MiniMax H3のプロンプト：テキストから動画、画像から動画、参照動画と音声

Q: 6秒間何も起きないか、終わりが切れている

プロンプトが145フレームで物語全体や複数の動作、長いセリフを求めている。 動作1つ、カメラの動き1つ、短いセリフ1つにする。メインの動作が終わってからクリップを終え、新しい出来事ではなく反応（「笑顔を映す」）で終わる。ビートが消えたら競合する動作を減らしてから指示を増やす。

Q: 画像から動画で顔が変わるか物が曲がる

大きな回転、雑然とした小さな開始画像、フレーム数に対して複雑すぎる手の動き。 はっきりした顔と手が読める画像を選び、動きの方向に余裕を持たせる。カメラ固定で小さな回転を試し、手の動きを簡単にし、レンダリング間はそれだけを変える。

Q: 参照モードで写真のポーズや背景をコピーしたり、2つの顔が混ざる

画像に役割が与えられておらず、2つの外見参照が矛盾していてどちらが優先か書かれていない。 画像ごとに役割を割り当てる（画像1は顔と髪、画像2は服装のみ）、参照写真やポーズ、背景を表示・コピーしないように指示を加える。矛盾が続くなら強い参照1つを使い、徐々に増やす。

Q: 返信動画が元のサウンドトラックを残す

音声参照はサポートされておらず、返信動画は元の音声を残すことがある。視覚的な指示だけでは音声の挙動は変わらない。 新しい声、対話、効果音をプロンプトで説明し、結果を聞いて変わったか確認。確実にしたいならトラックをミュートし、編集で音を足す。

トピック：プロンプト

著者：Mark White

2026年9月20日公開

概要

MiniMax H3は一つのプロンプトから自分の声、音、音楽で短いクリップを作ります。PirateDiffusionではワークフローとして動きます：コマンドを入力し、その後にシーンの説明を書き、ショットの開始や画像から借りる場合は画像を添付します。6秒は一瞬であって映画全体ではないので、以下のプロンプトはすべて始まり、変化、はっきりした終わりを持つ小さなシーンを説明しています。

テキストから動画は画像を必要としません：言葉で主題、設定、動作を作ります。レシピはWHO + WHERE + ACTION + CAMERA + SOUNDです。主題と設定を説明し、主な動作と反応を与え、カメラの動きを選び、最後に欲しい音を加えます。

画像から動画はアップロードした画像を/image1:の後に名前を付けて呼び出して始めます。レシピはSTARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUNDになります：既存の特徴、服装、設定を保ち、主題の動き、動きに対する反応、ショットの終わりを説明します。

参照動画は同じワークフローを使いますが違う種類のプロンプトです：最大4枚の画像が選んだ特徴（顔と髪、体と服装、設定、小道具）を提供し、開幕シーンを定義する代わりに使います。また5〜10秒程度の短いアップロード動画に返信して、その動作、タイミング、カメラ、設定を借りることもできます。

音声はアップロードではなく書きます。基本のテキストと画像のワークフローでは公式プロンプト形式に3つのフィールドがあります：integrated_multimodal_descriptionはシーン、動作、話者、正確な対話をショットごとに書きます；overall_soundscapeは環境音や物理的な音；non_diegetic_musicはスコアで、音楽が不要な場合はN/Aとします。話される言葉は<d>[English] ... </d>タグで囲み、声や話し方のメモはタグの外に置きます。話者は(S1)など一貫したIDを使います。あいまいな話し方の指示はもごもごの原因になります。

