MiniMax H3 para prompts: texto a video, imagen a video, video de referencia y audio
Resumen
MiniMax H3 crea un clip corto con sus propias voces, sonidos y música a partir de un solo prompt. En PirateDiffusion funciona como un flujo de trabajo: escribe el comando, pon la descripción de la escena después y adjunta imágenes si el plano debe empezar desde o tomar prestado de una imagen. Seis segundos es un momento, no una película entera, así que cada prompt aquí describe una escena pequeña con un inicio, un cambio y un final claro.
Texto a video no necesita imagen: tus palabras construyen el sujeto, el lugar y la acción. La receta es QUIÉN + DÓNDE + ACCIÓN + CÁMARA + SONIDO. Describe el sujeto y el lugar, dale una acción principal y una reacción, elige qué hace la cámara y termina con los sonidos que quieres.
Imagen a video empieza con una foto que subes y llamas con /image1: seguido del nombre. La receta es IMAGEN INICIAL + MOVIMIENTO + REACCIÓN + CÁMARA + SONIDO: conserva la identidad, ropa y lugar, describe cómo se mueve el sujeto, qué responde a ese movimiento y dónde termina el plano.
Referencia a video usa el mismo flujo con un tipo distinto de prompt: hasta cuatro imágenes aportan rasgos seleccionados (cara y pelo, cuerpo y ropa, lugar, un objeto) en vez de definir la escena inicial, y también puedes responder a un video corto de 5 a 10 segundos para tomar su acción, ritmo, cámara y lugar.
El audio se escribe, no se sube. Para los flujos base de texto e imagen, el formato oficial del prompt tiene tres campos: integrated_multimodal_description para la escena, acciones, hablantes y diálogo exacto; overall_soundscape para ambiente y sonidos físicos; y non_diegetic_music para la música, pon N/A si no quieres música. Las palabras habladas van dentro de etiquetas <d>[English] ... </d>, las notas de voz y entrega quedan fuera, y cada hablante tiene un ID consistente como (S1). Las indicaciones vagas para el habla son donde empiezan los murmullos.
Referencia
Nombre | Tipo | Qué es |
|---|---|---|
/workflow /run:omni-eros-h3 | command | |
/size:768x896 | setting | Ancho x alto del clip en píxeles. |
/length:145 | setting | Cuadros, no segundos. A 24 fps por defecto, 145 cuadros son unos seis segundos. |
/image1:name | setting | Usa una imagen subida. En imagen a video es la escena inicial; en modo referencia solo aporta los rasgos que le asignas. Hasta cuatro imágenes (/image1 a /image4). |
Reply to a video | reference | Responder a un video subido de 5 a 10 segundos permite que controle la acción, ritmo, cámara y lugar, o que solo preste el movimiento que indiques. No se soportan referencias de audio. |
WHO + WHERE + ACTION + CAMERA + SOUND | recipe | La receta para texto a video: sujeto y lugar, una acción principal y una reacción, un trabajo de cámara y luego los sonidos. |
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND | recipe | La receta para imagen a video: nombra lo que hay en la imagen y luego dirige lo que pasa después. |
integrated_multimodal_description | text | La escena, las acciones, los hablantes y su diálogo exacto, plano por plano. |
overall_soundscape | text | Ambiente y sonidos físicos que se oyen durante el plano. |
non_diegetic_music | text | La música de fondo. Escribe N/A si no quieres música. |
<d>[English] ... </d> | tag | Envuelve las palabras habladas exactas. Las notas de voz y entrega quedan fuera de las etiquetas. |
(S1), (S2) | speaker ID | Etiqueta consistente para cada hablante, usada cada vez que habla esa persona. |
Paso a paso
- Elige el modo. Sin imagen: texto a video. Una imagen que debe ser el primer cuadro: imagen a video con /image1:. Imágenes o un video que deben aportar rasgos o movimiento a una escena nueva: modo referencia, mismo comando, prompt distinto.
- Cambia etiquetas de estado de ánimo por comportamiento. "Ella está aliviada" le dice a H3 la emoción; "el pestillo se abre, sus hombros bajan y suelta un suspiro" le da una causa y una respuesta visible. Elige dos o tres comportamientos ligados en vez de dirigir cada músculo.
- Muestra causa y efecto. Haz que el movimiento sea físico: los pies tocan el suelo, las rodillas se doblan, el peso cambia, luego el cuerpo se asienta. Para un aterrizaje, describe cómo se comprimen los amortiguadores tras el toque.
- Dale a la cámara un trabajo claro. Especifica la vista inicial, el movimiento y el destino: "empuje lento de un plano medio a su cara." Un primer plano no puede mostrar toda la habitación; elige lo que importa y mantén objetos importantes en cuadro.
