Hướng dẫn MiniMax H3: từ văn bản thành video, từ hình ảnh thành video, video tham khảo và âm thanh
Tổng quan
MiniMax H3 tạo ra một đoạn clip ngắn với giọng nói, âm thanh và nhạc riêng từ một prompt duy nhất. Trên PirateDiffusion nó chạy dưới dạng workflow: gõ lệnh, thêm mô tả cảnh sau lệnh, và đính kèm hình khi cảnh bắt đầu từ hoặc mượn từ ảnh. Sáu giây là một khoảnh khắc, không phải cả bộ phim, nên mỗi prompt dưới đây mô tả một cảnh nhỏ với bắt đầu, thay đổi và kết thúc rõ ràng.
Từ văn bản thành video không cần ảnh: lời bạn tạo nên chủ thể, bối cảnh và hành động. Công thức là WHO + WHERE + ACTION + CAMERA + SOUND. Mô tả chủ thể và bối cảnh, cho họ một hành động chính và một phản ứng, chọn cách máy quay di chuyển, rồi kết thúc với âm thanh bạn muốn.
Từ hình ảnh thành video bắt đầu từ một ảnh bạn tải lên và gọi bằng /image1: theo sau là tên ảnh. Công thức thành STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND: giữ nguyên đặc điểm, trang phục và bối cảnh, mô tả cách chủ thể di chuyển, phản ứng với chuyển động đó và nơi cảnh kết thúc.
Tham khảo video dùng cùng workflow với prompt khác: tối đa bốn ảnh cung cấp các đặc điểm chọn lọc (khuôn mặt và tóc, cơ thể và trang phục, bối cảnh, đạo cụ) thay vì định nghĩa cảnh mở đầu, và bạn cũng có thể trả lời một video ngắn tải lên khoảng 5 đến 10 giây để mượn hành động, thời gian, máy quay và bối cảnh.
Âm thanh được viết, không tải lên. Với workflow văn bản và hình ảnh cơ bản, định dạng prompt chính thức có ba trường: integrated_multimodal_description cho cảnh, hành động, người nói và thoại chính xác; overall_soundscape cho âm thanh môi trường và vật lý; và non_diegetic_music cho nhạc nền, ghi N/A khi không muốn nhạc. Lời nói được đặt trong thẻ <d>[English] ... </d>, ghi chú giọng nói và cách diễn ngoài thẻ, mỗi người nói giữ ID nhất quán như (S1). Hướng dẫn nói mơ hồ là nơi bắt đầu lí nhí.
Tham khảo
Tên | Kiểu | Ý nghĩa |
|---|---|---|
/workflow /run:omni-eros-h3 | command | |
/size:768x896 | setting | Chiều rộng x chiều cao của clip tính bằng pixel. |
/length:145 | setting | Số khung hình, không phải giây. Ở tốc độ mặc định 24 fps, 145 khung hình tương đương khoảng sáu giây. |
/image1:name | setting | Dùng ảnh tải lên. Trong hình ảnh thành video, đây là cảnh mở đầu; trong chế độ tham khảo, ảnh chỉ cung cấp đặc điểm bạn giao. Tối đa bốn ảnh (/image1 đến /image4). |
Reply to a video | reference | Trả lời một video tải lên dài khoảng 5 đến 10 giây cho phép nó điều khiển hành động, thời gian, máy quay và bối cảnh, hoặc chỉ mượn chuyển động bạn chỉ định. Không hỗ trợ tham khảo âm thanh. |
WHO + WHERE + ACTION + CAMERA + SOUND | recipe | Công thức từ văn bản thành video: chủ thể và bối cảnh, một hành động chính và một phản ứng, một nhiệm vụ máy quay, rồi âm thanh. |
STARTING IMAGE + MOVEMENT + REACTION + CAMERA + SOUND | recipe | Công thức từ hình ảnh thành video: gọi tên những gì có trong ảnh, rồi chỉ đạo diễn biến tiếp theo. |
integrated_multimodal_description | text | Cảnh, hành động, người nói và thoại chính xác, từng cảnh quay. |
overall_soundscape | text | Âm thanh môi trường và vật lý nghe được trong cảnh. |
non_diegetic_music | text | Nhạc nền. Ghi N/A khi không muốn nhạc. |
<d>[English] ... </d> | tag | Bao quanh lời nói chính xác. Ghi chú giọng nói và cách diễn nằm ngoài thẻ. |
(S1), (S2) | speaker ID | Nhãn nhất quán cho mỗi người nói, dùng mỗi lần họ nói. |
Từng bước
- Chọn chế độ. Không có ảnh: từ văn bản thành video. Có ảnh làm khung đầu tiên: hình ảnh thành video với /image1:. Ảnh hoặc video dùng để mượn đặc điểm hoặc chuyển động cho cảnh mới: chế độ tham khảo, cùng lệnh, prompt khác.
