So nutzen Sie MiniMax H3: Der komplette Leitfaden für Prompts, Referenzen, Audio und ComfyUI

MiniMax H3 nutzen Sie optimal, indem Sie zuerst den passenden Generierungsmodus wählen und dann festlegen, welche Elemente – Text, Frames, Referenzen, Bewegung und Audio – das Ergebnis steuern sollen. Sie können aus Text generieren, einen Start- oder Endframe festlegen oder Bilder, Videos und Audio verwenden, um Identität, Bewegung, Kamerasteuerung und Stimme zu beeinflussen.

Da H3 multimodale Referenzen mit nativer audiovisueller Generierung kombiniert, führt präzise Steuerung meist zu besseren Ergebnissen als lange Prompts. Dieser Leitfaden erklärt, wie Sie den passenden Workflow wählen, effektivere Prompts schreiben, Referenzen nutzen, Dialoge und Sound verwalten, effizient testen und mit ComfyUI oder der API arbeiten.

Wenn Ihr Ausgangspunkt ein PDF, eine Präsentation, eine SOP oder ein Schulungsdokument ist und kein kreativer Prompt, kann Leadde die bessere Wahl sein, um strukturierte Ausgangsinhalte in einen Video-Workflow zu überführen – entweder vorab oder anstelle der manuellen Steuerung jeder einzelnen Szene in H3.

So nutzen Sie MiniMax H3: Mit welchem Workflow sollten Sie beginnen?

Am schnellsten nutzen Sie MiniMax H3, indem Sie zuerst den Generierungsmodus wählen, bevor Sie den Prompt schreiben. H3 unterstützt Text-, Start-/Endframe-Eingaben und multimodale Referenzen, wobei jede Eingabe eine spezifische Rolle spielt. Die offizielle Modellkarte von MiniMax unterteilt ihre Open-Weight-Checkpoints in FL2VA für text- und framebasierte Generierung sowie Ref2VA für referenzgesteuerte Generierung mit Bildern, Videos oder Audio.

Ist Ihr Bild ein Frame oder eine Referenz?

Diese Unterscheidung löst viele Steuerungsprobleme.

Ein Frame ist ein temporaler Anker. Wenn ein hochgeladenes Produktbild buchstäblich das erste Bild sein soll, das die Zuschauer sehen, verwenden Sie es als ersten Frame.

Eine Referenz ist wiederverwendbare Information. Wenn lediglich das Produktdesign, das Charaktergesicht, das Outfit oder der visuelle Stil konsistent bleiben sollen, während Sie eine neue Komposition erstellen, behandeln Sie es als Referenz.

Die offizielle Prompt-Anleitung von MiniMax macht diese Unterscheidung explizit: I2VA beginnt mit dem bereitgestellten Bild bei 0,00 Sekunden, während der Vollreferenzmodus Subjekte, Bilder, Videos und Audio separat verfolgt, je nach der Rolle, die jedes Asset spielt.

Der H3 Kontroll-Stack

Bevor Sie einen Prompt erstellen, bestimmen Sie, welche sechs Aspekte des Videos gesteuert werden sollen: Identität, Zeitachse, Bewegung, Kamera, Audio und Ende.

Zum Beispiel könnte ein Werbevideo ein Referenzbild für die Produktidentität, Text für die Aktion des Produkts, ein Referenzvideo für die Kamerabewegung, native Audioanweisungen für das Sounddesign und einen letzten Frame für die finale Hero-Aufnahme verwenden.

Dies verhindert einen häufigen Fehler: einen einzigen langen Text-Prompt zu verwenden, um alles zu steuern.

Wie schreiben Sie einen MiniMax H3 Prompt, der Ihnen mehr Kontrolle gibt?

Ein nützlicher H3-Prompt beschreibt das Video in Wiedergabereihenfolge. Denken Sie wie ein Regisseur, der beschreibt, was tatsächlich sichtbar und hörbar ist, anstatt wie ein Texter Adjektive aufzuzählen – ähnlich den Best Practices zum Schreiben eines effektiven Videoskripts.

