MiniMax H3 Video-Prompts: die offizielle Struktur
Überblick
MiniMax H3 erstellt Videos mit Ton aus einem einzigen Prompt. Es gibt vier Aufgaben: T2VA baut die gesamte audiovisuelle Zeitleiste aus Text; I2VA startet mit einem ersten Bild und entwickelt sich weiter; FL2VA bewegt sich von einem ersten Bild zu einem letzten Bild; L2VA nähert sich einem letzten Bild aus einem plausiblen früheren Zustand. Der Hauptteil des Prompts ist für alle vier gleich. Die drei Bildaufgaben fügen eine Anweisungszeile davor hinzu.
Ein fertiger Prompt hat zwei Teile: die Anweisungszeile (nur bei Bildaufgaben), eine Leerzeile, dann die drei Kernfelder integrated_multimodal_description, overall_soundscape und non_diegetic_music, jeweils in einem eigenen Absatz und auf Englisch geschrieben. Jedes Detail darin muss etwas sein, das der Zuschauer sehen oder hören kann.
Dieser Leitfaden fasst das offizielle Dokument in einer Referenztabelle, einer Schreibreihenfolge, den offiziellen Beispielen und den häufigen Fehlerquellen zusammen. Die Quelle ist oben verlinkt und bleibt maßgeblich, wenn es Unterschiede gibt.
Referenz
Name | Typ | Bedeutung |
|---|---|---|
integrated_multimodal_description | core field | Die Zeitleiste, Einstellung für Einstellung: visueller Stil, Komposition, Motive und ihre Positionen, Szene und Requisiten, Aktionen und Reaktionen, Schnitte, Kamerabewegungen, Sprecher, Dialog, Gesang und der dazugehörige diegetische Ton. |
overall_soundscape | core field | Ein Absatz mit 1 bis 4 Sätzen: Umgebungsgeräusche, Geräusche von physischen Aktionen und nicht-verbale menschliche Geräusche (Wind, Regen, Verkehr, Schritte, Stoff, Aufprall, Atmen, Lachen) über das ganze Video hinweg. Kein Dialog, Gesang oder diegetische Musik hier. N/A nur wenn der Nutzer absolute Stille verlangt. |
non_diegetic_music | core field | 1 bis 3 Sätze über die Filmmusik, die nur das Publikum hört: Instrumentierung, Tempo, Rhythmus und dynamische Veränderungen. Keine Stimmungswörter und keine Erklärung der emotionalen Rolle. N/A wenn keine Filmmusik vorhanden ist. |
I2VA instruction | first line | Für das Zielvideo ist bei 0,00 Sekunden im Zielvideo <Picture 1> (aus [Shot 1]) vollständig referenziert. |
FL2VA instruction | first line | Wie die Referenzbilder mit dem Zielvideo ausgerichtet sind — Bild 1 (aus Shot 1) entspricht der 0,00-Sekunden-Marke des Zielvideos; Bild 2 (aus Shot N) entspricht der S.SS-Sekunden-Marke des Zielvideos. |
L2VA instruction | first line | Wie die Referenzbilder mit dem Zielvideo ausgerichtet sind — <Picture 1> (aus [Shot N]) entspricht der S.SS-Sekunden-Marke des Zielvideos. N ist der Index der echten letzten Einstellung; S.SS ist die Videolänge mit genau zwei Nachkommastellen. |
[Shot 1] | shot marker | Öffnet die Beschreibung. Kein Zeitstempel. Beginnt mit dem Gesamtstil (Kinematografisch, Realfilm, 2D-animiert, 3D CG, Knetanimation, Aquarell, Vintage-Film) und der ersten Komposition. |
[Shot 2] At 00:03.500, the camera cuts to ... | shot marker | Jede weitere Einstellung: eine fortlaufende Nummer und eine streng steigende Schnittzeit innerhalb der Videolänge, dann der Schnittsatz und was die neue Einstellung zeigt. |
(S1), (S2), (S1,S2) | speaker ID | Eine stabile ID für jedes Motiv, das spricht, singt oder außerhalb des Bildes gehört wird; dieselbe ID über Einstellungen hinweg; eine zusammengesetzte ID, wenn nummerierte Sprecher zusammen vokalisieren. Figuren, die nie sprechen, bekommen keine. |