- Thay nhãn tâm trạng bằng hành vi. "Cô ấy thấy nhẹ nhõm" cho H3 biết cảm xúc; "khóa mở, vai cô ấy thả lỏng và thở ra" cho nó nguyên nhân và phản ứng rõ ràng. Chọn hai hoặc ba hành vi liên kết thay vì chỉ đạo từng cơ bắp.
- Thể hiện nguyên nhân và kết quả. Làm chuyển động có tính vật lý: chân chạm sàn, đầu gối gập, trọng lượng dồn, rồi cơ thể ổn định. Với cảnh hạ cánh, mô tả các thanh chống nén sau khi chạm đất.
- Giao cho máy quay một nhiệm vụ rõ ràng. Xác định góc nhìn bắt đầu, chuyển động và điểm đến: "đẩy chậm từ góc nhìn ngang eo lên mặt cô ấy." Cảnh cận không thể hiện toàn bộ phòng; chọn điều quan trọng nhất và giữ vật quan trọng trong khung hình.
- Mô tả ánh sáng tạo nên phong cách. Thay đống từ ngữ chất lượng bằng lựa chọn nhìn thấy được: "ánh sáng ấm từ đèn bàn chiếu lên mặt, ánh sáng ban ngày mát mẻ qua cửa sổ phía sau." Chọn một phong cách nhất quán.
- Với hình ảnh thành video, bắt đầu từ những gì có thật. Nói ngắn gọn trạng thái mở đầu ("cô ấy ngồi, hai tay ôm cốc"), rồi thêm chuyển động theo lớp: một hành động chính, rồi phản ứng nhỏ theo sau (tóc theo chuyển động, tay áo gấp lại). Phù hợp khung hình với nhiệm vụ và kết thúc bằng phản ứng sống động thay vì khung hình tĩnh.
- Với chế độ tham khảo, giao việc cho từng ảnh trước khi mô tả cảnh. Ảnh 1: khuôn mặt và tóc. Ảnh 2: cơ thể và trang phục. Ảnh 3: bối cảnh. Ảnh 4: đạo cụ hoặc góc nhìn hữu ích khác. Nói ảnh nào ưu tiên khi hai ảnh mâu thuẫn, và thêm "không hiển thị ảnh tham khảo hoặc sao chép tư thế và nền của chúng" khi không muốn chuyển những chi tiết đó.
- Viết âm thanh cuối cùng và để chỗ cho nó. Đọc thoại to với các khoảng nghỉ dự kiến; với sáu giây bắt đầu bằng một câu ngắn. Mô tả chất giọng và cách diễn, rồi âm thanh môi trường và nhạc riêng biệt, và để hành động chính kết thúc trước khi clip dừng.
- Nếu lời nói thành tiếng lảm nhảm, đơn giản hóa: một người nói, một câu ngắn đầy đủ, dùng từ thật thay vì "cô ấy nói về sản phẩm", và dấu câu trước </d>.
- Mô tả các khoảng nghỉ. "Cô ấy khép miệng và lặng lẽ xem xét vật" cùng âm thanh nền yên tĩnh, cụ thể xuyên suốt giúp H3 không thêm lời thừa vào khoảng lặng.
- Ở chế độ âm thanh tham khảo đầy đủ, ràng buộc giọng nói rõ ràng: <Audio 1> chỉ cung cấp tông giọng của <Subject 1> (S1), và lời ghi âm gốc không được dùng lại. Chế độ này có định dạng sáu phần riêng; xem hướng dẫn tham khảo chính thức trong các liên kết dưới đây.
Ví dụ
Từ văn bản thành video: sao chép và thử
/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.
Từ văn bản thành video: nâng cấp 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.
Từ hình ảnh thành video: sao chép và thử (người lớn ngồi bàn; thay namehere bằng tên ảnh bạn tải lên)
/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.
Từ hình ảnh thành video: nâng cấp 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.
Tham khảo video: một ảnh đặc điểm, cảnh mới
/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.
Tham khảo video: đổi nhân vật trong video trả lời
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.
