MiniMax H3 prompts de vídeo: a estrutura oficial

Tema: Modelos de vídeo

Publicado em 14 de Set de 2026

Visão geral

MiniMax H3 cria vídeo com som a partir de um único prompt. São quatro tarefas: T2VA constrói toda a linha do tempo audiovisual a partir do texto; I2VA começa de um primeiro quadro e desenvolve para frente; FL2VA vai do primeiro quadro até o último; L2VA converge para o último quadro a partir de um estado anterior plausível. O corpo do prompt é o mesmo para os quatro. As três tarefas de imagem adicionam uma linha de instrução na frente.

Um prompt finalizado tem duas partes: a linha de instrução (só para tarefas de imagem), uma linha em branco, depois os três campos principais integrated_multimodal_description, overall_soundscape e non_diegetic_music, cada um em seu próprio parágrafo e escritos em inglês. Todo detalhe neles deve ser algo que o espectador possa ver ou ouvir.

Este guia resume o documento oficial em uma tabela de referência, uma ordem de escrita, os exemplos oficiais e as regras que causam confusão. A fonte está linkada acima e é a autoridade quando houver divergência.

Referência

Nome	Tipo	O que é
integrated_multimodal_description	core field	A linha do tempo, cena por cena: estilo visual, composição, sujeitos e suas posições, cenário e objetos, ações e reações, cortes, movimentos de câmera, falantes, diálogo, canto e o som diegético que acompanha.
overall_soundscape	core field	Um parágrafo de 1 a 4 frases: som ambiente, sons de ações físicas e sons humanos não verbais (vento, chuva, trânsito, passos, tecido, impactos, respiração, risos) ao longo de todo o vídeo. Sem diálogo, canto ou música diegética aqui. N/A só quando o usuário pede silêncio total.
non_diegetic_music	core field	1 a 3 frases sobre a trilha que só o público ouve: instrumentos, tempo, ritmo e mudanças dinâmicas. Sem palavras de humor ou explicação do papel emocional. N/A quando não há trilha.
I2VA instruction	first line	Para o vídeo alvo, no segundo 0.00 do vídeo alvo, <Picture 1> (de [Shot 1]) está totalmente referenciado.
FL2VA instruction	first line	Como as imagens de referência se alinham com o vídeo alvo — Picture 1 (de Shot 1) se alinha com o marco de 0.00 segundos do vídeo alvo; Picture 2 (de Shot N) se alinha com o marco de S.SS segundos do vídeo alvo.
L2VA instruction	first line	Como as imagens de referência se alinham com o vídeo alvo — <Picture 1> (de [Shot N]) se alinha com o marco de S.SS segundos do vídeo alvo. N é o índice da cena final real; S.SS é a duração do vídeo com exatamente duas casas decimais.
[Shot 1]	shot marker	Abre a descrição. Sem timestamp. Começa com o estilo geral (Cinematográfico, live-action, animação 2D, CG 3D, claymation, aquarela, filme vintage) e a primeira composição.
[Shot 2] At 00:03.500, the camera cuts to ...	shot marker	Cada cena seguinte: um número sequencial e um tempo de corte estritamente crescente dentro da duração do vídeo, depois a frase do corte e o que a nova cena mostra.
(S1), (S2), (S1,S2)	speaker ID	Um ID estável para cada sujeito que fala, canta ou é ouvido fora da tela; o mesmo ID em todas as cenas; um ID composto quando falantes numerados vocalizam juntos. Personagens que nunca vocalizam não têm ID.
<d>[English] ... </d>	dialogue tag	Só a tag de idioma e as palavras exatas faladas, com cada palavra e pontuação original mantidas. Quem fala, a ação e a entonação ficam fora da tag.
"..."	on-screen text	Qualquer banner, placa, rótulo, legenda ou texto neon que esteja realmente visível, entre aspas duplas em inglês, exatamente como está, sem tradução.
camera motion	phrase	Tipo de movimento, mais amplitude e velocidade só quando importam, escrito como uma ação natural dentro da cena: A câmera avança com pequena amplitude em velocidade lenta em direção à carta dobrada nas mãos dela.
says in an off-screen voiceover	fixed phrase	A única frase para voiceover. Logo após o bloco <d>, diga que os lábios do personagem na tela permanecem completamente fechados.

