschreibe die Figur, die die Aktion still ausführt, mit geschlossenem Mund.
- Wenn unerwünschte Stimmen bleiben, versuche eine kürzere Aufnahme oder eine neue Generierung. Wenn du absolute Stille brauchst, schalte die generierte Tonspur stumm und füge deinen Ton in der Nachbearbeitung hinzu.
Fehlerbehebung
Der Clip zeigt sechs Sekunden nichts oder das Ende wird abgeschnitten
Warum es passiert
Der Prompt verlangte eine ganze Geschichte, mehrere Aktionen oder eine lange Dialogzeile in 145 Frames.
So behebst du es
Eine Aktion, eine Kamerawahl und eine kurze Zeile. Lass die Hauptaktion vor dem Ende des Clips ausklingen und beende mit einer Reaktion ("halte auf ihr Lächeln") statt einem neuen Ereignis. Wenn ein Beat verschwindet, entferne eine konkurrierende Aktion, bevor du Anweisungen gibst.
Das Gesicht ändert sich oder ein Objekt verbiegt sich bei Bild zu Video
Warum es passiert
Eine große Drehung, ein unübersichtliches oder kleines Startbild oder eine zu komplexe Handbewegung für die verfügbaren Frames.
So behebst du es
Wähle ein klares Bild mit gut lesbarem Gesicht und Händen und Platz in Bewegungsrichtung. Versuche eine kleinere Drehung mit fester Kamera, vereinfache die Handbewegung und ändere nur das zwischen den Versionen.
Referenzmodus kopiert Pose oder Hintergrund des Fotos oder mischt zwei Gesichter
Warum es passiert
Die Bilder hatten keine Rollen, oder zwei Erscheinungsreferenzen widersprachen sich und der Prompt sagte nicht, welches gewinnt.
So behebst du es
Gib jedem Bild eine Aufgabe (Bild 1 steuert Gesicht und Haare, Bild 2 nur Kleidung), füge "zeige die Referenzfotos nicht und kopiere weder Posen noch Hintergründe" hinzu, und wenn zwei Referenzen noch widersprechen, versuche erst eine starke Referenz, bevor du mehr hinzufügst.
Das beantwortete Video behielt seinen Originalsoundtrack
Warum es passiert
Audio-Referenzen werden nicht unterstützt, und ein beantwortetes Video kann seinen Originalsoundtrack behalten; klare visuelle Anweisungen steuern das Audio nicht.
So behebst du es
Beschreibe neue Stimmen, Dialog und Effekte im Prompt, höre das Ergebnis vor der Annahme einer Änderung, und wenn du Sicherheit brauchst, schalte die Tonspur stumm und füge deinen Ton in der Nachbearbeitung hinzu.
Kauderwelsch, zusätzliche Worte und das anfängliche Stimmgeräusch
Warum es passiert
Zufälliges Gemurmel, zusätzliche Worte und dieses seltsame anfängliche Stimmgeräusch berichten auch andere H3-Nutzer. Community-Tipps helfen, aber es gibt keinen verifizierten universellen Prompt-Fix.
So behebst du es
Ein Sprecher und ein kurzer vollständiger Satz, Satzzeichen vor </d>, eine explizite stille Aktion für Pausen mit einem konkreten Hintergrundgeräusch und eine klare Stimmbindung im Vollreferenzmodus. Wenn Stimmen bleiben, versuche eine kürzere Aufnahme oder eine neue Generierung, oder schalte die Spur stumm und füge den Ton in der Nachbearbeitung hinzu.
Fragen
Ist /length in Sekunden?
Nein, in Frames. Bei 24 fps sind 145 Frames etwa sechs Sekunden. Sieh das als einen Moment mit Anfang, Veränderung und Ende.
Was ist der Unterschied zwischen Bild zu Video und Referenzmodus?
Der gleiche Befehl läuft für beide; der Prompt entscheidet. Bei Bild zu Video ist das Bild die Eröffnungsszene und alles darin bleibt. Im Referenzmodus liefern die Bilder nur die zugewiesenen Merkmale (Gesicht, Outfit, Ort, Requisite) und du beschreibst eine neue Eröffnungskomposition, Aktion und Ort.
Kann ich ein Referenzvideo nutzen?
Ja. Lade ein kurzes Video von etwa 5 bis 10 Sekunden hoch und antworte darauf mit dem Befehl. Sag, was seine Aufgabe ist: Beim Charaktertausch steuert das Bild das Aussehen und das Video Aktion, Timing, Kamera und Ort; für eine neue Szene nenne nur die Bewegung, die du übernehmen willst.
Kann ich H3 eine Stimmprobe geben?
Nicht im Basis-Workflow: Audio-Referenzen werden dort nicht unterstützt, also beschreibe Stimme, Dialog und Effekte in Worten. Der Vollreferenz-Audio-Modus, beschrieben im MiniMax-Referenzleitfaden, bindet einen Audioclip an einen Sprecher mit eigenem sechsabschnittigem Prompt-Format.
Muss ich den Dialog Wort für Wort schreiben?
Ja. Schreib die tatsächlichen Worte in die <d>[English] ... </d>-Tags. Eine Beschreibung wie "sie spricht über das Produkt" lässt H3 improvisieren.
Wie bekomme ich eine Aufnahme ganz ohne Sprache?
Entferne den Dialog und beschreibe die Figur, die die Aktion still ausführt, mit geschlossenem Mund, und gib der Geräuschkulisse ein leises, konkretes Geräusch, das durchgehend bleibt. Wenn unerwünschte Stimmen bleiben, versuche eine kürzere Aufnahme, eine neue Generierung oder schalte die Spur stumm und füge deinen Ton in der Nachbearbeitung hinzu.
Links und Quellen
- PirateDiffusion (runs the omni-eros-h3 workflow from Telegram)AD
- MiniMax's official prompt writing guide
- Firsthand reports and workarounds (community discussion)
- Official dialogue rules and reference-mode format
- MiniMax H3 models in the catalog
Modelle in dieser Anleitung
Geschrieben von
Schreibt die langen Anleitungen. Hat ein Jahrzehnt in der Unternehmenssoftware verbracht und erklärt jetzt, warum dein ComfyUI-Workflow 94 Knoten hat und einer davon die ganze Arbeit macht. Findet 'geschlossenes Modell' ein Oxymoron, wie 'kostenlose Testversion'. Signiert seine Anleitungen, weil er sie tatsächlich gelesen hat.
Alle Anleitungen von Mark White
Verwandte Anleitungen
MiniMax H3 Video-Prompts: die offizielle Struktur
14. Sep 2026
ComfyUI-Knoten: Dokumentation und Fehlerbehebung
2. Jun 2026
PirateDiffusion: Führe jedes Modell über Telegram aus, keine GPU nötig
3. Okt 2026
Bessere menschliche Bewegung für MiniMax H3: natürliche, konsistente Körperbewegung
1. Okt 2026
Weitere Anleitungen
MiniMax H3 Turbo LoRAs: 4-8 Schritte Video mit dem larryvrh Paket
1. Okt 2026
Beste Open-Source KI-Video-Modelle 2026: Was du wirklich herunterladen kannst
14. Okt 2026
Wie man Wan2GP installiert: KI-Video und Bilder auf GPUs mit wenig VRAM
8. Okt 2026
Wie viel VRAM brauchst du für KI-Video? Wan 2.2, HunyuanVideo 1.5 und LTX-2 nach GPU-Größe (2026)
6. Okt 2026
MiniMax H3 Combat BASE V2: Kampfbewegung, Einschlag und Drama
1. Okt 2026