Âm thanh: prompt khởi đầu theo định dạng ba trường chính thức
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
Mẹo
- Bắt đầu với một hành động, một lựa chọn máy quay và một câu ngắn. Cho phản ứng thời gian để thể hiện.
- Nếu một nhịp biến mất, bỏ hành động cạnh tranh trước khi thêm hướng dẫn. Thay đổi một thứ trong lần tạo tiếp theo để biết điều gì giúp.
- Chọn chuyển động phù hợp với ảnh: chân dung cận phù hợp với cái nhìn, nụ cười hoặc câu ngắn; ảnh toàn thân cho đi bộ hoặc nhảy; tương tác với vật cần thấy tay và vật từ đầu.
- Dùng ảnh rõ và chuyển động đầu nhỏ. Khi điều đó ổn, thêm một chuyển động máy quay hoặc nhịp thứ hai. Thay đổi mọi thứ cùng lúc làm kết quả khó sửa.
- Nếu mặt thay đổi khi quay lớn, thử quay nhỏ hơn với máy quay cố định. Nếu vật cong hoặc trượt, đơn giản hóa chuyển động tay trước, giữ nguyên ảnh và cài đặt khác để so sánh.
- Ảnh mặt không nên quyết định trang phục và ảnh cơ thể không thay thế mặt. Vai trò rõ ràng tốt hơn danh sách dài "làm chính xác". Không cần đủ bốn ảnh nếu ít ảnh hơn đã giải thích nhân vật.
- Ở chế độ tham khảo, đánh giá đặc điểm, chuyển động và âm thanh riêng: clip đẹp vẫn có thể không đúng nhiệm vụ. Xem kỹ các cú quay, thân người chồng lên nhau, tay, mép quần áo và phản chiếu, và nghe vì video trả lời có thể giữ nhạc gốc.
- Với cảnh không thoại, bỏ lời và mô tả nhân vật làm hành động lặng lẽ, miệng đóng.
- Nếu giọng không mong muốn vẫn còn, thử cảnh ngắn hơn hoặc tạo lại. Khi cần yên tĩnh chắc chắn, tắt tiếng bản tạo và thêm âm thanh bạn muốn trong chỉnh sửa.
Khắc phục sự cố
Clip sáu giây không có gì hoặc kết thúc bị cắt
Vì sao xảy ra
Prompt yêu cầu cả câu chuyện, nhiều hành động hoặc đoạn thoại dài trong 145 khung hình.
Cách sửa
Một hành động, một lựa chọn máy quay và một câu ngắn. Để hành động chính kết thúc trước khi clip dừng, và kết thúc bằng phản ứng ("giữ nụ cười") thay vì sự kiện mới. Nếu một nhịp biến mất, bỏ hành động cạnh tranh trước khi thêm hướng dẫn.
Mặt thay đổi hoặc vật cong khi từ hình ảnh thành video
Vì sao xảy ra
Quay lớn, ảnh mở đầu lộn xộn hoặc nhỏ, hoặc chuyển động tay quá phức tạp so với khung hình.
Cách sửa
Chọn ảnh rõ với mặt và tay dễ đọc và không gian theo hướng chuyển động. Thử quay nhỏ hơn với máy quay cố định, đơn giản hóa chuyển động tay, và chỉ thay đổi điều đó giữa các lần tạo.
Chế độ tham khảo sao chép tư thế hoặc nền ảnh, hoặc trộn hai mặt
Vì sao xảy ra
Ảnh không được giao việc, hoặc hai ảnh đặc điểm mâu thuẫn và prompt không nói ảnh nào ưu tiên.
Cách sửa
Giao một việc cho mỗi ảnh (ảnh 1 kiểm soát mặt và tóc, ảnh 2 kiểm soát trang phục), thêm "không hiển thị ảnh tham khảo hoặc sao chép tư thế và nền", và nếu vẫn mâu thuẫn thử một ảnh mạnh trước khi thêm nữa.
Video trả lời giữ nhạc gốc
Vì sao xảy ra
Không hỗ trợ tham khảo âm thanh, và video trả lời có thể giữ nhạc gốc; hướng dẫn hình ảnh rõ không điều khiển âm thanh.
Cách sửa
Mô tả giọng nói, thoại và hiệu ứng mới trong prompt, nghe kết quả trước khi nghĩ nó đã thay đổi, và khi cần chắc chắn tắt tiếng bản tạo và thêm âm thanh trong chỉnh sửa.
