Pag-prompt sa MiniMax H3: teksto sa video, imahe sa video, reference na video at audio
Pangkalahatang-ideya
Gumagawa ang MiniMax H3 ng maikling clip na may sariling mga boses, tunog at musika mula sa isang prompt lang. Sa PirateDiffusion, tumatakbo ito bilang workflow: i-type ang command, ilagay ang paglalarawan ng eksena pagkatapos nito, at mag-attach ng mga larawan kapag gusto mong magsimula ang shot mula sa isang imahe o hiramin ito. Anim na segundo ay isang sandali lang, hindi buong pelikula, kaya bawat prompt sa ibaba ay naglalarawan ng isang maliit na eksena na may simula, pagbabago at malinaw na pagtatapos.
Hindi kailangan ng imahe ang teksto sa video: ang mga salita mo ang bumubuo sa paksa, lugar at aksyon. Ang formula ay WHO + WHERE + ACTION + CAMERA + SOUND. Ilarawan ang paksa at lugar, bigyan sila ng isang pangunahing aksyon at reaksyon, piliin kung ano ang gagawin ng camera, at tapusin sa mga tunog na gusto mo.
Nagsisimula ang imahe sa video mula sa larawang ina-upload mo at tinatawag gamit ang /image1: kasunod ang pangalan nito. Ang formula ay STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND: panatilihin ang pagkakakilanlan, damit at lugar, ilarawan kung paano gumagalaw ang paksa, ano ang tumutugon sa galaw na iyon at saan nagtatapos ang shot.
Gumagamit ang reference sa video ng parehong workflow pero ibang klase ng prompt: hanggang apat na larawan ang nagbibigay ng piling katangian (mukha at buhok, katawan at damit, lugar, isang gamit) sa halip na tukuyin ang opening scene, at pwede ka ring mag-reply sa maikling video na ina-upload ng mga 5 hanggang 10 segundo para hiramin ang aksyon, timing, camera at lugar nito.
Isinusulat ang audio, hindi ina-upload. Para sa base text at image workflows, may tatlong field ang official prompt format: integrated_multimodal_description para sa eksena, mga aksyon, mga nagsasalita at eksaktong diyalogo; overall_soundscape para sa ambience at mga tunog na pisikal; at non_diegetic_music para sa score, iset sa N/A kapag ayaw mo ng musika. Ang mga sinasalitang salita ay nilalagay sa loob ng <d>[English] ... </d> tags, ang mga tala tungkol sa boses at paraan ng pagsasalita ay nasa labas nito, at bawat nagsasalita ay may consistent na ID tulad ng (S1). Ang malabong direksyon sa pagsasalita ang pinagmumulan ng pag-ungol.
Sanggunian
Pangalan | Uri | Ano ito |
|---|---|---|
/workflow /run:omni-eros-h3 | command | Sinisimulan ang H3 workflow sa PirateDiffusion. Ang paglalarawan ng eksena ay ilalagay pagkatapos ng command. |
/size:768x896 | setting | Lapad x taas ng clip sa pixels. |
/length:145 | setting | Frames, hindi segundo. Sa default na 24 fps, ang 145 frames ay mga anim na segundo. |
/image1:name | setting | Gumagamit ng ina-upload na larawan. Sa image to video ito ang opening scene; sa reference mode, nagbibigay lang ito ng mga katangiang itinalaga mo. Hanggang apat na larawan (/image1 hanggang /image4). |
Reply to a video | reference | Ang pag-reply sa ina-upload na 5 hanggang 10 segundong video ay nagpapahintulot dito na kontrolin ang aksyon, timing, camera at lugar, o hiramin lang ang galaw na binanggit mo. Hindi sinusuportahan ang audio references. |
WHO + WHERE + ACTION + CAMERA + SOUND | recipe | Ang formula para sa teksto sa video: paksa at lugar, isang pangunahing aksyon at reaksyon, isang trabaho ng camera, tapos ang mga tunog. |
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND | recipe | Ang formula para sa imahe sa video: pangalanan kung ano ang nasa larawan, tapos idirekta kung ano ang susunod na mangyayari. |
integrated_multimodal_description | text | Ang eksena, mga aksyon, mga nagsasalita at eksaktong diyalogo, shot kada shot. |
overall_soundscape | text | Ambience at mga pisikal na tunog na naririnig habang tumatakbo ang shot. |
non_diegetic_music | text | Ang background score. Isulat ang N/A kapag ayaw mo ng musika. |
<d>[English] ... </d> | tag | Nilalagay ang eksaktong sinasalitang mga salita. Ang mga tala tungkol sa boses at paraan ng pagsasalita ay nasa labas ng tags. |
(S1), (S2) | speaker ID | Isang consistent na label para sa bawat nagsasalita, ginagamit sa bawat pagkakataon na nagsasalita ang taong iyon. |
Hakbang-hakbang
- Piliin ang mode. Walang larawan: teksto sa video. Isang larawan na dapat unang frame: imahe sa video gamit ang /image1:. Mga larawan o video na dapat hiramin ang mga katangian o galaw para sa bagong eksena: reference mode, parehong command, ibang prompt.
