MiniMax H3 비디오 프롬프트: 공식 구조

Q: 보이스오버 중 입술이 움직임

보이스오버가 정확한 문구로 표시되지 않았거나, 블록 뒤에 입술이 닫혀 있다는 문장이 빠짐. says in an off-screen voiceover를 쓰고 태그 바로 뒤에 화면 속 인물 입술이 완전히 닫혀 있음을 덧붙임.

Q: 대사가 다시 쓰이거나 번역됨

태그 안에 전달 노트나 설명이 들어갔거나, 대사가 바뀌거나 번역됨. [English] ... 안에는 언어 태그와 정확한 단어 및 구두점만 유지; 화자 정체성, 행동, 전달은 태그 밖에 둠.

Q: 컷이 무작위 같거나 샷 순서가 어긋남

새 정보 없는 컷, 컷 시간이 없거나 증가하지 않음, 첫 샷에 타임스탬프 있음. [Shot 1]에는 타임스탬프 없음; 이후 샷은 비디오 길이 내에서 엄격히 증가하는 시간과 컷 문구로 시작; 작은 재구성은 컷 대신 카메라 움직임으로.

주제: 비디오 모델

작성자: Captain

2026년 9월 14일 게시

개요

MiniMax H3는 하나의 프롬프트로 소리가 있는 비디오를 만듭니다. 네 가지 작업이 있어요: T2VA는 텍스트에서 전체 시청각 타임라인을 만듭니다; I2VA는 첫 프레임에서 시작해 앞으로 진행합니다; FL2VA는 첫 프레임에서 마지막 프레임까지 이동합니다; L2VA는 가능한 이전 상태에서 마지막 프레임으로 수렴합니다. 프롬프트 본문은 네 가지 모두 동일합니다. 세 가지 이미지 작업은 그 앞에 한 줄의 지시문을 추가합니다.

완성된 프롬프트는 두 부분으로 나뉩니다: 지시문 라인(이미지 작업만 해당), 빈 줄 하나, 그리고 세 가지 핵심 필드 integrated_multimodal_description, overall_soundscape, non_diegetic_music가 각각 한 단락씩 영어로 작성됩니다. 이 안의 모든 세부사항은 시청자가 볼 수 있거나 들을 수 있는 내용이어야 합니다.

이 가이드는 공식 문서를 참고표, 작성 순서, 공식 예시, 사람들이 자주 실수하는 규칙으로 압축했습니다. 출처는 위에 링크되어 있고, 두 내용이 다를 때는 출처가 우선입니다.

참고 자료

이름	타입	의미
integrated_multimodal_description	core field	타임라인을 샷별로: 시각 스타일, 구도, 등장인물과 위치, 장면과 소품, 행동과 반응, 컷, 카메라 움직임, 화자, 대화, 노래, 그리고 그에 맞는 현장음.
overall_soundscape	core field	1~4문장으로 된 한 단락: 주변 소리, 물리적 행동 소리, 비언어적 인간 소리(바람, 비, 교통, 발걸음, 옷감, 충격, 숨소리, 웃음) 등 비디오 전체에 걸친 소리. 대화, 노래, 현장음은 포함하지 않음. 완전한 무음을 요청할 때만 N/A.
non_diegetic_music	core field	관객만 듣는 음악에 대해 1~3문장: 악기 구성, 템포, 리듬, 다이내믹 변화. 분위기 단어나 감정 역할 설명은 제외. 음악이 없으면 N/A.
I2VA instruction	first line	목표 비디오에서 0.00초에 <Picture 1> ([Shot 1]에서) 완전히 참조됨.
FL2VA instruction	first line	참조 이미지가 목표 비디오와 어떻게 정렬되는지 — Picture 1 ([Shot 1]에서) 는 목표 비디오 0.00초에, Picture 2 ([Shot N]에서) 는 목표 비디오 S.SS초에 정렬됨.
L2VA instruction	first line	참조 이미지가 목표 비디오와 어떻게 정렬되는지 — <Picture 1> ([Shot N]에서) 는 목표 비디오 S.SS초에 정렬됨. N은 실제 마지막 샷 인덱스, S.SS는 소수점 둘째 자리까지의 비디오 길이.
[Shot 1]	shot marker	설명을 시작함. 타임스탬프 없음. 전체 스타일(시네마틱, 실사, 2D 애니메이션, 3D CG, 클레이메이션, 수채화, 빈티지 필름)과 첫 구도로 시작.
[Shot 2] At 00:03.500, the camera cuts to ...	shot marker	이후 모든 샷: 순서 번호와 비디오 길이 내에서 엄격히 증가하는 컷 시간, 컷 문구와 새 샷이 보여주는 내용.
(S1), (S2), (S1,S2)	speaker ID	말하거나 노래하거나 오프스크린에서 들리는 모든 화자에 대한 고정 ID; 샷 간 동일 ID; 여러 화자가 함께 말할 때 복합 ID. 말하지 않는 캐릭터는 없음.
<d>[English] ... </d>	dialogue tag	언어 태그와 정확한 대사만, 원문 단어와 구두점 그대로 유지. 누가 말하는지, 행동과 전달은 태그 밖에 둠.
"..."	on-screen text	실제로 보이는 배너, 표지판, 라벨, 자막, 네온 텍스트는 영어 이중 인용부호 안에 원문 그대로.
camera motion	phrase	샷 내 자연스러운 행동으로 쓴 움직임 유형과 중요할 때만 진폭과 속도: 예) 카메라가 그녀 손에 든 접힌 편지 쪽으로 작은 진폭, 느린 속도로 밀어 들어감.
says in an off-screen voiceover	fixed phrase	보이스오버에 쓰는 유일한 문구. <d> 블록 바로 뒤에 화면 속 인물 입술이 완전히 닫혀 있음을 명시.

