MiniMax H3 video prompts: oficjalna struktura

Temat: Modele wideo

Opublikowano 14 Wrz 2026

Przegląd

MiniMax H3 tworzy wideo z dźwiękiem z jednego promptu. Są cztery zadania: T2VA buduje całą oś czasu audiowizualnej z tekstu; I2VA zaczyna od pierwszej klatki i rozwija dalej; FL2VA przechodzi od pierwszej do ostatniej klatki; L2VA zbiega się na ostatniej klatce z prawdopodobnego wcześniejszego stanu. Treść promptu jest taka sama dla wszystkich czterech. Trzy zadania obrazowe dodają jedną linię instrukcji przed nią.

Gotowy prompt ma dwie części: linię instrukcji (tylko zadania obrazowe), jedną pustą linię, potem trzy główne pola integrated_multimodal_description, overall_soundscape i non_diegetic_music, każde w osobnym akapicie i napisane po angielsku. Każdy szczegół w nich musi być czymś, co widz może zobaczyć lub usłyszeć.

Ten przewodnik skraca oficjalny dokument do tabeli referencyjnej, kolejności pisania, oficjalnych przykładów i zasad, na których ludzie się potykają. Źródło jest podlinkowane wyżej i pozostaje autorytetem, gdy się różnią.

Odniesienie

Nazwa	Typ	Co to jest
integrated_multimodal_description	core field	Oś czasu, ujęcie po ujęciu: styl wizualny, kompozycja, postacie i ich pozycje, scena i rekwizyty, akcje i reakcje, cięcia, ruchy kamery, mówcy, dialog, śpiew i dźwięk diegetyczny z nimi związany.
overall_soundscape	core field	Jeden akapit od 1 do 4 zdań: dźwięki otoczenia, dźwięki działań fizycznych i niewerbalne dźwięki ludzkie (wiatr, deszcz, ruch uliczny, kroki, materiał, uderzenia, oddech, śmiech) w całym wideo. Bez dialogu, śpiewu i muzyki diegetycznej. N/A tylko gdy użytkownik chce całkowitą ciszę.
non_diegetic_music	core field	1 do 3 zdań o ścieżce dźwiękowej słyszanej tylko przez widzów: instrumentacja, tempo, rytm i zmiany dynamiki. Bez słów opisujących nastrój i bez wyjaśniania emocjonalnej roli. N/A gdy brak ścieżki.
I2VA instruction	first line	Dla docelowego wideo, w 0.00 sekundzie docelowego wideo, <Picture 1> (z [Shot 1]) jest w pełni odniesiony.
FL2VA instruction	first line	Jak obrazy referencyjne wyrównują się z docelowym wideo — Picture 1 (z Shot 1) wyrównuje się z 0.00 sekundą docelowego wideo; Picture 2 (z Shot N) wyrównuje się z S.SS sekundą docelowego wideo.
L2VA instruction	first line	Jak obrazy referencyjne wyrównują się z docelowym wideo — <Picture 1> (z [Shot N]) wyrównuje się z S.SS sekundą docelowego wideo. N to indeks prawdziwego ostatniego ujęcia; S.SS to długość wideo z dokładnie dwoma miejscami po przecinku.
[Shot 1]	shot marker	Otwiera opis. Bez znacznika czasu. Zaczyna się od ogólnego stylu (kinematograficzny, aktorski, animacja 2D, 3D CG, gliniana animacja, akwarela, film vintage) i pierwszej kompozycji.
[Shot 2] At 00:03.500, the camera cuts to ...	shot marker	Każde kolejne ujęcie: numer kolejny i ściśle rosnący czas cięcia wewnątrz długości wideo, potem fraza cięcia i co pokazuje nowe ujęcie.
(S1), (S2), (S1,S2)	speaker ID	Stałe ID dla każdego podmiotu, który mówi, śpiewa lub jest słyszany poza ekranem; to samo ID w różnych ujęciach; złożone ID, gdy numerowani mówcy mówią razem. Postacie, które nigdy nie mówią, nie mają ID.
<d>[English] ... </d>	dialogue tag	Tylko tag języka i dokładne wypowiedziane słowa, z każdym oryginalnym słowem i znakiem interpunkcyjnym zachowanym. Kto mówi, akcja i sposób mówienia są poza tagiem.
"..."	on-screen text	Każdy baner, znak, etykieta, napis lub neon widoczny na ekranie, w angielskich cudzysłowach, dosłownie i bez tłumaczenia.
camera motion	phrase	Typ ruchu, plus amplituda i prędkość tylko gdy mają znaczenie, napisane jako naturalna akcja w ujęciu: Kamera powoli z małą amplitudą zbliża się do złożonego listu w jej rękach.
says in an off-screen voiceover	fixed phrase	Jedyna fraza dla lektora. Zaraz po bloku <d> napisz, że usta postaci na ekranie pozostają całkowicie zamknięte.

