MiniMax H3: text la video, imagine la video, video de referință și audio
Prezentare generală
MiniMax H3 face un clip scurt cu propriile voci, sunete și muzică dintr-un singur prompt. Pe PirateDiffusion rulează ca un flux de lucru: scrii comanda, pui descrierea scenei după ea și atașezi poze când cadrul trebuie să pornească de la sau să împrumute de la o imagine. Șase secunde e un moment, nu un film întreg, așa că fiecare prompt de mai jos descrie o scenă mică cu început, schimbare și final clar.
Text la video nu are nevoie de imagine: cuvintele tale construiesc subiectul, decorul și acțiunea. Rețeta e WHO + WHERE + ACTION + CAMERA + SOUND. Descrie subiectul și decorul, dă-le o acțiune principală și o reacție, alege ce face camera și încheie cu sunetele pe care le vrei.
Imagine la video începe de la o poză pe care o încarci și o chemi cu /image1: urmat de numele ei. Rețeta devine STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND: păstrează identitatea, hainele și decorul existente, descrie cum se mișcă subiectul, ce reacționează la mișcare și unde se termină cadrul.
Referința la video folosește același flux de lucru cu un alt tip de prompt: până la patru imagini oferă trăsături selectate (față și păr, corp și ținută, decor, un obiect) în loc să definească scena de deschidere, și poți răspunde și la un video scurt încărcat de 5-10 secunde pentru a împrumuta acțiunea, timingul, camera și decorul.
Audio-ul e scris, nu încărcat. Pentru fluxurile de bază text și imagine, formatul oficial al promptului are trei câmpuri: integrated_multimodal_description pentru scenă, acțiuni, vorbitori și dialog exact; overall_soundscape pentru ambianță și sunete fizice; și non_diegetic_music pentru muzică, setat pe N/A când nu vrei muzică. Cuvintele rostite merg în taguri <d>[English] ... </d>, notele despre voce și livrare rămân în afara lor, iar fiecare vorbitor are un ID consecvent, de exemplu (S1). Direcțiile vagi de vorbire sunt unde începe bâlbâiala.
Referință
Nume | Tip | Ce este |
|---|---|---|
/workflow /run:omni-eros-h3 | command | |
/size:768x896 | setting | Lățime x înălțime a clipului în pixeli. |
/length:145 | setting | Cadre, nu secunde. La 24 fps implicit, 145 cadre sunt cam șase secunde. |
/image1:name | setting | Folosește o poză încărcată. În imagine la video e scena de deschidere; în modul de referință oferă doar trăsăturile pe care le atribui. Până la patru imagini (/image1 până la /image4). |
Reply to a video | reference | Răspunsul la un video încărcat de 5-10 secunde îi permite să controleze acțiunea, timingul, camera și decorul, sau să împrumute doar mișcarea pe care o numești. Referințele audio nu sunt suportate. |
WHO + WHERE + ACTION + CAMERA + SOUND | recipe | Rețeta text la video: subiect și decor, o acțiune principală și o reacție, o sarcină pentru cameră, apoi sunetele. |
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND | recipe | Rețeta imagine la video: numește ce e în poză, apoi spune ce se întâmplă după. |
integrated_multimodal_description | text | Scena, acțiunile, vorbitorii și dialogul lor exact, cadru cu cadru. |
overall_soundscape | text | Ambianță și sunete fizice auzite în timpul cadrului. |
non_diegetic_music | text | Muzica de fundal. Scrie N/A când nu vrei muzică. |
<d>[English] ... </d> | tag | Încapsulează cuvintele rostite exact. Notele despre voce și livrare rămân în afara tagurilor. |
(S1), (S2) | speaker ID | Etichetă consecventă pentru fiecare vorbitor, folosită de fiecare dată când vorbește. |
Pas cu pas
- Alege modul. Fără poză: text la video. O poză care trebuie să fie primul cadru: imagine la video cu /image1:. Poze sau video care trebuie să dea trăsături sau mișcare unei scene noi: modul de referință, aceeași comandă, prompt diferit.