<d>[English] ... </d> | dialogue tag | Nur der Sprach-Tag und die genau gesprochenen Worte, mit jedem Originalwort und Satzzeichen unverändert. Wer spricht, die Aktion und die Betonung bleiben außerhalb des Tags. |
"..." | on-screen text | Jeder Banner, Schild, Etikett, Untertitel oder Neontext, der wirklich sichtbar ist, in englischen Anführungszeichen, wortwörtlich und unübersetzt. |
camera motion | phrase | Bewegungsart, plus Amplitude und Geschwindigkeit nur wenn sie wichtig sind, geschrieben als natürliche Aktion innerhalb der Einstellung: Die Kamera fährt mit kleiner Amplitude und langsamer Geschwindigkeit auf den gefalteten Brief in ihrer Hand zu. |
says in an off-screen voiceover | fixed phrase | Die einzige Formulierung für Voiceover. Direkt nach dem <d>-Block angeben, dass die Lippen der Figur im Bild komplett geschlossen bleiben. |
Schritt für Schritt
- Wähle die Aufgabe. Für T2VA beginne direkt mit den drei Kernfeldern. Für I2VA, FL2VA und L2VA schreibe die Ausrichtungsanweisung als allererste Zeile, lasse eine Leerzeile, dann schreibe die Felder. N ist der Index der letzten Einstellung und S.SS die effektive Länge mit zwei Nachkommastellen.
- Öffne [Shot 1] mit dem Stil und der Anfangskomposition. Für eine Bildaufgabe nimm den Stil vom Referenzbild und halte Identität, Kleidung, Farben, Schlüsselobjekte und räumliche Beziehungen konsistent; für T2VA wähle den Stil aus der Anfrage.
- Schreibe den Rest der Beschreibung entlang der Zeitleiste: Aussehen und Position der Motive, Szene und wichtige Requisiten, Aktionen und Reaktionen, Einstellungswechsel, gesprochene Worte und den synchronisierten diegetischen Ton. Lass alles weg, was nicht gesehen oder gehört werden kann.
- Schneide nur, wenn die neue Einstellung neue Informationen über Motiv, Raum, Zustand, Blickwinkel oder Zeit bringt. Nummeriere die Einstellungen der Reihenfolge nach und beginne jede weitere mit einer streng steigenden Schnittzeit. Wenn sich nur der Abstand oder ein leichter Winkel ändert, bewege die Kamera statt zu schneiden.
- Schreibe Kamerabewegungen als Aktionen: die Bewegungsart, dann mit kleiner Amplitude oder mit großer Amplitude und langsamer oder schneller Geschwindigkeit nur wenn sie bedeutsam sind. Mittlere Amplitude und normale Geschwindigkeit werden weggelassen.
- Führe jede Stimme bei ihrem ersten Auftreten mit genug Identität ein, damit sie stabil bleibt (Charaktertyp, Alter, Geschlecht, im Bild oder außerhalb, Tonhöhe, Klangfarbe, Sprechtempo, Akzent) und mit ihrer ID. Setze die genauen Worte in <d>[English] ... </d>, behalte die Satzzeichen und übersetze oder schreibe sie nie um.
- Für Voiceover benutze die genaue Formulierung says in an off-screen voiceover und füge direkt nach dem Tag hinzu, dass die Lippen der entsprechenden Figur im Bild komplett geschlossen bleiben.
- Wenn eine Dialog- oder Liedzeile über einen Schnitt hinweggeht, tagge beide Teile und sage, dass der Ton über den Schnitt hinweg weiterläuft (setzt sich nahtlos über den Schnitt fort, geht ununterbrochen in die nächste Einstellung über, wird aus der vorherigen Einstellung übernommen, bleibt über die Übergang hörbar). Am Ende des Videos abgeschnittene Sprache wird ebenfalls getaggt.
