Prompt video MiniMax H3: struktur resmi

Topik: Model video

Diterbitkan 14 Sep 2026

Ikhtisar

MiniMax H3 membuat video dengan suara dari satu prompt. Ada empat tugas: T2VA membangun seluruh garis waktu audiovisual dari teks; I2VA mulai dari frame pertama dan berkembang ke depan; FL2VA bergerak dari frame pertama ke frame terakhir; L2VA mendekati frame terakhir dari keadaan awal yang masuk akal. Isi prompt sama untuk keempatnya. Tiga tugas gambar menambahkan satu baris instruksi di depannya.

Prompt yang selesai punya dua bagian: baris instruksi (hanya untuk tugas gambar), satu baris kosong, lalu tiga bidang inti integrated_multimodal_description, overall_soundscape dan non_diegetic_music, masing-masing dalam paragraf sendiri dan ditulis dalam bahasa Inggris. Setiap detail di dalamnya harus sesuatu yang bisa dilihat atau didengar penonton.

Panduan ini merangkum dokumen resmi menjadi tabel referensi, urutan penulisan, contoh resmi dan aturan yang sering bikin bingung. Sumbernya ada di atas dan tetap jadi acuan kalau ada perbedaan.

Referensi

Nama	Tipe	Artinya
integrated_multimodal_description	core field	Garis waktu, per pengambilan gambar: gaya visual, komposisi, subjek dan posisinya, adegan dan properti, aksi dan reaksi, potongan, gerakan kamera, pembicara, dialog, nyanyian dan suara diegetik yang menyertainya.
overall_soundscape	core field	Satu paragraf 1 sampai 4 kalimat: suara ambient, suara aksi fisik dan suara manusia non-verbal (angin, hujan, lalu lintas, langkah kaki, kain, benturan, napas, tawa) di seluruh video. Tidak ada dialog, nyanyian atau musik diegetik di sini. N/A hanya kalau pengguna minta sunyi total.
non_diegetic_music	core field	1 sampai 3 kalimat tentang skor yang hanya didengar penonton: instrumen, tempo, ritme dan perubahan dinamis. Tidak ada kata suasana hati dan tidak menjelaskan peran emosionalnya. N/A kalau tidak ada skor.
I2VA instruction	first line	Untuk video target, pada 0.00 detik video target, <Picture 1> (dari [Shot 1]) sepenuhnya dijadikan referensi.
FL2VA instruction	first line	Bagaimana gambar referensi diselaraskan dengan video target — Picture 1 (dari Shot 1) diselaraskan dengan tanda 0.00 detik video target; Picture 2 (dari Shot N) diselaraskan dengan tanda S.SS detik video target.
L2VA instruction	first line	Bagaimana gambar referensi diselaraskan dengan video target — <Picture 1> (dari [Shot N]) diselaraskan dengan tanda S.SS detik video target. N adalah indeks pengambilan gambar terakhir yang sebenarnya; S.SS adalah durasi video dengan tepat dua desimal.
[Shot 1]	shot marker	Membuka deskripsi. Tidak ada cap waktu. Dimulai dengan gaya keseluruhan (Sinematik, live-action, animasi 2D, CG 3D, claymation, cat air, film vintage) dan komposisi pertama.
[Shot 2] At 00:03.500, the camera cuts to ...	shot marker	Setiap pengambilan gambar berikutnya: nomor berurutan dan waktu potongan yang selalu naik di dalam durasi video, lalu frasa potongan dan apa yang ditampilkan pengambilan gambar baru.
(S1), (S2), (S1,S2)	speaker ID	ID stabil untuk setiap subjek yang berbicara, bernyanyi atau terdengar di luar layar; ID sama di semua pengambilan gambar; ID gabungan saat pembicara bernomor vokal bersama. Karakter yang tidak pernah vokal tidak punya ID.
<d>[English] ... </d>	dialogue tag	Hanya tag bahasa dan kata-kata yang diucapkan persis, dengan setiap kata asli dan tanda baca tetap. Siapa yang bicara, aksi dan cara penyampaian tetap di luar tag.
"..."	on-screen text	Setiap spanduk, tanda, label, subtitle atau teks neon yang benar-benar terlihat, dalam tanda kutip ganda bahasa Inggris, persis dan tidak diterjemahkan.
camera motion	phrase	Jenis gerakan, plus amplitudo dan kecepatan hanya saat penting, ditulis sebagai aksi alami dalam pengambilan gambar: Kamera mendorong masuk dengan amplitudo kecil dan kecepatan lambat ke arah surat yang terlipat di tangannya.
says in an off-screen voiceover	fixed phrase	Satu-satunya kata untuk voiceover. Tepat setelah blok <d>, sebutkan bahwa bibir karakter di layar tetap tertutup rapat.