- Înlocuiește etichetele de stare cu comportament. „Ea e ușurată” spune H3 emoția; „încuietoarea se deschide, umerii îi coboară și scoate un oftat” îi dă o cauză și o reacție vizibilă. Alege două sau trei comportamente legate în loc să dirijezi fiecare mușchi.
- Arată cauza și efectul. Fă mișcarea fizică: picioarele ating podeaua, genunchii se îndoaie, greutatea se mută, apoi corpul se așază. Pentru o aterizare, descrie cum se comprimă arcurile după atingerea solului.
- Dă camerei o singură sarcină clară. Specifică vederea de start, mișcarea și destinația: „împingere lentă de la talie în sus spre fața ei.” Un prim-plan nu poate arăta și toată camera; alege ce contează cel mai mult și păstrează obiectele importante în cadru.
- Descrie lumina care creează atmosfera. Înlocuiește o grămadă de cuvinte calitative cu alegeri vizibile: „lumină caldă de la lampa de birou pe fața ei, lumină rece de zi prin fereastra din spate.” Alege un stil coerent.
- Pentru imagine la video, pornește de la ce e acolo de fapt. Numește starea de început pe scurt („ea stă cu ambele mâini în jurul cănii”), apoi adaugă mișcare în straturi: o acțiune principală, apoi un răspuns mic cauzat de ea (părul urmează întoarcerea, mâneca se pliază). Potrivește încadrarea cu sarcina și încheie cu o reacție vie, nu un cadru înghețat.
- Pentru modul de referință, dă fiecărei referințe un rol înainte să descrii scena. Imaginea 1: față și păr. Imaginea 2: corp și ținută. Imaginea 3: decor. Imaginea 4: un obiect sau o altă vedere utilă. Spune care imagine câștigă când două sunt în contradicție și adaugă „nu afișa fotografiile de referință și nu copia pozițiile și fundalurile lor” când detaliile astea nu trebuie transferate.
- Scrie audio-ul la final și lasă spațiu pentru el. Citește dialogul cu pauzele intenționate; pentru șase secunde începe cu o replică scurtă. Descrie textura vocii și modul de livrare, apoi ambianța și muzica separat, și lasă acțiunea principală să se termine înainte să se încheie clipul.
- Dacă vorbirea iese incoerentă, simplific-o: un vorbitor, o propoziție scurtă completă, cuvintele reale în loc de „ea vorbește despre produs”, și punctuație înainte de </d>.
- Descrie pauzele. „Își închide gura și examinează obiectul în liniște” plus un sunet de fundal concret și liniștit pe tot parcursul oprește H3 să umple liniștea cu cuvinte în plus.
- În modul audio cu referință completă, leagă vocea explicit: <Audio 1> dă doar timbrul vocal al <Subject 1> (S1), iar cuvintele înregistrării originale nu se refolosesc. Acest mod are propriul format în șase secțiuni; vezi ghidul oficial de referință în linkurile de mai jos.
Exemple
Text la video: copiază și încearcă
/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.
Text la video: îmbunătățirea promptului
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.
Imagine la video: copiază și încearcă (un adult așezat la o masă; înlocuiește namehere cu numele imaginii încărcate)
/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.
Imagine la video: îmbunătățirea promptului
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.
Referință la video: o imagine de identitate, o scenă nouă
/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.
Referință la video: schimbare de personaj într-un video la care răspunzi
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.
Audio: un prompt de început în formatul oficial cu trei câmpuri
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
Sfaturi
- Începe cu o acțiune, o alegere pentru cameră și o replică scurtă. Dă reacției timp să se așeze.
- Dacă o bătaie dispare, scoate o acțiune concurentă înainte să adaugi instrucțiuni. Schimbă un singur lucru la următoarea redare ca să vezi ce a ajutat.
- Alege mișcare pe care poza o poate susține: un portret apropiat merge cu o privire, un zâmbet sau o replică scurtă; o imagine cu corp întreg lasă loc pentru mers sau dans; o interacțiune cu un obiect are nevoie să se vadă mâinile și obiectul de la început.