Krok po kroku

Wybierz zadanie. Dla T2VA zacznij od razu od trzech głównych pól. Dla I2VA, FL2VA i L2VA napisz linię instrukcji jako pierwszą linię, zostaw jedną pustą linię, potem napisz pola. N to indeks ostatniego ujęcia, a S.SS to faktyczna długość z dwoma miejscami po przecinku.
Otwórz [Shot 1] stylem i początkową kompozycją. Dla zadania obrazowego weź styl z obrazu referencyjnego i zachowaj tożsamość, ubranie, kolory, kluczowe obiekty i relacje przestrzenne zgodne z nim; dla T2VA wybierz styl z zapytania.
Napisz resztę opisu wzdłuż osi czasu: wygląd i pozycja postaci, scena i kluczowe rekwizyty, akcje i reakcje, zmiany ujęć, wypowiedziane słowa i zsynchronizowany dźwięk diegetyczny. Pomijaj wszystko, czego nie da się zobaczyć lub usłyszeć.
Cięcie tylko wtedy, gdy nowe ujęcie wnosi nową informację o postaci, przestrzeni, stanie, punkcie widzenia lub czasie. Numeruj ujęcia po kolei i zaczynaj każde kolejne od ściśle rosnącego czasu cięcia. Gdy zmienia się tylko odległość lub lekki kąt, przesuwaj kamerę zamiast ciąć.
Pisz ruchy kamery jako akcje: typ ruchu, potem z małą lub dużą amplitudą i powoli lub szybko tylko gdy to ważne. Średnia amplituda i normalna prędkość są pomijane.
Przedstaw każdego mówcę przy pierwszym pojawieniu się z wystarczającą tożsamością, żeby była stabilna (typ postaci, wiek, płeć, na ekranie lub poza, wysokość głosu, barwa, tempo mówienia, akcent) i jego ID. Wstaw dokładne słowa w <d>[English] ... </d>, zachowując interpunkcję, nigdy ich nie tłumacz ani nie przerabiaj.
Dla lektora użyj dokładnej frazy says in an off-screen voiceover i dodaj zaraz po tagu, że usta postaci na ekranie pozostają całkowicie zamknięte.
Gdy linia dialogu lub tekstu piosenki przechodzi przez cięcie, oznacz obie części i napisz, że dźwięk trwa przez cięcie (kontynuuje płynnie przez cięcie, trwa bez przerwy w następnym ujęciu, przenosi się z poprzedniego ujęcia, pozostaje słyszalny podczas przejścia). Mowa przerwana przez koniec wideo też jest oznaczona.
Widoczny tekst na ekranie wstaw w podwójne cudzysłowy, dokładnie tak, jak jest napisany.
Napisz overall_soundscape jako jeden akapit od 1 do 4 zdań o dźwiękach otoczenia, dźwiękach akcji i niewerbalnych dźwiękach ludzkich dla całego wideo. Dialog, śpiew i muzyka, które postacie słyszą, są już w opisie, więc ich nie powtarzaj.
Napisz non_diegetic_music w 1 do 3 zdań o instrumentach, tempie, rytmie i dynamice albo N/A. Muzyka z radia, telewizji, telefonu i śpiew na żywo to dźwięki diegetyczne i należą do opisu.
Dla zadania obrazowego postępuj według zalecanej ścieżki. I2VA: kotwica pierwszej klatki, początek akcji, ciągły rozwój, wynik lub reakcja. FL2VA: stan pierwszej klatki, widoczne zmiany pośrednie, stopniowo zawężające się różnice, stan ostatniej klatki, zwykle w jednym ujęciu. L2VA: prawdopodobny wcześniejszy stan, wyraźna akcja i ścieżka przejścia, stopniowe zbieganie się w ostatnim ujęciu, lądowanie na ostatniej klatce.

Przykłady

Ruch kamery napisany jako akcja

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.

Mówcy, dialog i lektor

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.

Przypadek 1: T2VA (tylko tekst)

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.

Przypadek 2: I2VA (pierwsza klatka)

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.

Przypadek 3: FL2VA (pierwsza i ostatnia klatka, jedno ośmiosekundowe ujęcie)

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

Przypadek 4: L2VA (ostatnia klatka, jedno sześciosekundowe ujęcie)

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.