Langkah demi langkah

Pilih tugasnya. Untuk T2VA langsung mulai dengan tiga bidang inti. Untuk I2VA, FL2VA dan L2VA tulis instruksi penyelarasan sebagai baris pertama, beri satu baris kosong, lalu tulis bidangnya. N adalah indeks pengambilan gambar terakhir dan S.SS durasi efektif dengan dua desimal.
Buka [Shot 1] dengan gaya dan komposisi awal. Untuk tugas gambar ambil gaya dari gambar referensi dan jaga identitas, pakaian, warna, objek utama dan hubungan ruangannya konsisten; untuk T2VA pilih gaya dari permintaan.
Tulis sisa deskripsi sepanjang garis waktu: penampilan dan posisi subjek, adegan dan properti utama, aksi dan reaksi, perubahan pengambilan gambar, kata yang diucapkan dan suara diegetik yang sinkron. Jangan tulis apa pun yang tidak bisa dilihat atau didengar.
Potong hanya saat pengambilan gambar baru membawa informasi baru tentang subjek, ruang, keadaan, sudut pandang atau waktu. Nomori pengambilan gambar berurutan dan mulai setiap pengambilan berikutnya dengan waktu potongan yang selalu naik. Kalau hanya jarak atau sudut sedikit berubah, gerakkan kamera saja jangan potong.
Tulis gerakan kamera sebagai aksi: jenis gerakan, lalu dengan amplitudo kecil atau besar dan kecepatan lambat atau cepat hanya saat penting. Amplitudo sedang dan kecepatan normal tidak perlu ditulis.
Perkenalkan setiap suara saat pertama muncul dengan identitas cukup agar stabil (tipe karakter, usia, jenis kelamin, di layar atau tidak, nada, warna suara, kecepatan bicara, aksen) dan ID-nya. Masukkan kata persis dalam <d>[English] ... </d>, jaga tanda baca, jangan terjemahkan atau ubah.
Untuk voiceover gunakan frasa tepat says in an off-screen voiceover dan tambahkan, tepat setelah tag, bahwa bibir karakter di layar tetap tertutup rapat.
Saat baris dialog atau lirik melewati potongan, beri tag kedua bagian dan sebutkan bahwa audionya berlanjut melewati potongan (berlanjut mulus melewati potongan, berlanjut tanpa jeda ke pengambilan berikut, terbawa dari pengambilan sebelumnya, tetap terdengar melewati transisi). Ucapan yang terpotong di akhir video juga diberi tag.
Tulis teks yang terlihat di layar dalam tanda kutip ganda, persis seperti tertulis.
Tulis overall_soundscape sebagai satu paragraf 1 sampai 4 kalimat tentang ambience, suara aksi dan suara manusia non-verbal untuk seluruh video. Dialog, nyanyian dan musik yang didengar karakter sudah ada di deskripsi, jadi jangan ulangi.
Tulis non_diegetic_music dalam 1 sampai 3 kalimat tentang instrumen, tempo, ritme dan dinamika, atau N/A. Musik radio, televisi, telepon dan nyanyian langsung adalah diegetik dan masuk ke deskripsi.
Untuk tugas gambar ikuti jalur yang disarankan. I2VA: jangkar frame pertama, mulai aksi, perkembangan berkelanjutan, hasil atau reaksi. FL2VA: keadaan frame pertama, perubahan menengah yang terlihat, perbedaan yang makin sempit, keadaan frame terakhir, biasanya dalam satu pengambilan. L2VA: keadaan awal yang masuk akal, aksi dan jalur transisi eksplisit, konvergensi bertahap di pengambilan terakhir, pendaratan frame terakhir.

Contoh

Gerakan kamera ditulis sebagai aksi

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.

Pembicara, dialog dan 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.

Kasus 1: T2VA (hanya teks)

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.

Kasus 2: I2VA (frame pertama)

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.

Kasus 3: FL2VA (frame pertama dan terakhir, satu pengambilan delapan detik)

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

Kasus 4: L2VA (frame terakhir, satu pengambilan enam detik)

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.