단계별 안내

작업을 선택해. T2VA는 바로 세 핵심 필드부터 시작해. I2VA, FL2VA, L2VA는 정렬 지시문을 첫 줄에 쓰고 빈 줄 하나 둔 뒤 필드를 써. N은 마지막 샷 인덱스, S.SS는 소수점 둘째 자리까지의 실제 길이.
[Shot 1]을 스타일과 초기 구도로 열어. 이미지 작업은 참조 이미지에서 스타일을 가져오고 정체성, 옷, 색상, 주요 소품, 공간 관계를 일관되게 유지해; T2VA는 요청에서 스타일을 선택.
타임라인을 따라 나머지 설명을 써: 등장인물 외모와 위치, 장면과 주요 소품, 행동과 반응, 샷 변경, 말과 동기화된 현장음. 볼 수 없거나 들을 수 없는 것은 빼.
새 샷이 등장인물, 공간, 상태, 시점, 시간에 새 정보를 줄 때만 컷. 샷 번호는 순서대로, 이후 샷은 비디오 길이 내에서 엄격히 증가하는 컷 시간과 함께 시작. 거리나 약간 각도만 바뀌면 컷 대신 카메라 움직임.
카메라 움직임은 행동으로 써: 움직임 유형, 의미 있을 때만 작은/큰 진폭, 느린/빠른 속도. 중간 진폭과 보통 속도는 생략.
첫 등장하는 음성은 충분한 정체성(캐릭터 유형, 나이, 성별, 화면 내외, 음높이, 음색, 말 속도, 억양)과 ID를 소개. 정확한 대사는 <d>[English] ... </d> 안에 구두점까지 그대로 넣고 절대 번역하거나 바꾸지 말아.
보이스오버는 정확히 says in an off-screen voiceover를 쓰고 태그 바로 뒤에 화면 속 인물 입술이 완전히 닫혀 있음을 덧붙여.
대사나 가사가 컷을 넘으면 양쪽 모두 태그를 붙이고 오디오가 컷을 넘어 이어진다고 명시(계속 매끄럽게 이어짐, 다음 샷으로 끊김 없이 이어짐, 이전 샷에서 이어짐, 전환 중에도 들림). 비디오 끝에서 끊긴 말도 태그 붙임.
보이는 화면 텍스트는 읽히는 그대로 이중 인용부호 안에.
overall_soundscape는 비디오 전체 주변 소리, 행동 소리, 비언어적 인간 소리에 대해 1~4문장 한 단락으로 써. 대화, 노래, 음악은 이미 설명에 있으니 반복하지 말아.
non_diegetic_music은 악기, 템포, 리듬, 다이내믹에 대해 1~3문장으로 쓰거나 N/A. 라디오, TV, 전화 음악, 라이브 노래는 현장음에 포함.
이미지 작업은 권장 경로를 따라. I2VA: 첫 프레임 고정, 행동 시작, 연속 전개, 결과나 반응. FL2VA: 첫 프레임 상태, 관찰 가능한 중간 변화, 점점 좁혀지는 차이, 마지막 프레임 상태, 보통 한 샷. L2VA: 그럴듯한 이전 상태, 명확한 행동과 전환 경로, 마지막 샷에서 점진적 수렴, 마지막 프레임 착지.

예시

행동으로 쓴 카메라 움직임

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.

화자, 대화, 보이스오버

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.

사례 1: T2VA (텍스트만)

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.

사례 2: I2VA (첫 프레임)

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.

사례 3: FL2VA (첫 프레임과 마지막 프레임, 8초짜리 한 샷)

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

사례 4: L2VA (마지막 프레임, 6초짜리 한 샷)

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.