- Describe la luz que crea el aspecto. Cambia un montón de palabras de calidad por elecciones visibles: "luz cálida de la lámpara de escritorio en su cara, luz fría del día por la ventana detrás." Escoge un estilo coherente.
- Para imagen a video, empieza con lo que realmente hay. Nombra brevemente el estado inicial ("ella está sentada con ambas manos alrededor de la taza"), luego añade movimiento en capas: una acción principal, luego una pequeña respuesta causada por ella (el pelo sigue el giro, una manga se pliega). Ajusta el encuadre a la tarea y termina con una reacción viva en vez de un cuadro congelado.
- Para modo referencia, dale a cada referencia un papel antes de describir la escena. Imagen 1: cara y pelo. Imagen 2: cuerpo y ropa. Imagen 3: lugar. Imagen 4: un objeto o una vista útil. Di qué imagen gana si dos no coinciden, y añade "no mostrar las fotos de referencia ni copiar sus poses y fondos" cuando esos detalles no deban transferirse.
- Escribe el audio al final y deja espacio para él. Lee el diálogo en voz alta con las pausas previstas; para seis segundos empieza con una línea corta. Describe la textura y entrega de la voz, luego el ambiente y la música por separado, y deja que la acción principal termine antes de que acabe el clip.
- Si el habla sale como galimatías, simplifícalo: un hablante, una frase corta completa, las palabras reales en vez de "ella habla del producto", y puntuación antes de </d>.
- Describe las pausas. "Ella cierra la boca y examina el objeto en silencio" más un sonido de fondo tranquilo y concreto durante todo el plano evita que H3 llene el silencio con palabras extras.
- En modo audio de referencia completa, vincula la voz explícitamente: <Audio 1> aporta solo el timbre vocal de <Subject 1> (S1), y no se reutilizan las palabras de la grabación original. Este modo tiene su propio formato de seis secciones; consulta la guía oficial en los enlaces abajo.
Ejemplos
Texto a video: copia y prueba
/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.
Texto a video: mejora del prompt
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.
Imagen a video: copia y prueba (un adulto sentado en una mesa; reemplaza namehere con el nombre de tu imagen subida)
/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.
Imagen a video: mejora del prompt
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.
Referencia a video: una imagen de identidad, una escena nueva
/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.
Referencia a video: cambio de personaje en un video respondido
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 inicial en el formato oficial de tres campos
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
Consejos
- Empieza con una acción, una elección de cámara y una línea corta. Dale tiempo a la reacción para asentarse.
- Si un momento desaparece, elimina una acción que compita antes de añadir más instrucciones. Cambia una cosa en la siguiente generación para saber qué ayudó.
- Elige un movimiento que la imagen pueda soportar: un retrato cerrado va bien para una mirada, una sonrisa o una línea corta; una imagen de cuerpo entero da espacio para caminar o bailar; una interacción con un objeto necesita manos y objeto visibles desde el inicio.
- Usa una imagen clara y un primer movimiento pequeño. Cuando eso funcione, añade un movimiento de cámara o un segundo momento. Cambiar todo a la vez hace que un resultado decepcionante sea más difícil de arreglar.
- Si la cara cambia durante un giro grande, prueba un giro más pequeño con cámara fija. Si un objeto se dobla o resbala, simplifica primero el movimiento de la mano, manteniendo la imagen y otros ajustes iguales para esa comparación.
- Una imagen de cara no debe dictar la ropa y una imagen de cuerpo no debe reemplazar la cara. Roles claros valen más que una larga lista de instrucciones "hazlo exacto". No necesitas las cuatro imágenes si menos referencias explican bien al personaje.
- En modo referencia, juzga identidad, movimiento y audio por separado: un clip bonito puede fallar en la tarea. Observa giros, cuerpos superpuestos, manos, bordes de ropa y reflejos, y escucha, porque un video respondido puede mantener su banda sonora original.
- Para un plano sin diálogo, quita el habla y describe explícitamente al personaje haciendo la acción en silencio, con la boca cerrada.
- Si persisten voces no deseadas, prueba un plano más corto o otra generación. Cuando necesites silencio seguro, silencia la pista generada y añade el sonido que quieres en la edición.
Solución de problemas
El clip son seis segundos de nada o el final está cortado
Por qué ocurre
El prompt pidió una historia completa, varias acciones o una línea larga de diálogo en 145 cuadros.
Cómo arreglarlo
Una acción, una elección de cámara y una línea corta. Deja que la acción principal termine antes de que acabe el clip y termina con una reacción ("mantén la sonrisa") en vez de un evento nuevo. Si un momento desaparece, elimina una acción que compita antes de añadir instrucciones.
La cara cambia o un objeto se dobla durante imagen a video
Por qué ocurre
Un giro grande, una imagen inicial desordenada o pequeña, o un movimiento de mano demasiado complejo para los cuadros disponibles.