リファレンス

名前	型	意味
/workflow /run:omni-eros-h3	command	PirateDiffusionでH3ワークフローを開始します。シーンの説明はコマンドの後に書きます。
/size:768x896	setting	クリップの幅×高さ（ピクセル単位）。
/length:145	setting	フレーム数で秒数ではありません。デフォルトの24fpsで145フレームは約6秒です。
/image1:name	setting	アップロードした画像を使います。画像から動画では開幕シーンとして使い、参照モードでは割り当てた特徴だけを提供します。最大4枚（/image1から/image4まで）。
Reply to a video	reference	5〜10秒のアップロード動画に返信すると、その動作、タイミング、カメラ、設定を制御したり、指定した動きだけを借りたりできます。音声の参照はサポートされていません。
WHO + WHERE + ACTION + CAMERA + SOUND	recipe	テキストから動画のレシピ：主題と設定、主な動作と反応、カメラの動き、最後に音。
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND	recipe	画像から動画のレシピ：画像の内容を名前で示し、その後に次の動きを指示。
integrated_multimodal_description	text	シーン、動作、話者、正確な対話をショットごとに。
overall_soundscape	text	ショット中に聞こえる環境音や物理的な音。
non_diegetic_music	text	背景音楽。音楽が不要な場合はN/Aと書く。
<d>[English] ... </d>	tag	正確な話された言葉を囲むタグ。声や話し方のメモはタグの外に置く。
(S1), (S2)	speaker ID	話者ごとに一貫したラベル。話すたびに使う。

手順

モードを選ぶ。画像なしならテキストから動画。最初のフレームにしたい画像があれば/image1:で画像から動画。画像や動画で特徴や動きを借りるなら参照モード。同じコマンドでプロンプトが違うだけ。
気分のラベルを行動に置き換える。「彼女は安心している」ではなく、「ラッチが開き、肩が落ちて息を吐く」と原因と見える反応を伝える。すべての筋肉を指示するより2〜3つの関連行動を選ぶ。
原因と結果を示す。動きを物理的にする：足が床に着き、膝が曲がり、体重が移動し、体が落ち着く。着地なら着地後に脚の支柱が縮む様子を説明。
カメラに一つの明確な役割を与える。開始の視点、動き、終点を指定：「腰から上の視点からゆっくり顔に寄る」。クローズアップは部屋全体を映せないので、重要なものをフレームに入れて何が大事か選ぶ。
見た目を作る光を説明。質の良い言葉の山を見える選択肢に置き換える：「机のランプの暖かい光が顔に当たり、後ろの窓からは涼しい日光」。一貫したスタイルを選ぶ。
画像から動画は実際にあるものから始める。開幕の状態を簡単に名前で示す（「両手でマグカップを持って座っている」）、次に動きを層で追加：主な動作、その動作に続く小さな反応（髪が動きに追従、袖が折れる）。フレーミングをタスクに合わせて、最後は止まったままのフレームではなく生きた反応で終わる。
参照モードではシーンを説明する前に各参照に役割を与える。画像1：顔と髪。画像2：体と服装。画像3：設定。画像4：小道具や別の有用な視点。2つの画像が矛盾する場合はどちらが優先か言い、参照写真やポーズ、背景を表示・コピーしないように指示を加える。
音声は最後に書き、余裕を持たせる。対話は意図した間をあけて声に出して読む。6秒なら短いセリフ1つから始める。声の質感や話し方、環境音や音楽は別々に書き、メインの動作が終わってからクリップを終える。
話し言葉が意味不明なら簡単にする：話者1人、短い完全な文、"彼女が商品について話す"ではなく実際の言葉、</d>の前に句読点を入れる。
間を説明する。「彼女は口を閉じて静かに物を調べる」と、静かな具体的な背景音を通して書くと、H3が沈黙を余計な言葉で埋めるのを防げる。
フル参照音声モードでは声を明確に結びつける：<Audio 1>は<Subject 1> (S1)の声質だけを提供し、元の録音の言葉は使わない。このモードは独自の6セクション形式がある。詳しくは下の公式リファレンスガイドを参照。

例

テキストから動画：コピーして試す

/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.

テキストから動画：プロンプトの強化

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.

画像から動画：コピーして試す（テーブルに座った大人；namehereはアップロード画像名に置き換え）

/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.