- Setze sichtbaren Text im Bild in doppelte Anführungszeichen, genau so wie er gelesen wird.
- Schreibe overall_soundscape als einen Absatz mit 1 bis 4 Sätzen über Ambiente, Aktionsgeräusche und nicht-verbale menschliche Geräusche für das ganze Video. Dialog, Gesang und Musik, die die Figuren hören, sind schon in der Beschreibung, also wiederhole sie nicht.
- Schreibe non_diegetic_music in 1 bis 3 Sätzen über Instrumente, Tempo, Rhythmus und Dynamik oder N/A. Radio-, Fernseh-, Telefonmusik und Live-Gesang sind diegetisch und gehören in die Beschreibung.
- Für eine Bildaufgabe folge dem empfohlenen Ablauf. I2VA: Anker erstes Bild, Beginn der Aktion, kontinuierliche Entwicklung, Ergebnis oder Reaktion. FL2VA: Zustand erstes Bild, beobachtbare Zwischenänderungen, zunehmend geringere Unterschiede, Zustand letztes Bild, meist in einer Einstellung. L2VA: plausibler vorheriger Zustand, explizite Aktion und Übergangspfad, allmähliche Annäherung in der letzten Einstellung, Landung im letzten Bild.
Beispiele
Kamerabewegung als Aktion geschrieben
The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
The camera pans right with large amplitude at fast speed, revealing the open doorway.
The camera holds a static shot as the runner exits the frame.
Sprecher, Dialog und Voiceover
The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>
The two children (S1,S2) shout together, <d>[English] Wait for us!</d>
The man (S1) says in an off-screen voiceover: <d>[English] I still remember that road.</d> while his lips remain completely closed.
A red neon sign reading "营业中" glows above the doorway.
Fall 1: T2VA (nur Text)
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: <d>[English] First batch of the morning.</d> [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.
overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.
non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.
Fall 2: I2VA (erstes Bild)
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
integrated_multimodal_description: [Shot 1] Live-action, cinematic, the young woman shown in <Picture 1> remains beside the rain-covered train window, preserving her appearance, clothing, seat position, and the carriage layout. The camera trucks right with small amplitude at slow speed as she lifts her gaze from the folded letter toward the passing city lights. Her reflection moves across the glass while the quiet, breathy young woman (S1) says: <d>[English] I get off at the next station.</d> She folds the letter along its existing crease.
overall_soundscape: The train wheels produce a steady metallic rhythm beneath a low ventilation hum. Rain ticks against the window while paper rustles softly in her hands.
non_diegetic_music: Sustained cello notes at a slow tempo with widely spaced piano tones, gradually decreasing in volume.
Fall 3: FL2VA (erstes und letztes Bild, eine achtsekündige Einstellung)
How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 8.00-second mark of the target video.
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a rain-soaked cyclist begins in the position and framing established by Picture 1, holding a closed black umbrella beside a silver bicycle. The camera pulls out with small amplitude at slow speed as she releases the bicycle handle, raises the umbrella above her shoulder, and presses the runner upward until the canopy opens. Water rolls from the expanding fabric while she steps beneath it, rotates the handle into the final angle, and settles into the pose, spacing, and composition established by Picture 2 at the end of the shot.
overall_soundscape: Rain falls steadily on the pavement, followed by the metallic click of the umbrella runner and the soft snap of the canopy opening. Water drips from the bicycle frame as distant traffic passes.
non_diegetic_music: N/A
Fall 4: L2VA (letztes Bild, eine sechssekündige Einstellung)
How the reference pictures align with the target video — <Picture 1> (from [Shot 1]) aligns with the 6.00-second mark of the target video.