Passo a passo

Escolha a tarefa. Para T2VA comece direto com os três campos principais. Para I2VA, FL2VA e L2VA escreva a instrução de alinhamento como a primeira linha, deixe uma linha em branco, depois escreva os campos. N é o índice da cena final e S.SS a duração efetiva com duas casas decimais.
Abra [Shot 1] com o estilo e a composição inicial. Para tarefa de imagem pegue o estilo da imagem de referência e mantenha identidade, roupa, cores, objetos-chave e relações espaciais consistentes; para T2VA escolha o estilo do pedido.
Escreva o resto da descrição ao longo da linha do tempo: aparência e posição dos sujeitos, cenário e objetos-chave, ações e reações, mudanças de cena, palavras faladas e som diegético sincronizado. Deixe de fora tudo que não possa ser visto ou ouvido.
Corte só quando a nova cena trouxer informação nova sobre o sujeito, espaço, estado, ponto de vista ou tempo. Numere as cenas em ordem e comece cada uma depois com um tempo de corte estritamente crescente. Quando só muda a distância ou um ângulo leve, mova a câmera em vez de cortar.
Escreva movimentos de câmera como ações: o tipo de movimento, depois com pequena amplitude ou grande amplitude e em velocidade lenta ou rápida só quando for relevante. Amplitude média e velocidade normal são deixadas de fora.
Apresente cada voz na primeira aparição com identidade suficiente para ser estável (tipo de personagem, idade, gênero, na tela ou fora, tom, timbre, ritmo de fala, sotaque) e seu ID. Coloque as palavras exatas dentro de <d>[English] ... </d>, mantendo pontuação, e nunca traduza ou reescreva.
Para voiceover use a frase exata says in an off-screen voiceover e adicione logo após a tag que os lábios do personagem na tela permanecem completamente fechados.
Quando uma linha de diálogo ou letra cruza um corte, marque as duas partes e diga que o áudio continua pelo corte (continua sem interrupção pelo corte, continua ininterrupto na cena seguinte, carrega da cena anterior, permanece audível na transição). Fala truncada pelo fim do vídeo também é marcada.
Coloque texto visível na tela entre aspas duplas, exatamente como está.
Escreva overall_soundscape como um parágrafo de 1 a 4 frases sobre ambiente, sons de ação e sons humanos não verbais para todo o vídeo. Diálogo, canto e música que os personagens ouvem já estão na descrição, não repita.
Escreva non_diegetic_music em 1 a 3 frases sobre instrumentos, tempo, ritmo e dinâmica, ou N/A. Música de rádio, TV, telefone e canto ao vivo são diegéticos e ficam na descrição.
Para tarefa de imagem siga o caminho recomendado. I2VA: âncora no primeiro quadro, início da ação, desenvolvimento contínuo, resultado ou reação. FL2VA: estado do primeiro quadro, mudanças intermediárias observáveis, diferenças progressivamente menores, estado do último quadro, geralmente em uma cena. L2VA: estado anterior plausível, ação explícita e caminho de transição, convergência gradual na cena final, pouso no último quadro.

Exemplos

Movimento de câmera escrito como ação

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.

Falantes, diálogo e 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.

Caso 1: T2VA (só texto)

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.

Caso 2: I2VA (primeiro quadro)

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.

Caso 3: FL2VA (primeiro e último quadro, uma cena de oito segundos)

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

Caso 4: L2VA (último quadro, uma cena de seis segundos)

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.