- Palitan ang mga mood label ng behavior. "She is relieved" ay nagsasabi sa H3 ng emosyon; "the latch opens, her shoulders drop and she lets out a breath" ay nagbibigay ng dahilan at nakikitang tugon. Pumili ng dalawa o tatlong magkakaugnay na kilos sa halip na idirekta ang bawat kalamnan.
- Ipakita ang sanhi at epekto. Gawing pisikal ang galaw: mga paa ay tumatapak sa sahig, mga tuhod yumuko, bigat lumilipat, tapos ang katawan ay humihinto. Para sa landing, ilarawan ang pag-compress ng mga strut pagkatapos tumapak.
- Bigyan ang camera ng isang malinaw na trabaho. Tukuyin ang panimulang view, galaw at destinasyon: "slow push from a waist-up view to her face." Hindi pwedeng ipakita ng close-up ang buong kwarto; piliin kung ano ang pinakamahalaga at panatilihin ang mga importanteng bagay sa frame.
- Ilarawan ang ilaw na lumilikha ng itsura. Palitan ang maraming salitang kalidad ng mga nakikitang pagpipilian: "warm light from the desk lamp on her face, cool daylight through the window behind her." Pumili ng isang consistent na estilo.
- Para sa imahe sa video, magsimula sa kung ano talaga ang naroroon. Pangalanan ang panimulang estado nang maikli ("she sits with both hands around the mug"), tapos magdagdag ng galaw nang paunti-unti: isang pangunahing aksyon, tapos maliit na tugon na dulot nito (ang buhok ay sumusunod sa pag-ikot, ang manggas ay natiklop). Iayon ang framing sa gawain at tapusin sa buhay na reaksyon sa halip na frozen na frame.
- Para sa reference mode, bigyan ang bawat reference ng trabaho bago ilarawan ang eksena. Larawan 1: mukha at buhok. Larawan 2: katawan at damit. Larawan 3: lugar. Larawan 4: isang gamit o ibang kapaki-pakinabang na view. Sabihin kung alin ang mananaig kapag may salungatan, at idagdag ang "do not display the reference photographs or copy their poses and backgrounds" kapag ayaw mong mailipat ang mga detalye.
- Isulat ang audio sa huli at mag-iwan ng puwang para dito. Basahin nang malakas ang diyalogo na may tamang paghinto; para sa anim na segundo, magsimula sa isang maikling linya. Ilarawan ang texture ng boses at paraan ng pagsasalita, tapos ang ambience at musika nang hiwalay, at hayaang matapos ang pangunahing aksyon bago matapos ang clip.
- Kung ang pagsasalita ay nagiging kalat, gawing simple: isang nagsasalita, isang maikling kumpletong pangungusap, ang totoong mga salita sa halip na "she talks about the product", at bantas bago ang </d>.
- Ilarawan ang mga paghinto. "She closes her mouth and silently examines the object" kasama ang tahimik at konkretong background sound sa buong shot ay pumipigil sa H3 na punuin ang katahimikan ng dagdag na salita.
- Sa full-reference audio mode, i-bind nang malinaw ang boses: <Audio 1> ay nagbibigay lang ng vocal timbre ni <Subject 1> (S1), at hindi ginagamit muli ang mga salita mula sa orihinal na recording. May sarili itong anim na bahagi na format; tingnan ang official reference guide sa mga link sa ibaba.
Mga halimbawa
Teksto sa video: copy at subukan
/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.
Teksto sa video: pag-upgrade ng 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.
Imahe sa video: copy at subukan (isang adulto na nakaupo sa mesa; palitan ang namehere ng pangalan ng ina-upload mong imahe)
/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.
Imahe sa video: pag-upgrade ng 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.
Reference sa video: isang identity image, bagong eksena
/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.
Reference sa video: pagpapalit ng karakter sa nireply-an na video
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: panimulang prompt sa official na tatlong field na format
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
Mga tip
- Magsimula sa isang aksyon, isang pagpili ng camera at isang maikling linya. Bigyan ng oras ang reaksyon para maipakita.
- Kung nawawala ang isang beat, alisin muna ang sumasalungat na aksyon bago magdagdag ng mga tagubilin. Baguhin ang isang bagay sa susunod na render para malaman kung ano ang nakatulong.