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a close shot begins with an intact drinking glass near the edge of a dark wooden table, while the same hand and sleeve visible in <Picture 1> approach from the right. The camera pushes in with small amplitude at slow speed as the fingertips strike the rim. The glass tips, falls, and hits the floor with a sharp impact; cracks spread through it as fragments slide outward. Toward the end, the moving pieces lose momentum and settle into the exact broken arrangement, hand position, camera angle, lighting, and final composition established by <Picture 1>.
overall_soundscape: Fingertips tap the glass before it scrapes across the tabletop, falls, and breaks with a sharp crash. Small fragments scatter and gradually stop sliding across the floor.
non_diegetic_music: A low electronic pulse at a slow tempo, ending immediately after the glass breaks.
Tipps
- Bewegungsarten, die der Leitfaden nennt: Zoom In / Zoom Out (Brennweitenänderung, Kamera steht), Push In / Pull Out (Kamera bewegt sich vorwärts oder rückwärts), Pan Left / Right (Objektiv schwenkt horizontal), Truck Left / Right (Kamera gleitet seitwärts), Tilt Up / Down (Objektiv schwenkt vertikal), Pedestal Up / Down (ganze Kamera hebt oder senkt sich), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise.
- Amplitude wird mit ‚mit kleiner Amplitude‘ oder ‚mit großer Amplitude‘ beschrieben. Geschwindigkeit nur wenn wichtig: ‚mit langsamer Geschwindigkeit‘ oder ‚mit schneller Geschwindigkeit‘.
- Schnittformulierungen: die Kamera schneidet zu, die Einstellung schneidet zu, die Einstellung wechselt zu, die Einstellung ändert sich zu, die Einstellung springt zu. Cross-Dissolve, Fade und Wipe nur wenn vom Nutzer gewünscht.
- FL2VA bevorzugt eine einzige Einstellung, damit das Modell kontinuierlich interpolieren kann; mehrere Einstellungen nur verwenden, wenn explizit angegeben, und das letzte Bild muss am Ende vom letzten Shot erreicht werden.
- Für L2VA gehört das Bild zur letzten Einstellung, nicht zu Shot 1. Starte mit einem früheren Zustand, der plausibel zu diesem Bild führt.
- Das Musikfeld beschreibt Instrumente, Tempo, Rhythmus und Dynamik. Stimmungswörter und emotionale Erklärungen weglassen.
- Beschreibe Geräusche, die an Aktionen gebunden sind, direkt neben der Aktion in der Beschreibung; die Klangkulisse fasst das ganze Video zusammen, ist kein zweites Skript.
Fehlerbehebung
Das Video endet nicht im letzten Bild
Warum es passiert
Bei FL2VA oder L2VA wurde das Referenzbild als statisches Bild beschrieben, das in einer früheren Einstellung erreicht wurde, oder die Ausrichtungszeit passte nicht zur tatsächlichen Videolänge.
So behebst du es
Schreibe den Bewegungsweg, der die Zustände verbindet, statt zwei Beschreibungen, lass die Annäherung in der finalen [Shot N] passieren und setze die S.SS-Ausrichtungszeit auf die effektive Dauer mit zwei Nachkommastellen.
Lippen bewegen sich während eines Voiceovers
Warum es passiert
Das Voiceover wurde nicht mit der genauen Formulierung markiert oder der Satz über geschlossene Lippen nach dem <d>-Block fehlte.
So behebst du es
Benutze says in an off-screen voiceover und füge direkt nach dem Tag hinzu, dass die Lippen der Figur im Bild komplett geschlossen bleiben.
Die gesprochenen Worte sind umgeschrieben, übersetzt oder aufgebläht
Warum es passiert
Lieferhinweise oder Beschreibungen landeten im <d>-Tag oder die Worte wurden umformuliert statt wortwörtlich geschrieben.
So behebst du es
Im <d>[English] ... </d> nur den Sprach-Tag und die genauen Worte mit Satzzeichen behalten; die Identität des Sprechers, Aktion und Betonung außerhalb des Tags setzen.
Schnitte wirken zufällig oder Einstellungen sind durcheinander
Warum es passiert
Ein Schnitt bringt keine neuen Informationen, fehlende oder nicht-steigende Schnittzeiten oder ein Zeitstempel bei der ersten Einstellung.