팁

가이드가 말하는 움직임 유형: Zoom In / Zoom Out(초점 거리 변화, 카메라 고정), Push In / Pull Out(카메라 앞뒤 이동), Pan Left / Right(렌즈 수평 회전), Truck Left / Right(카메라 좌우 이동), Tilt Up / Down(렌즈 수직 회전), Pedestal Up / Down(카메라 전체 상승/하강), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise. 진폭: with small amplitude, with large amplitude. 속도: at slow speed, at fast speed.
컷 문구: the camera cuts to, the shot cuts to, the shot transitions to, the shot changes to, the shot switches to. 크로스 디졸브, 페이드, 와이프는 사용자가 요청할 때만.
FL2VA는 모델이 연속 보간할 수 있도록 한 샷을 선호; 여러 샷은 명시적으로 지정된 경우만, 마지막 프레임은 마지막 샷에서 도달해야 함.
L2VA는 그림이 마지막 샷에 속함, [Shot 1]이 아님. 그럴듯한 이전 상태에서 시작해라.
음악 필드는 악기, 속도, 리듬, 다이내믹에 관한 것. 분위기 단어나 청중 감정은 빼.
행동에 연결된 소리는 설명에서 행동 옆에 쓰고, 사운드스케이프는 전체 비디오 요약이지 두 번째 대본 아님.
지시문과 필드 사이, 필드 사이에 빈 줄 하나씩, 공식 사례처럼 정확히.

음악 필드에는 악기, 템포, 리듬, 다이내믹만; 사운드스케이프는 주변 소리, 행동 소리, 비언어적 인간 소리만.

질문

첫 샷에 타임스탬프가 꼭 필요한가?

아니. [Shot 1]에는 시간이 없고, 이후 샷은 비디오 길이 내에서 엄격히 증가하는 컷 시간과 함께 시작함. 예: [Shot 2] At 00:03.500, the camera cuts to ...

대화 태그 안에는 뭐가 들어가?

언어 태그와 정확한 대사만, 원문 단어와 구두점 그대로. 화자 정체성, ID, 행동, 전달은 태그 밖에 둠.

아무도 말하지 않으면?

그럼 화자 ID 없음. 사운드스케이프는 주변 소리와 행동 소리를 설명함; 완전 무음 영상에만 N/A.

FL2VA 프롬프트에 여러 샷이 있을 수 있나?

사용자가 명시적으로 요청할 때만. 한 샷이면 모델이 첫 프레임에서 마지막까지 보간 가능; 샷 수와 상관없이 마지막 프레임은 마지막 샷에서 도달해야 함.

캐릭터가 들을 수 있는 음악은 어디에?

라디오, TV, 전화 음악, 악기, 노래는 현장음에 포함되어 integrated_multimodal_description에. non_diegetic_music은 관객만 듣는 음악.

참조 오디오와 음성 클로닝 형식이 있나?

있음. 전체 참조 모드는 MiniMax 참조 가이드에 여섯 섹션 형식으로 나와 있음. Mark White의 오디오 프롬프트 가이드가 참조 음성을 화자에 연결하는 법을 다룸.

링크 및 출처

이 가이드의 모델

MiniMax H3 모델

작성자

Captain

이 배를 운영합니다. 아무도 묻지 않은 VAE 디코드 시간에 대한 의견이 있습니다. 가중치는 자유로워지길 원하며 다운로드할 수 없는 모델은 추가 단계가 있는 구독이라고 믿습니다. NAS에 있는 400GB 체크포인트에 관한 질문은 받지 않습니다.

Captain의 모든 가이드

MiniMax H3 프롬프트: 텍스트에서 비디오, 이미지에서 비디오, 참조 비디오 및 오디오

2026년 9월 20일

ComfyUI 노드: 문서와 문제 해결

2026년 6월 2일

Wan 2.2 비디오: 텍스트-투-비디오와 이미지-투-비디오 설정, 세팅 및 LoRA

2026년 5월 24일

더 많은 가이드

2026년 최고의 오픈소스 AI 비디오 모델: 실제로 다운로드할 수 있는 것들

2026년 10월 14일

AI 비디오에 필요한 VRAM은 얼마나 될까? Wan 2.2, HunyuanVideo 1.5, LTX-2 GPU 크기별 (2026)

2026년 10월 6일

초보자를 위한 AI 영상 생성: 이미지-투-비디오, 텍스트-투-비디오 그리고 Wan, LTX-2, H3로 첫 클립 만들기

2026년 4월 29일

MiniMax H3 Turbo LoRAs: larryvrh 팩으로 4-8 스텝 비디오

2026년 10월 1일

Wan2GP 설치 방법: VRAM 적은 GPU에서 AI 영상과 이미지 실행하기

2026년 10월 8일