画像から動画：プロンプトの強化

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.

参照動画：1つの特徴画像、新しいシーン

/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.

参照動画：返信動画でキャラを入れ替え

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.

音声：公式の3フィールド形式のスタータープロンプト

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

ヒント

最初は動作1つ、カメラの動き1つ、短いセリフ1つから始める。反応が落ち着く時間を与える。
ビートが消えたら、競合する動作を減らしてから指示を増やす。次のレンダリングで何が効果的か分かるように一つずつ変える。
画像が支えられる動きを選ぶ：クローズアップは視線や笑顔、短いセリフに合う。全身画像は歩くや踊る動きに。物の操作は手と物が最初から見える必要がある。
はっきりした画像と小さな最初の動きで始める。うまくいったらカメラの動きか2つ目のビートを追加。一度に全部変えると失望する結果を直すのが難しい。
大きな回転で顔が変わるなら、カメラ固定で小さな回転を試す。物が曲がったり滑ったりするなら、まず手の動きを簡単にして、画像や他の設定は変えずに比較する。
顔画像は服装を決めず、体画像は顔を置き換えない。はっきりした役割分担が「正確にして」と長く指示するより効果的。4つすべての画像スロットは使わなくていい。少ない参照でキャラを説明できれば十分。
参照モードでは特徴、動き、音声を別々に評価：きれいなクリップでもタスクを満たさないことがある。回転、重なった体、手、服の端、反射を見て、返信動画は元の音声を残すこともあるので音も聞く。
セリフなしのショットは話し言葉を除き、口を閉じて動作するキャラを明確に説明し、静かな具体的な環境音を通して書く。
不要な声が残るなら、短いショットや別の生成を試す。確実に無音にしたいなら生成トラックをミュートして編集で音を足す。

話者1人、短い完全な文、</d>の前に句読点、間のために明確な無音動作と具体的な背景音、フル参照モードで明確な声の結びつけ。声が残るなら短いショットや別の生成、またはトラックをミュートして編集で音を足す。

よくある質問

/lengthは秒ですか？

いいえ、フレーム数です。デフォルト24fpsで145フレームは約6秒。始まり、変化、終わりがある一瞬として扱います。

画像から動画と参照モードの違いは？

同じコマンドで動きます。プロンプトが違います。画像から動画は画像が開幕シーンで中身をすべて保持。参照モードは画像が割り当てた特徴だけを提供し、新しい開幕構図、動作、設定を説明します。

参照動画は使えますか？

はい。5〜10秒程度の短い動画をアップロードし、それに返信してコマンドを使います。役割を言います：キャラ入れ替えなら画像が外見を、動画が動作、タイミング、カメラ、設定を制御。新シーンなら借りたい動きだけ指定。

H3に声のサンプルを渡せますか？

基本ワークフローでは音声参照はサポートされていません。声、対話、効果音は言葉で説明します。MiniMaxのリファレンスガイドにあるフル参照音声モードは音声クリップを話者に結びつけ、独自の6セクション形式のプロンプトを使います。

対話は一言一句書く必要がありますか？

はい。実際の言葉を<d>[English] ... </d>タグ内に書きます。「彼女が商品について話す」などの説明はH3が即興を始める原因になります。

セリフなしのショットはどう作りますか？

対話を除き、口を閉じて動作するキャラを明確に説明し、静かで具体的な環境音を通して書きます。不要な声が残るなら短いショットや別の生成、またはトラックをミュートして編集で音を足す。

リンクと出典

このガイドのモデル

MiniMax H3 モデル

著者

Mark White

長文を書く人。企業向けソフトウェアに10年携わり、今はComfyUIのワークフローが94ノードもあって、そのうちの一つがすべての作業をしている理由を説明しています。クローズドモデルは矛盾語だと思っていて、無料トライアルみたいなものだと考えています。自分のガイドにはちゃんと目を通しているので署名しています。

Mark Whiteのすべてのガイド