Lí nhí, lời thừa và tiếng mở đầu lạ
Vì sao xảy ra
Lí nhí, lời thừa và tiếng mở đầu lạ cũng được nhiều người dùng H3 báo cáo. Gợi ý cộng đồng có thể giúp, nhưng không có cách sửa prompt chung xác thực.
Cách sửa
Một người nói và câu ngắn đầy đủ, dấu câu trước </d>, hành động im lặng rõ ràng với âm thanh nền cụ thể, và ràng buộc giọng rõ trong chế độ tham khảo đầy đủ. Nếu vẫn có giọng, thử clip ngắn hơn hoặc tạo lại, hoặc tắt tiếng và thêm âm thanh trong chỉnh sửa.
Câu hỏi
/length có phải tính theo giây không?
Không, tính theo khung hình. Ở tốc độ mặc định 24 fps, 145 khung hình tương đương khoảng sáu giây. Xem đó là một khoảnh khắc có bắt đầu, thay đổi và kết thúc.
Khác biệt giữa hình ảnh thành video và chế độ tham khảo là gì?
Cùng lệnh chạy cả hai; prompt quyết định. Trong hình ảnh thành video, ảnh là cảnh mở đầu và mọi thứ trong đó được giữ. Trong chế độ tham khảo, ảnh chỉ cung cấp đặc điểm bạn giao (mặt, trang phục, bối cảnh, đạo cụ) và bạn mô tả bố cục, hành động và bối cảnh mở đầu mới.
Tôi có thể dùng video tham khảo không?
Có. Tải video ngắn khoảng 5 đến 10 giây và trả lời nó với lệnh. Nói rõ nhiệm vụ: đổi nhân vật, ảnh điều khiển ngoại hình và video điều khiển hành động, thời gian, máy quay và bối cảnh; với cảnh mới, chỉ nói chuyển động bạn muốn mượn.
Tôi có thể cho H3 mẫu giọng nói không?
Không với workflow cơ bản: không hỗ trợ tham khảo âm thanh, nên mô tả giọng nói, thoại và hiệu ứng bằng lời. Chế độ âm thanh tham khảo đầy đủ, mô tả trong hướng dẫn MiniMax, ràng buộc clip âm thanh với người nói theo định dạng prompt sáu phần riêng.
Tôi có phải viết thoại từng chữ không?
Có. Viết đúng lời trong thẻ <d>[English] ... </d>. Mô tả như "cô ấy nói về sản phẩm" là lúc H3 bắt đầu ứng biến.
Làm sao để có cảnh không có lời nói?
Bỏ thoại và mô tả nhân vật làm hành động lặng lẽ, miệng đóng, và cho âm thanh nền yên tĩnh, cụ thể xuyên suốt. Nếu giọng không mong muốn vẫn còn, thử clip ngắn hơn, tạo lại hoặc tắt tiếng và thêm âm thanh riêng trong chỉnh sửa.
Liên kết và nguồn
- 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
Mô hình trong hướng dẫn này
Người viết
Viết những bài dài. Dành cả thập kỷ trong phần mềm doanh nghiệp và giờ giải thích tại sao workflow ComfyUI của bạn có 94 nút mà chỉ một nút làm hết việc. Nghĩ mô hình đóng là mâu thuẫn, như thử miễn phí. Ký tên hướng dẫn vì thực sự đọc chúng.
Tất cả hướng dẫn của Mark White
Hướng dẫn liên quan
MiniMax H3 video prompts: cấu trúc chính thức
14 Tháng 9, 2026
Các nút ComfyUI: tài liệu và khắc phục sự cố
2 Tháng 6, 2026
PirateDiffusion: chạy bất kỳ mô hình nào từ Telegram, không cần GPU
3 Tháng 10, 2026
Chuyển động người tốt hơn cho MiniMax H3: chuyển động cơ thể tự nhiên, nhất quán
1 Tháng 10, 2026
Hướng dẫn khác
MiniMax H3 Turbo LoRAs: Video 4-8 bước với gói larryvrh
1 Tháng 10, 2026
Các mô hình video AI mã nguồn mở tốt nhất năm 2026: những gì bạn thực sự có thể tải về
14 Tháng 10, 2026
Cách cài đặt Wan2GP: AI video và hình ảnh trên GPU có VRAM thấp
8 Tháng 10, 2026
Bạn cần bao nhiêu VRAM cho video AI? Wan 2.2, HunyuanVideo 1.5 và LTX-2 theo kích thước GPU (2026)
6 Tháng 10, 2026
MiniMax H3 Combat BASE V2: chuyển động chiến đấu, va chạm và kịch tính
1 Tháng 10, 2026