Porady

Typy ruchów wymienione w przewodniku: Zoom In / Zoom Out (zmiana ogniskowej, kamera nieruchoma), Push In / Pull Out (kamera przesuwa się do przodu lub tyłu), Pan Left / Right (obiektyw obraca się poziomo), Truck Left / Right (kamera przesuwa się na boki), Tilt Up / Down (obiektyw obraca się pionowo), Pedestal Up / Down (cała kamera się podnosi lub opada), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise.
Amplituda ruchu kamery może być mała lub duża. Prędkość ruchu to powoli lub szybko. Średnia amplituda i normalna prędkość są pomijane, jeśli nie mają znaczenia.
Sformułowania cięcia to: kamera tnie do, ujęcie tnie do, ujęcie przechodzi do, ujęcie zmienia się na, ujęcie przełącza się na. Przenikanie, zanikanie i przesuwanie stosuj tylko gdy użytkownik o to poprosi.
FL2VA preferuje jedno ujęcie, żeby model mógł ciągle interpolować. Używaj kilku ujęć tylko gdy są wyraźnie podane. Ostatnia klatka musi być osiągnięta przez ostatnie ujęcie.
Dla L2VA obraz należy do ostatniego ujęcia, nie do Shot 1. Zacznij od wcześniejszego stanu, który mógłby do niego doprowadzić.
Pole muzyka dotyczy instrumentów, tempa, rytmu i dynamiki. Pomijaj słowa o nastroju i o tym, co muzyka ma wywołać u widza.
Opisz dźwięk związany z akcją w opisie obok akcji. Soundscape to podsumowanie całego wideo, nie drugi scenariusz. Zachowaj jedną pustą linię między instrukcją a polami i jedną między polami, tak jak w oficjalnych przykładach.

Opisz instrumenty, tempo, rytm i dynamikę w polu muzyki; soundscape zostaw na dźwięki otoczenia, akcji i niewerbalne dźwięki ludzkie.

Pytania

Czy pierwsze ujęcie musi mieć znacznik czasu?

Nie. [Shot 1] nie ma czasu. Każde kolejne ujęcie zaczyna się od ściśle rosnącego czasu cięcia mieszczącego się w długości wideo, np. [Shot 2] At 00:03.500, the camera cuts to ...

Co wstawiać do tagu dialogowego?

Tylko tag języka i dokładną wypowiedź, z każdym oryginalnym słowem i znakiem interpunkcyjnym zachowanym dosłownie. Tożsamość mówcy, ID, akcja i sposób mówienia są poza tagiem.

Co jeśli nikt nie mówi?

Wtedy żadna postać nie dostaje ID mówcy. Soundscape opisuje dźwięki otoczenia i akcji; N/A jest zarezerwowane dla wideo, które musi być całkowicie ciche.

Czy prompt FL2VA może mieć kilka ujęć?

Tylko gdy użytkownik wyraźnie o to poprosi. Jedno ujęcie pozwala modelowi interpolować od pierwszej do ostatniej klatki; bez względu na liczbę, ostatnia klatka musi być osiągnięta przez ostatnie ujęcie.

Gdzie trafia muzyka, którą słyszą postacie?

Radio, telewizja, muzyka z telefonu, instrumenty i śpiew to zdarzenia diegetyczne i należą do integrated_multimodal_description. non_diegetic_music to tylko muzyka słyszana przez widzów.

Czy jest format na referencyjny dźwięk i klonowanie głosu?

Tak. Tryb pełnej referencji ma własny sześcioczęściowy format w przewodniku MiniMax, podlinkowany poniżej. Przewodnik Marka White'a o promptowaniu audio wyjaśnia, jak powiązać głos referencyjny z mówcą.

Linki i źródła

Modele w tym poradniku

Modele MiniMax H3

Autor

Captain

Dowodzi tym statkiem. Ma opinie o czasach dekodowania VAE, o które nikt nie pytał. Wierzy, że wagi chcą być wolne i że każdy model, którego nie możesz pobrać, to subskrypcja z dodatkowymi krokami. Nie będzie odpowiadać na pytania o 400 GB checkpointów na NAS.

Wszystkie poradniki autorstwa Captain

Promptowanie MiniMax H3: tekst na wideo, obraz na wideo, wideo referencyjne i audio

20 Wrz 2026

Węzły ComfyUI: dokumentacja i rozwiązywanie problemów

2 Cze 2026

Wan 2.2 video: konfiguracja text-to-video i image-to-video, ustawienia i LoRA

24 Maj 2026

Więcej poradników

Najlepsze otwarte modele AI do wideo w 2026: co naprawdę możesz pobrać

14 Paź 2026

Ile VRAM potrzebujesz do AI wideo? Wan 2.2, HunyuanVideo 1.5 i LTX-2 według wielkości GPU (2026)

6 Paź 2026

Generowanie wideo AI dla początkujących: obraz na wideo, tekst na wideo i pierwszy klip z Wan, LTX-2 i H3

29 Kwi 2026

MiniMax H3 Turbo LoRAs: wideo 4-8 kroków z pakietem larryvrh

1 Paź 2026

Jak zainstalować Wan2GP: AI do wideo i obrazów na GPU z małą ilością VRAM

8 Paź 2026