- Pumili ng galaw na kayang suportahan ng larawan: ang close portrait ay bagay sa tingin, ngiti o maikling linya; ang full-body image ay nagbibigay ng espasyo para sa paglakad o pagsayaw; ang pakikipag-interact sa bagay ay kailangan ng mga kamay at bagay na nakikita mula sa simula.
- Gumamit ng malinaw na imahe at maliit na unang galaw. Kapag gumana na iyon, magdagdag ng isang galaw ng camera o pangalawang beat. Ang pagbabago ng lahat nang sabay-sabay ay nagpapahirap ayusin ang hindi magandang resulta.
- Kung nagbabago ang mukha habang malaki ang pag-ikot, subukan ang mas maliit na pag-ikot na may fixed na camera. Kung ang isang bagay ay yumuko o dumulas, gawing simple muna ang galaw ng kamay, panatilihin ang imahe at ibang settings para sa paghahambing.
- Ang larawan ng mukha ay hindi dapat magdikta ng damit at ang larawan ng katawan ay hindi dapat pumalit sa mukha. Mas malinaw na mga papel kaysa sa mahabang listahan ng "gawing eksakto" na mga tagubilin. Hindi mo kailangan ang lahat ng apat na slot ng larawan kung mas kaunti ang mga reference na nagpapaliwanag sa karakter.
- Sa reference mode, suriin nang hiwalay ang pagkakakilanlan, galaw at audio: pwedeng maganda ang clip pero hindi nagawa ang gawain. Panoorin ang mga pag-ikot, nag-o-overlap na katawan, mga kamay, gilid ng damit at mga repleksyon, at makinig, dahil pwedeng manatili ang orihinal na soundtrack ng nireply-an na video.
- Para sa shot na walang diyalogo, alisin ang pagsasalita at ilarawan nang malinaw ang karakter na gumagawa ng aksyon nang tahimik, nakasara ang bibig.
- Kung may hindi gustong vocals pa rin, subukan ang mas maikling shot o ibang generation. Kapag kailangan mo ng tiyak na katahimikan, i-mute ang generated track at idagdag ang tunog na gusto mo sa editing.
Pag-aayos ng problema
Anim na segundo ng walang nangyayari, o naputol ang pagtatapos ng clip
Bakit ito nangyayari
Hiniling ng prompt ang buong kwento, maraming aksyon o mahabang linya ng diyalogo sa 145 frames.
Paano ayusin
Isang aksyon, isang pagpili ng camera at isang maikling linya. Hayaan matapos ang pangunahing aksyon bago matapos ang clip, at magtapos sa reaksyon ("hold on her smile") sa halip na bagong pangyayari. Kung nawawala ang isang beat, alisin muna ang sumasalungat na aksyon bago magdagdag ng tagubilin.
Nagbabago ang mukha o yumuko ang bagay habang nasa imahe sa video
Bakit ito nangyayari
Malaking pag-ikot, magulo o maliit na panimulang imahe, o galaw ng kamay na masyadong kumplikado para sa dami ng frames.
Paano ayusin
Pumili ng malinaw na imahe na may mababasang mukha at mga kamay at espasyo sa direksyon ng galaw. Subukan ang mas maliit na pag-ikot na may fixed na camera, gawing simple ang galaw ng kamay, at baguhin lang iyon sa pagitan ng mga render.
Kinokopya ng reference mode ang pose o background ng larawan, o pinaghalo ang dalawang mukha
Bakit ito nangyayari
Walang ibinigay na mga papel sa mga larawan, o may dalawang reference sa hitsura na salungat at hindi sinabi sa prompt kung alin ang mananaig.
Paano ayusin
Mag-assign ng isang trabaho kada larawan (larawan 1 ang mukha at buhok, larawan 2 ang damit lang), idagdag ang "do not display the reference photographs or copy their poses and backgrounds", at kung may salungatan pa rin, subukan muna ang isang malakas na reference bago magdagdag pa.
Nanatili ang orihinal na soundtrack ng nireply-an na video
Bakit ito nangyayari
Hindi sinusuportahan ang audio references, at pwedeng manatili ang orihinal na soundtrack ng nireply-an na video; hindi nakokontrol ng malinaw na tagubilin sa visual ang audio.
Paano ayusin
Ilarawan ang mga bagong boses, diyalogo at effects sa prompt, pakinggan ang resulta bago isipin na nagbago ito, at kapag kailangan ng katiyakan, i-mute ang track at idagdag ang tunog sa editing.