Dicas

Tipos de movimento nomeados no guia: Zoom In / Zoom Out (mudança de distância focal, câmera parada), Push In / Pull Out (câmera se move para frente ou para trás), Pan Left / Right (lente gira horizontalmente), Truck Left / Right (câmera desliza lateralmente), Tilt Up / Down (lente gira verticalmente), Pedestal Up / Down (câmera sobe ou desce), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise. Amplitude: com pequena amplitude, com grande amplitude. Velocidade: em velocidade lenta, em velocidade rápida.
Frases para corte: a câmera corta para, a cena corta para, a cena transita para, a cena muda para, a cena troca para. Cross-dissolve, fade e wipe só quando o usuário pedir.
FL2VA prefere uma única cena para o modelo poder interpolar continuamente; use várias cenas só se forem explicitamente especificadas, e o último quadro deve ser alcançado pela cena final no fim do vídeo.
Para L2VA a imagem pertence à última cena, não à Cena 1. Comece de um estado anterior que possa levar a ela de forma plausível.
O campo de música é sobre instrumentos, velocidade, ritmo e dinâmica. Deixe de fora palavras de humor e o que a trilha deve fazer o público sentir.
Descreva som ligado a uma ação na descrição junto da ação; o cenário sonoro é o resumo para todo o vídeo, não um segundo roteiro.
Uma linha em branco entre a instrução e os campos, e uma entre os campos, exatamente como nos casos oficiais.

Descreva instrumentos, tempo, ritmo e dinâmica no campo de música; mantenha o cenário sonoro para ambiente, sons de ação e sons humanos não verbais.

Perguntas

O primeiro quadro precisa de timestamp?

Não. [Shot 1] não tem tempo. Cada cena depois começa com um tempo de corte estritamente crescente dentro da duração do vídeo, por exemplo [Shot 2] At 00:03.500, the camera cuts to ...

O que vai dentro da tag de diálogo?

Só a tag de idioma e o conteúdo falado exato, com cada palavra e pontuação original mantidas. A identidade, ID, ação e entonação do falante ficam fora da tag.

E se ninguém fala?

Então nenhum personagem recebe ID de falante. O cenário sonoro ainda descreve ambiente e sons de ação; N/A é reservado para vídeo que deve ser totalmente silencioso.

Um prompt FL2VA pode ter várias cenas?

Só quando o usuário pedir explicitamente. Uma cena permite que o modelo interpolar do primeiro ao último quadro; seja qual for o número, o último quadro deve ser alcançado pela cena final.

Onde vai a música que os personagens ouvem?

Rádio, TV, música de telefone, instrumentos e canto são eventos diegéticos e ficam em integrated_multimodal_description. non_diegetic_music é só para a trilha que o público ouve.

Existe um formato para áudio de referência e clonagem de voz?

Sim. O modo full-reference tem seu próprio formato de seis seções no guia de referência do MiniMax, linkado abaixo. O guia de Mark White para prompts de áudio explica como ligar uma voz de referência a um falante.

Links e fontes

Modelos deste guia

Modelos MiniMax H3

Escrito por

Captain

Comanda este navio. Tem opiniões sobre tempos de decodificação VAE que ninguém pediu. Acredita que pesos querem ser livres e que qualquer modelo que você não pode baixar é uma assinatura com passos extras. Não vai responder perguntas sobre os 400 GB de checkpoints no NAS.

Todos os guias por Captain

Prompting MiniMax H3: texto para vídeo, imagem para vídeo, vídeo de referência e áudio

20 de Set de 2026

Nodos do ComfyUI: documentação e solução de problemas

2 de Jun de 2026

Wan 2.2 vídeo: configuração, ajustes e LoRAs para texto-para-vídeo e imagem-para-vídeo

24 de Mai de 2026

Mais guias

Melhores modelos de vídeo de IA open-source em 2026: o que você pode realmente baixar

14 de Out de 2026

Quanto VRAM você precisa para vídeo com IA? Wan 2.2, HunyuanVideo 1.5 e LTX-2 por tamanho de GPU (2026)

6 de Out de 2026

Geração de vídeo por IA para iniciantes: imagem para vídeo, texto para vídeo e o primeiro clipe com Wan, LTX-2 e H3

29 de Abr de 2026

MiniMax H3 Turbo LoRAs: vídeo de 4-8 passos com o pacote larryvrh

1 de Out de 2026

Como instalar Wan2GP: vídeos e imagens de IA em GPUs com pouca VRAM

8 de Out de 2026