- Folosește o imagine clară și o mișcare mică la început. Când merge, adaugă o mișcare de cameră sau o a doua bătaie. Schimbarea tuturor lucrurilor odată face mai greu să repari un rezultat dezamăgitor.
- Dacă fața se schimbă în timpul unei întoarceri mari, încearcă o întoarcere mai mică cu camera fixă. Dacă un obiect se îndoaie sau alunecă, simplifică mai întâi mișcarea mâinii, păstrând imaginea și celelalte setări neschimbate pentru comparație.
- O imagine cu fața nu trebuie să dicteze ținuta și o imagine cu corpul nu trebuie să înlocuiască fața. Rolurile clare sunt mai bune decât o listă lungă de instrucțiuni „fă exact așa”. Nu ai nevoie de toate cele patru sloturi de imagine dacă mai puține referințe explică personajul.
- În modul de referință, judecă identitatea, mișcarea și audio separat: un clip frumos poate totuși să nu îndeplinească sarcina. Urmărește întoarcerile, suprapunerile de corpuri, mâinile, marginile hainelor și reflexiile, și ascultă, pentru că un video la care răspunzi poate păstra coloana sonoră originală.
- Pentru un cadru fără dialog, scoate vorbirea și descrie explicit personajul care face acțiunea în liniște, cu gura închisă.
- Dacă vocile nedorite persistă, încearcă un cadru mai scurt sau o altă generare. Când ai nevoie de liniște sigură, dezactivează sunetul generat și adaugă-ți sunetul dorit în editare.
Depanare
Clipul e șase secunde de nimic sau finalul e tăiat
De ce se întâmplă
Promptul cerea o poveste întreagă, mai multe acțiuni sau o replică lungă în 145 cadre.
Cum se repară
O acțiune, o alegere pentru cameră și o replică scurtă. Lasă acțiunea principală să se termine înainte să se încheie clipul și încheie cu o reacție („ține pe zâmbetul ei”) în loc de un eveniment nou. Dacă o bătaie dispare, scoate o acțiune concurentă înainte să adaugi instrucțiuni.
Fața se schimbă sau un obiect se îndoaie în timpul imaginii la video
De ce se întâmplă
O întoarcere mare, o imagine de start aglomerată sau mică, sau o mișcare a mâinii prea complexă pentru cadrele disponibile.
Cum se repară
Alege o imagine clară cu față și mâini lizibile și spațiu în direcția mișcării. Încearcă o întoarcere mai mică cu camera fixă, simplifică mișcarea mâinii și schimbă doar asta între redări.
Modul de referință copiază poziția sau fundalul pozei, sau amestecă două fețe
De ce se întâmplă
Imaginile nu au primit roluri sau două referințe de aspect au fost în contradicție și promptul nu spunea care câștigă.
Cum se repară
Atribuie un rol pe imagine (imaginea 1 controlează fața și părul, imaginea 2 doar hainele), adaugă „nu afișa fotografiile de referință și nu copia pozițiile și fundalurile lor” și dacă două referințe încă se contrazic încearcă o referință puternică înainte să adaugi mai multe.
Video-ul la care răspunzi a păstrat coloana sonoră originală
De ce se întâmplă
Referințele audio nu sunt suportate, iar un video la care răspunzi poate păstra coloana sonoră originală; instrucțiunile vizuale clare nu setează comportamentul audio.
Cum se repară
Descrie vocile noi, dialogul și efectele în prompt, ascultă rezultatul înainte să presupui că s-a schimbat și când ai nevoie de certitudine dezactivează sunetul și adaugă-ți sunetul în editare.
Incoerențe, cuvinte în plus și sunet vocal la început
De ce se întâmplă
Bâlbâieli aleatorii, cuvinte în plus și acel sunet vocal ciudat la început sunt raportate și de alți utilizatori H3. Sugestiile comunității pot ajuta, dar nu există o corecție universală verificată.
