MiniMax H3 prompturi video: structura oficială

Subiect: Modele video

Publicat 14 Sep 2026

Prezentare generală

MiniMax H3 face video cu sunet dintr-un singur prompt. Sunt patru sarcini: T2VA construiește întregul timeline audiovizual din text; I2VA pornește de la primul cadru și dezvoltă înainte; FL2VA merge de la primul cadru la ultimul; L2VA converge spre ultimul cadru dintr-o stare anterioară plauzibilă. Corpul promptului e același pentru toate patru. Cele trei sarcini cu imagine adaugă o linie de instrucțiuni în față.

Un prompt finalizat are două părți: linia de instrucțiuni (doar pentru sarcinile cu imagine), o linie goală, apoi cele trei câmpuri principale integrated_multimodal_description, overall_soundscape și non_diegetic_music, fiecare pe un paragraf separat și scrise în engleză. Fiecare detaliu din ele trebuie să fie ceva ce privitorul poate vedea sau auzi.

Acest ghid rezumă documentul oficial într-un tabel de referință, o ordine de scriere, exemple oficiale și regulile la care oamenii se împiedică. Sursa este legată mai sus și rămâne autoritatea când apar diferențe.

Referință

Nume	Tip	Ce este
integrated_multimodal_description	core field	Timeline-ul, cadru cu cadru: stil vizual, compoziție, subiecți și pozițiile lor, scenă și recuzită, acțiuni și reacții, tăieturi, mișcări de cameră, vorbitori, dialog, cântat și sunetul diegetic care le însoțește.
overall_soundscape	core field	Un paragraf de 1 până la 4 propoziții: sunet ambiental, sunete de acțiune fizică și sunete umane non-verbale (vânt, ploaie, trafic, pași, țesătură, impacturi, respirație, râs) pe tot parcursul videoclipului. Fără dialog, cântat sau muzică diegetică aici. N/A doar când utilizatorul cere liniște totală.
non_diegetic_music	core field	1 până la 3 propoziții despre coloana sonoră pe care o aude doar publicul: instrumentație, tempo, ritm și schimbări dinamice. Fără cuvinte despre stare sau explicații despre rolul emoțional. N/A când nu există coloană sonoră.
I2VA instruction	first line	Pentru videoclipul țintă, la 0.00 secunde în videoclipul țintă, <Picture 1> (din [Shot 1]) este complet referențiat.
FL2VA instruction	first line	Cum se aliniază imaginile de referință cu videoclipul țintă — Picture 1 (din Shot 1) se aliniază cu marca de 0.00 secunde a videoclipului țintă; Picture 2 (din Shot N) se aliniază cu marca de S.SS secunde a videoclipului țintă.
L2VA instruction	first line	Cum se aliniază imaginile de referință cu videoclipul țintă — <Picture 1> (din [Shot N]) se aliniază cu marca de S.SS secunde a videoclipului țintă. N este indexul cadrului final real; S.SS este durata videoclipului cu exact două zecimale.
[Shot 1]	shot marker	Deschide descrierea. Fără marcaj temporal. Începe cu stilul general (Cinematic, live-action, 2D-animated, 3D CG, claymation, watercolor, vintage film) și prima compoziție.
[Shot 2] At 00:03.500, the camera cuts to ...	shot marker	Fiecare cadru ulterior: un număr secvențial și un timp de tăietură strict crescător în interiorul duratei videoclipului, apoi fraza de tăietură și ce arată noul cadru.
(S1), (S2), (S1,S2)	speaker ID	Un ID stabil pentru fiecare subiect care vorbește, cântă sau se aude din off; același ID în toate cadrele; un ID compus când vorbitorii numerotați vocalizează împreună. Personajele care nu vocalizează deloc nu primesc ID.
<d>[English] ... </d>	dialogue tag	Doar eticheta de limbă și cuvintele exacte rostite, cu fiecare cuvânt și semn de punctuație păstrate. Cine vorbește, acțiunea și modul de livrare rămân în afara etichetei.
"..."	on-screen text	Orice banner, semn, etichetă, subtitrare sau text neon care este cu adevărat vizibil, în ghilimele duble englezești, exact cum apare, netradus.
camera motion	phrase	Tipul mișcării, plus amplitudinea și viteza doar când contează, scris ca o acțiune naturală în cadru: Camera se apropie cu amplitudine mică și viteză lentă spre scrisoarea pliată din mâinile ei.
says in an off-screen voiceover	fixed phrase	Singura formulare pentru voiceover. Imediat după blocul <d>, se spune că buzele personajului de pe ecran rămân complet închise.