So behebst du es
Kein Zeitstempel bei [Shot 1]; jede weitere Einstellung beginnt mit einer streng steigenden Zeit innerhalb der Videolänge und einem Schnittsatz; kleine Umrahmungen durch Kamerabewegung ersetzen.
Der Soundtrack ist allgemein oder wiederholt den Dialog
Warum es passiert
Stimmungswörter in non_diegetic_music oder Dialog und Gesang werden in overall_soundscape wiederholt.
So behebst du es
Beschreibe Instrumente, Tempo, Rhythmus und Dynamik im Musikfeld; halte die Klangkulisse bei Ambiente, Aktionsgeräuschen und nicht-verbalen menschlichen Geräuschen.
Fragen
Braucht die erste Einstellung einen Zeitstempel?
Nein. [Shot 1] hat keinen Zeitstempel. Jede weitere Einstellung beginnt mit einer streng steigenden Schnittzeit, die innerhalb der Videolänge liegt, zum Beispiel [Shot 2] At 00:03.500, the camera cuts to ...
Was kommt in den Dialog-Tag?
Nur der Sprach-Tag und der genau gesprochene Inhalt, mit jedem Originalwort und Satzzeichen unverändert. Die Identität, ID, Aktion und Betonung des Sprechers bleiben außerhalb des Tags.
Was, wenn niemand spricht?
Dann bekommt keine Figur eine Sprecher-ID. Die Klangkulisse beschreibt trotzdem Ambiente und Aktionsgeräusche; N/A ist für Videos reserviert, die komplett still sein müssen.
Kann ein FL2VA-Prompt mehrere Einstellungen haben?
Nur wenn der Nutzer sie ausdrücklich verlangt. Eine Einstellung erlaubt dem Modell, vom ersten zum letzten Bild zu interpolieren; egal wie viele es sind, das letzte Bild muss von der letzten Einstellung erreicht werden.
Wohin gehört Musik, die die Figuren hören können?
Radio-, Fernseh-, Telefonmusik, Instrumente und Gesang sind diegetische Ereignisse und gehören in integrated_multimodal_description. non_diegetic_music ist nur für die Filmmusik, die das Publikum hört.
Gibt es ein Format für Referenz-Audio und Voice Cloning?
Ja. Der Vollreferenzmodus hat sein eigenes sechsteiliges Format im MiniMax-Referenzleitfaden, unten verlinkt. Mark Whites Audio-Prompt-Leitfaden erklärt, wie man eine Referenzstimme an einen Sprecher bindet.
Links und Quellen
- MiniMax's official video prompt writing guide (base tasks)
- MiniMax's reference-mode prompt writing guide
- MiniMax H3 model card on Hugging Face
Modelle in dieser Anleitung
Geschrieben von
Leitet dieses Schiff. Hat Meinungen zu VAE-Dekodierzeiten, die niemand gefragt hat. Glaubt, dass Gewichte frei sein wollen und dass jedes Modell, das du nicht herunterladen kannst, ein Abo mit Extra-Schritten ist. Wird keine Fragen zu den 400 GB Checkpoints auf dem NAS beantworten.
Alle Anleitungen von Captain
Verwandte Anleitungen
MiniMax H3 ansteuern: Text zu Video, Bild zu Video, Referenzvideo und Audio
20. Sep 2026
ComfyUI-Knoten: Dokumentation und Fehlerbehebung
2. Jun 2026
Wan 2.2 Video: Text-zu-Video und Bild-zu-Video Setup, Einstellungen und LoRAs
24. Mai 2026
Weitere Anleitungen
Beste Open-Source KI-Video-Modelle 2026: Was du wirklich herunterladen kannst
14. 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
KI-Videoerstellung für Anfänger: Bild-zu-Video, Text-zu-Video und der erste Clip mit Wan, LTX-2 und H3
29. Apr 2026
MiniMax H3 Turbo LoRAs: 4-8 Schritte Video mit dem larryvrh Paket
1. Okt 2026
Wie man Wan2GP installiert: KI-Video und Bilder auf GPUs mit wenig VRAM
8. Okt 2026