Tips

Jenis gerakan yang disebut panduan: Zoom In / Zoom Out (perubahan panjang fokus, kamera diam), Push In / Pull Out (kamera maju atau mundur), Pan Left / Right (lensa berputar horizontal), Truck Left / Right (kamera geser samping), Tilt Up / Down (lensa berputar vertikal), Pedestal Up / Down (kamera naik atau turun), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise. Amplitudo: dengan amplitudo kecil, dengan amplitudo besar. Kecepatan: dengan kecepatan lambat, dengan kecepatan cepat.
Kata potongan: kamera memotong ke, pengambilan memotong ke, pengambilan bertransisi ke, pengambilan berubah ke, pengambilan beralih ke. Cross-dissolve, fade dan wipe hanya kalau pengguna minta.
FL2VA lebih suka satu pengambilan agar model bisa interpolasi terus-menerus; pakai beberapa pengambilan hanya kalau memang diminta, dan frame terakhir harus dicapai oleh pengambilan terakhir di akhir video.
Untuk L2VA gambar milik pengambilan terakhir, bukan Shot 1. Mulai dari keadaan awal yang masuk akal bisa mengarah ke situ.
Bidang musik tentang instrumen, kecepatan, ritme dan dinamika. Jangan pakai kata suasana hati dan apa yang seharusnya dirasakan penonton.
Deskripsikan suara yang terkait aksi di deskripsi dekat aksinya; lanskap suara adalah ringkasan untuk seluruh video, bukan skrip kedua.
Satu baris kosong antara instruksi dan bidang, dan satu baris kosong antar bidang, persis seperti contoh resmi.

Deskripsikan instrumen, tempo, ritme dan dinamika di bidang musik; lanskap suara hanya untuk ambience, suara aksi dan suara manusia non-verbal.

Pertanyaan

Apakah pengambilan pertama perlu cap waktu?

Tidak. [Shot 1] tidak ada waktu. Setiap pengambilan berikut mulai dengan waktu potongan yang selalu naik dan berada dalam durasi video, misalnya [Shot 2] At 00:03.500, the camera cuts to ...

Apa yang masuk dalam tag dialog?

Hanya tag bahasa dan isi ucapan persis, dengan setiap kata asli dan tanda baca tetap. Identitas pembicara, ID, aksi dan penyampaian tetap di luar tag.

Kalau tidak ada yang bicara?

Maka tidak ada ID pembicara untuk karakter. Lanskap suara tetap mendeskripsikan ambience dan suara aksi; N/A untuk video yang harus benar-benar sunyi.

Bolehkah prompt FL2VA punya beberapa pengambilan?

Hanya kalau pengguna memang minta. Satu pengambilan memungkinkan model interpolasi dari frame pertama ke terakhir; berapa pun jumlahnya, frame terakhir harus dicapai oleh pengambilan terakhir.

Di mana musik yang didengar karakter?

Musik radio, televisi, telepon, instrumen dan nyanyian adalah kejadian diegetik dan masuk ke integrated_multimodal_description. non_diegetic_music hanya untuk skor yang didengar penonton.

Apakah ada format untuk audio referensi dan kloning suara?

Ada. Mode referensi penuh punya format enam bagian sendiri di panduan referensi MiniMax, tautan di bawah. Panduan prompt audio Mark White menjelaskan cara mengikat suara referensi ke pembicara.

Tautan dan sumber

Model dalam panduan ini

Model MiniMax H3

Ditulis oleh

Captain

Mengemudikan kapal ini. Punya pendapat tentang waktu decode VAE yang tidak diminta siapa pun. Percaya bahwa bobot ingin bebas dan setiap model yang tidak bisa kamu unduh adalah langganan dengan langkah tambahan. Tidak akan menjawab pertanyaan tentang 400 GB checkpoint di NAS.

Semua panduan oleh Captain

Prompting MiniMax H3: text to video, image to video, reference video and audio

20 Sep 2026

Node ComfyUI: dokumentasi dan pemecahan masalah

2 Jun 2026

Wan 2.2 video: pengaturan text-to-video dan image-to-video, pengaturan dan LoRA

24 Mei 2026

Panduan lainnya

Model video AI open-source terbaik di 2026: apa yang benar-benar bisa kamu unduh

14 Okt 2026

Berapa Banyak VRAM yang Kamu Butuhkan untuk Video AI? Wan 2.2, HunyuanVideo 1.5 dan LTX-2 Berdasarkan Ukuran GPU (2026)

6 Okt 2026

Generasi video AI untuk pemula: image-to-video, text-to-video dan klip pertama dengan Wan, LTX-2 dan H3

29 Apr 2026

MiniMax H3 Turbo LoRAs: Video 4-8 langkah dengan paket larryvrh

1 Okt 2026

Cara memasang Wan2GP: AI video dan gambar di GPU dengan VRAM rendah

8 Okt 2026