Pas cu pas

Alege sarcina. Pentru T2VA începe direct cu cele trei câmpuri principale. Pentru I2VA, FL2VA și L2VA scrie instrucțiunea de aliniere ca prima linie, lasă o linie goală, apoi scrie câmpurile. N este indexul cadrului final și S.SS durata efectivă cu două zecimale.
Deschide [Shot 1] cu stilul și compoziția inițială. Pentru o sarcină cu imagine ia stilul din imaginea de referință și păstrează identitatea, hainele, culorile, obiectele cheie și relațiile spațiale consistente cu ea; pentru T2VA alege stilul din cerere.
Scrie restul descrierii de-a lungul timeline-ului: apariția și poziția subiecților, scena și recuzita cheie, acțiuni și reacții, schimbări de cadru, cuvinte rostite și sunetul diegetic sincronizat. Lasă deoparte orice nu se poate vedea sau auzi.
Taie doar când noul cadru aduce informații noi despre subiect, spațiu, stare, punct de vedere sau timp. Numerotează cadrele în ordine și începe fiecare cadru ulterior cu un timp de tăietură strict crescător. Când se schimbă doar distanța sau un unghi mic, mișcă camera în loc să tai.
Scrie mișcările camerei ca acțiuni: tipul mișcării, apoi cu amplitudine mică sau mare și la viteză lentă sau rapidă doar când contează. Amplitudinea medie și viteza normală se omit.
Introdu fiecare voce la prima apariție cu destule detalii ca să rămână stabilă (tip personaj, vârstă, gen, pe ecran sau din off, tonalitate, timbru, ritm vorbire, accent) și cu ID-ul ei. Pune cuvintele exacte în <d>[English] ... </d>, păstrând punctuația, și nu le traduce sau rescrie.
Pentru voiceover folosește exact expresia says in an off-screen voiceover și adaugă imediat după etichetă că buzele personajului de pe ecran rămân complet închise.
Când o replică sau versuri trec peste o tăietură, etichetează ambele părți și spune că sunetul continuă peste tăietură (continues seamlessly across the cut, continues uninterrupted into the next shot, carries over from the previous shot, remains audible across the transition). Vorbirea întreruptă de sfârșitul videoclipului se etichetează la fel.
Pune textul vizibil pe ecran în ghilimele duble, exact cum apare.
Scrie overall_soundscape ca un paragraf de 1 până la 4 propoziții despre ambianță, sunete de acțiune și sunete umane non-verbale pentru tot videoclipul. Dialogul, cântatul și muzica pe care personajele le aud sunt deja în descriere, deci nu le repeta.
Scrie non_diegetic_music în 1 până la 3 propoziții despre instrumente, tempo, ritm și dinamici, sau N/A. Muzica de la radio, televizor, telefon și cântatul live sunt diegetice și apar în descriere.
Pentru o sarcină cu imagine urmează calea recomandată. I2VA: ancoră primul cadru, începutul acțiunii, dezvoltare continuă, rezultat sau reacție. FL2VA: stare primul cadru, schimbări intermediare observabile, diferențe care se restrâng progresiv, stare ultim cadru, de obicei într-un singur cadru. L2VA: stare anterioară plauzibilă, acțiune explicită și cale de tranziție, convergență graduală în ultimul cadru, aterizare în ultimul cadru.

Exemple

Mișcarea camerei scrisă ca o acțiune

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.

Vorbitori, dialog și 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.

Caz 1: T2VA (doar text)

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.

Caz 2: I2VA (primul cadru)

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.

Caz 3: FL2VA (primul și ultimul cadru, un cadru de opt secunde)

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

Caz 4: L2VA (ultimul cadru, un cadru de șase secunde)

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.