Kalat, dagdag na salita at opening vocal blip
Bakit ito nangyayari
Random na pag-ungol, dagdag na salita at kakaibang opening vocal blip ay naiulat din ng ibang H3 users. May mga suhestiyon mula sa komunidad pero walang verified na universal na ayos sa prompt.
Paano ayusin
Isang nagsasalita at isang maikling kumpletong pangungusap, bantas bago ang </d>, malinaw na tahimik na aksyon para sa mga paghinto na may konkretong background sound, at malinaw na voice binding sa full-reference mode. Kung lumalabas pa rin ang vocals, subukan ang mas maikling shot o ibang generation, o i-mute ang track at idagdag ang tunog sa editing.
Mga tanong
Ang /length ba ay sa segundo?
Hindi, sa frames. Sa default na 24 fps, ang 145 frames ay mga anim na segundo. Ituring ito bilang isang sandali na may simula, pagbabago at pagtatapos.
Ano ang pagkakaiba ng imahe sa video at reference mode?
Parehong command ang ginagamit; ang prompt ang nagdedesisyon. Sa imahe sa video, ang larawan ang opening scene at lahat ng nasa loob nito ay pinananatili. Sa reference mode, ang mga larawan ay nagbibigay lang ng mga katangiang itinalaga mo (mukha, damit, lugar, gamit) at ikaw ang naglalarawan ng bagong opening composition, aksyon at lugar.
Pwede ba akong gumamit ng reference video?
Oo. Mag-upload ng maikling video na mga 5 hanggang 10 segundo at mag-reply dito gamit ang command. Sabihin kung ano ang trabaho nito: para sa pagpapalit ng karakter, ang larawan ang kumokontrol sa hitsura at ang video ang kumokontrol sa aksyon, timing, camera at lugar; para sa bagong eksena, pangalanan lang ang galaw na gusto mong hiramin.
Pwede ba akong magbigay ng voice sample sa H3?
Hindi sa base workflow: hindi sinusuportahan ang audio references doon, kaya ilarawan ang boses, diyalogo at effects sa salita. Ang full-reference audio mode, na inilalarawan sa reference guide ng MiniMax, ay nagbi-bind ng audio clip sa isang speaker gamit ang sarili nitong anim na bahagi na prompt format.
Kailangan ko bang isulat ang diyalogo nang eksakto?
Oo. Isulat ang totoong mga salita sa loob ng <d>[English] ... </d> tags. Ang paglalarawan tulad ng "she talks about the product" ang pinagmumulan ng improvisasyon ng H3.
Paano ako makakakuha ng shot na walang salita?
Alisin ang diyalogo at ilarawan nang malinaw ang karakter na gumagawa ng aksyon nang tahimik, nakasara ang bibig, at bigyan ang soundscape ng tahimik at konkretong tunog na tuloy-tuloy. Kung may lumalabas pa ring hindi gustong boses, subukan ang mas maikling shot, ibang generation, o i-mute ang track at idagdag ang sariling audio sa editing.
Mga link at pinagmulan
- 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
Mga model sa gabay na ito
Isinulat ni
Nagsusulat ng mahahabang gabay. Nagtrabaho ng isang dekada sa enterprise software at ngayon ipinaliwanag kung bakit ang ComfyUI workflow mo ay may 94 nodes at isa lang ang gumagawa ng trabaho. Iniisip na ang closed model ay isang oxymoron, tulad ng free trial. Nilalagdaan ang mga gabay niya dahil talaga niyang binasa.
Lahat ng gabay ni Mark White
Mga kaugnay na gabay
MiniMax H3 video prompts: ang opisyal na istruktura
Set 14, 2026
Mga node ng ComfyUI: dokumentasyon at pag-aayos ng problema
Hun 2, 2026
PirateDiffusion: patakbuhin ang kahit anong modelo mula sa Telegram, hindi kailangan ng GPU
Okt 3, 2026
Mas Magandang Galaw ng Tao para sa MiniMax H3: natural at consistent na kilos ng katawan
Okt 1, 2026
Higit pang gabay
MiniMax H3 Turbo LoRAs: 4-8 step na video gamit ang larryvrh pack
Okt 1, 2026
Pinakamahusay na open-source AI video models sa 2026: ano talaga ang pwede mong i-download
Okt 14, 2026
Paano i-install ang Wan2GP: AI video at mga larawan sa low-VRAM GPUs
Okt 8, 2026
Gaano karaming VRAM ang kailangan mo para sa AI video? Wan 2.2, HunyuanVideo 1.5 at LTX-2 ayon sa laki ng GPU (2026)
Okt 6, 2026
MiniMax H3 Combat BASE V2: galaw sa laban, impact at drama
Okt 1, 2026