Cum se repară
Un vorbitor și o propoziție scurtă completă, punctuație înainte de </d>, o acțiune explicită silențioasă pentru pauze cu un sunet de fundal concret și o legare clară a vocii în modul cu referință completă. Dacă vocile apar în continuare, folosește un cadru mai scurt sau o altă generare, sau dezactivează sunetul și adaugă sunetul în editare.
Întrebări
/length e în secunde?
Nu, e în cadre. La 24 fps implicit, 145 cadre sunt cam șase secunde. Tratează asta ca un moment cu început, schimbare și final.
Care e diferența între imagine la video și modul de referință?
Aceeași comandă rulează ambele; promptul decide. În imagine la video poza e scena de deschidere și tot ce e în ea se păstrează. În modul de referință pozele oferă doar trăsăturile pe care le atribui (față, ținută, decor, un obiect) și descrii o compoziție, acțiune și decor nou.
Pot folosi un video de referință?
Da. Încarcă un video scurt de 5-10 secunde și răspunde la el cu comanda. Spune ce rol are: pentru schimbare de personaj, imaginea controlează aspectul iar video-ul acțiunea, timingul, camera și decorul; pentru o scenă nouă, numește doar mișcarea pe care vrei să o împrumuți.
Pot da lui H3 un eșantion de voce?
Nu în fluxul de bază: referințele audio nu sunt suportate acolo, așa că descrie vocea, dialogul și efectele în cuvinte. Modul audio cu referință completă, descris în ghidul de referință MiniMax, leagă un clip audio de un vorbitor cu propriul format de prompt în șase secțiuni.
Trebuie să scriu dialogul cuvânt cu cuvânt?
Da. Scrie cuvintele exacte în tagurile <d>[English] ... </d>. O descriere de genul „ea vorbește despre produs” e momentul când H3 începe să improvizeze.
Cum fac un cadru fără deloc vorbire?
Scoate dialogul și descrie personajul care face acțiunea în liniște, cu gura închisă, și dă un sunet de fundal liniștit și concret care continuă pe tot parcursul. Dacă vocile nedorite apar în continuare, încearcă un cadru mai scurt, o altă generare sau dezactivează sunetul și adaugă-ți propriul audio în editare.
Linkuri și surse
- PirateDiffusion (runs the omni-eros-h3 workflow from Telegram)AD
- MiniMax's official prompt writing guide
- Firsthand reports and workarounds (community discussion)
- Official dialogue rules and reference-mode format
- MiniMax H3 models in the catalog
Modele din acest ghid
Scris de
Scrie ghidurile lungi. A petrecut un deceniu în software enterprise și acum îl petrece explicând de ce workflow-ul tău ComfyUI are 94 de noduri și unul singur face toată treaba. Crede că modelul închis e un oxymoron, ca și trial-ul gratuit. Semnează ghidurile pentru că chiar le-a citit.
Toate ghidurile de Mark White
Ghiduri conexe
MiniMax H3 prompturi video: structura oficială
14 Sep 2026
Nodurile ComfyUI: documentație și depanare
2 Iun 2026
PirateDiffusion: folosește orice model din Telegram, fără GPU
3 Oct 2026
Mișcare umană mai bună pentru MiniMax H3: mișcare naturală și consecventă a corpului
1 Oct 2026
Mai multe ghiduri
MiniMax H3 Turbo LoRAs: video de 4-8 pași cu pachetul larryvrh
1 Oct 2026
Cele mai bune modele video AI open-source în 2026: ce poți descărca cu adevărat
14 Oct 2026
Cum să instalezi Wan2GP: AI pentru video și imagini pe GPU-uri cu VRAM redus
8 Oct 2026
Cât VRAM îți trebuie pentru video AI? Wan 2.2, HunyuanVideo 1.5 și LTX-2 după mărimea GPU-ului (2026)
6 Oct 2026
MiniMax H3 Combat BASE V2: mișcare de luptă, impact și dramă
1 Oct 2026