Sfaturi

Tipurile de mișcare numite în ghid: Zoom In / Zoom Out (schimbări de distanță focală, camera fixă), Push In / Pull Out (camera se mișcă înainte sau înapoi), Pan Left / Right (lentila pivotează orizontal), Truck Left / Right (camera alunecă lateral), Tilt Up / Down (lentila pivotează vertical), Pedestal Up / Down (camera urcă sau coboară), Arc Shot, Tracking Shot, Static Shot, Shake Slightly / Shake Strongly, POV, Roll Clockwise / Counterclockwise.
Amplitudine: cu amplitudine mică, cu amplitudine mare. Viteză: la viteză lentă, la viteză rapidă.
Formulări pentru tăieturi: the camera cuts to, the shot cuts to, the shot transitions to, the shot changes to, the shot switches to. Cross-dissolve, fade și wipe doar când utilizatorul le cere explicit.
FL2VA preferă un singur cadru ca modelul să poată interpola continuu; folosește mai multe cadre doar când sunt specificate explicit, iar ultimul cadru trebuie atins de cadrul final la sfârșitul videoclipului.
Pentru L2VA imaginea aparține ultimului cadru, nu lui Shot 1. Pornește dintr-o stare anterioară care ar putea duce plauzibil la ea.
Câmpul muzică e despre instrumente, viteză, ritm și dinamici. Lasă deoparte cuvintele despre stare și ce ar trebui să simtă publicul.
Descrie sunetul legat de o acțiune în descriere lângă acțiune; peisajul sonor e sumarul pentru tot videoclipul, nu un al doilea scenariu.

Descrie instrumentele, tempo, ritmul și dinamica în câmpul muzică; păstrează peisajul sonor pentru ambianță, sunete de acțiune și sunete umane non-verbale.

Întrebări

Primul cadru trebuie să aibă marcaj temporal?

Nu. [Shot 1] nu are timp. Fiecare cadru ulterior începe cu un timp de tăietură strict crescător care cade în interiorul duratei videoclipului, de exemplu [Shot 2] At 00:03.500, the camera cuts to ...

Ce intră în eticheta de dialog?

Doar eticheta de limbă și conținutul exact vorbit, cu fiecare cuvânt și semn de punctuație păstrate literal. Identitatea vorbitorului, ID-ul, acțiunea și modul de livrare rămân în afara etichetei.

Ce se întâmplă dacă nimeni nu vorbește?

Atunci niciun personaj nu primește ID de vorbitor. Peisajul sonor descrie în continuare ambianța și sunetele de acțiune; N/A e rezervat pentru un videoclip care trebuie să fie complet mut.

Poate un prompt FL2VA să aibă mai multe cadre?

Doar când utilizatorul le cere explicit. Un singur cadru permite modelului să interpoleze de la primul la ultimul; indiferent de număr, ultimul cadru trebuie atins de cadrul final.

Unde merge muzica pe care personajele o aud?

Muzica de la radio, televizor, telefon, instrumente și cântat sunt evenimente diegetice și apar în integrated_multimodal_description. non_diegetic_music e doar pentru coloana sonoră pe care o aude publicul.

Există un format pentru audio de referință și clonare vocală?

Da. Modul full-reference are propriul format în șase secțiuni în ghidul de referință MiniMax, legat mai jos. Ghidul de prompting audio al lui Mark White explică cum să legi o voce de referință de un vorbitor.

Linkuri și surse

Modele din acest ghid

Modele MiniMax H3

Scris de

Captain

Conduce această navă. Are opinii despre timpii de decodare VAE pe care nimeni nu le-a cerut. Crede că greutățile vor să fie libere și că orice model pe care nu îl poți descărca este un abonament cu pași suplimentari. Nu va răspunde la întrebări despre cele 400 GB de checkpoint-uri de pe NAS.

Toate ghidurile de Captain

MiniMax H3: text la video, imagine la video, video de referință și audio

20 Sep 2026

Nodurile ComfyUI: documentație și depanare

2 Iun 2026

Wan 2.2 video: configurare text-la-video și imagine-la-video, setări și LoRA-uri

24 Mai 2026

Mai multe ghiduri

Cele mai bune modele video AI open-source în 2026: ce poți descărca cu adevărat

14 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

Generarea video AI pentru începători: de la imagine la video, de la text la video și primul clip cu Wan, LTX-2 și H3

29 Apr 2026

MiniMax H3 Turbo LoRAs: video de 4-8 pași cu pachetul larryvrh

1 Oct 2026

Cum să instalezi Wan2GP: AI pentru video și imagini pe GPU-uri cu VRAM redus

8 Oct 2026