Cómo arreglarlo
Elige una imagen clara con una cara y manos legibles y espacio en la dirección del movimiento. Prueba un giro más pequeño con cámara fija, simplifica el movimiento de la mano y cambia solo eso entre renders.
El modo referencia copia la pose o fondo de la foto, o mezcla dos caras
Por qué ocurre
No se dieron roles a las imágenes, o dos referencias de apariencia no coincidieron y el prompt no dijo cuál gana.
Cómo arreglarlo
Asigna un trabajo por imagen (imagen 1 controla cara y pelo, imagen 2 solo ropa), añade "no mostrar las fotos de referencia ni copiar sus poses y fondos", y si dos referencias aún chocan prueba una referencia fuerte antes de añadir más.
El video respondido mantuvo su banda sonora original
Por qué ocurre
No se soportan referencias de audio, y un video respondido puede mantener su pista original; instrucciones visuales claras no cambian el audio.
Cómo arreglarlo
Describe las voces nuevas, diálogo y efectos en el prompt, escucha el resultado antes de asumir que cambió, y cuando necesites certeza silencia la pista y añade tu sonido en edición.
Galimatías, palabras extras y ruido vocal al inicio
Por qué ocurre
Murmullos aleatorios, palabras extras y ese raro ruido vocal al inicio también reportados por otros usuarios de H3. Las sugerencias de la comunidad ayudan, pero no hay un arreglo universal verificado.
Cómo arreglarlo
Un hablante y una frase corta completa, puntuación antes de </d>, una acción silenciosa explícita para las pausas con un sonido de fondo concreto, y un vínculo claro de voz en modo referencia completa. Si aún aparecen voces, usa un clip más corto o otra generación, o silencia la pista y añade el sonido en edición.
Preguntas
¿/length está en segundos?
No, en cuadros. A 24 fps por defecto, 145 cuadros son unos seis segundos. Trátalo como un momento con inicio, cambio y final.
¿Cuál es la diferencia entre imagen a video y modo referencia?
El mismo comando corre ambos; el prompt decide. En imagen a video la foto es la escena inicial y todo en ella se mantiene. En modo referencia las fotos solo aportan los rasgos que asignas (cara, ropa, lugar, objeto) y describes una nueva composición, acción y lugar inicial.
¿Puedo usar un video de referencia?
Sí. Sube un video corto de 5 a 10 segundos y responde a él con el comando. Di cuál es su papel: para un cambio de personaje, la imagen controla la apariencia y el video la acción, ritmo, cámara y lugar; para una escena nueva, nombra solo el movimiento que quieres tomar.
¿Puedo darle a H3 una muestra de voz?
No en el flujo base: no se soportan referencias de audio ahí, así que describe la voz, diálogo y efectos con palabras. El modo audio de referencia completa, descrito en la guía de MiniMax, vincula un clip de audio a un hablante con su propio formato de seis secciones.
¿Tengo que escribir el diálogo palabra por palabra?
Sí. Escribe las palabras reales dentro de las etiquetas <d>[English] ... </d>. Una descripción como "ella habla del producto" es donde H3 empieza a improvisar.
¿Cómo hago un plano sin ningún diálogo?
Quita el diálogo y describe al personaje haciendo la acción en silencio con la boca cerrada, y pon un sonido de fondo tranquilo y concreto que dure todo el plano. Si aún aparecen voces no deseadas, prueba un plano más corto, otra generación o silencia la pista y añade tu audio en edición.
Enlaces y fuentes
- 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
Modelos de esta guía
Escrito por
Escribe las guías largas. Pasó una década en software empresarial y ahora la dedica a explicar por qué tu flujo de trabajo en ComfyUI tiene 94 nodos y uno solo hace todo el trabajo. Cree que modelo cerrado es un oxímoron, como prueba gratis. Firma sus guías porque realmente las leyó.
Todas las guías de Mark White
Guías relacionadas
Prompts de video MiniMax H3: la estructura oficial
14 de sep de 2026
Nodos de ComfyUI: documentación y solución de problemas
2 de jun de 2026
PirateDiffusion: ejecuta cualquier modelo desde Telegram, no se necesita GPU
3 de oct de 2026
Mejor movimiento humano para MiniMax H3: movimiento corporal natural y consistente
1 de oct de 2026
Más guías
MiniMax H3 Turbo LoRAs: video de 4-8 pasos con el paquete larryvrh
1 de oct de 2026
Los mejores modelos de video IA de código abierto en 2026: lo que realmente puedes descargar
14 de oct de 2026
Cómo instalar Wan2GP: IA para video e imágenes en GPUs con poca VRAM
8 de oct de 2026
¿Cuánta VRAM necesitas para video AI? Wan 2.2, HunyuanVideo 1.5 y LTX-2 según tamaño de GPU (2026)
6 de oct de 2026
MiniMax H3 Combat BASE V2: movimiento de pelea, impacto y drama
1 de oct de 2026