Eine praktische Struktur ist:

Szene → Subjekt → Aktion → Kamera → Dialog/Sound → Ende

Das offizielle Basis-Prompt-Format von MiniMax folgt derselben zugrunde liegenden Logik. Seine integrated_multimodal_description beschreibt Aufnahmen in Sequenz, während overall_soundscape und non_diegetic_music physischen Sound und Soundtrack separat steuern.

Bauen Sie die Szene in Wiedergabereihenfolge auf

Anstatt:

Ein hochwertiger, filmischer Hautpflege-Werbespot mit dramatischer Bewegung.

Verwenden Sie eine beobachtbare Sequenz:

Eine Glas-Serumflasche steht auf einem dunklen Steinsockel. Ein schmales Licht streicht über das Etikett. Die Flasche dreht sich langsam im Uhrzeigersinn, während die Kamera näher heranfährt. Kondenswasser fängt das Licht ein. Die Flasche stoppt mit dem Logo zur Kamera.

Die zweite Version gibt H3 sichtbare Zustandsänderungen zur Ausführung vor.

Berücksichtigen Sie auch ein Komplexitätsbudget. Ein 10-sekündiger Clip mit drei Charakteren, vier Schnitten, einer Transformation, zwei Dialogzeilen, einer bewegten Kamera und mehreren Referenzen mag technisch beschreibbar sein, aber das bedeutet nicht, dass all diese Ereignisse natürlich in zehn Sekunden passen.

Kamerabewegung und Schnitte gezielt steuern

Beschreiben Sie die Kamerabewegung nur dann, wenn sie zur Aufnahme beiträgt: Heranfahren, Zurückfahren, Schwenken, Verfolgen, Neigen, Bogenfahrt oder statisch bleiben.

Vermeiden Sie es, jede Bildanpassung in einen weiteren Schnitt zu verwandeln. Eine langsame Änderung von einer Halbtotalen zu einer Nahaufnahme kann oft als Kamerabewegung statt als neue Szene beschrieben werden.

Definieren Sie das Ende, nicht nur die Aktion

Ein Prompt wird einfacher zu steuern, wenn er erklärt, wo die Aktion endet.

Anstatt mit „der Charakter geht zum Fenster“ zu enden, definieren Sie den Endzustand: Der Charakter hält neben dem Fenster an, dreht sich zur Kamera und bleibt vor der Skyline gerahmt.

Dies ist besonders wichtig für Produktdemovideos, Logo-Aufnahmen, Übergänge und Start-/Endframe-Workflows.

Wie nutzen Sie Bilder, Videos, Storyboards und Sprachreferenzen in MiniMax H3?

Gerade im Bereich Referenz-zu-Video zeigt sich, dass H3 mehr ist als ein herkömmliches Bild-zu-Video-Tool. Das offizielle Ref2VA-Modell akzeptiert multimodale Referenzen und kann diese nutzen, um Identität, Bewegung, Kamerasteuerung, Stil und Audio zu beeinflussen. MiniMax dokumentiert derzeit die Unterstützung für bis zu neun Bilder, drei Referenzvideos, drei Audioclips und insgesamt 12 gemischte Dateien.

Geben Sie jeder Referenz eine klare Aufgabe

Eine effektive Referenzkonfiguration könnte zuweisen:

Bild 1 → Charakteridentität; Bild 2 → Kleidung; Video 1 → Körperbewegung; Video 2 → Kamerabewegung; Audio 1 → Stimme.

Die offizielle H3-Dokumentation von ComfyUI empfiehlt dasselbe Prinzip: Verweisen Sie auf jede Eingabe in der Verbindungsreihenfolge und geben Sie explizit an, welches Asset Identität, Stil, Bewegung, Kamera oder Stimme steuert.

Mehr Referenzen führen nicht automatisch zu mehr Kontrolle. Sie schaffen mehr Beziehungen, die H3 auflösen muss. Wenn zwei Bilder unterschiedliche Outfits implizieren, während ein Referenzvideo ein anderes Charakteraussehen enthält, muss das Modell entscheiden, welches Signal am wichtigsten ist, es sei denn, der Prompt macht diese Verantwortlichkeiten klar.

<Subject> vs <Picture>

Im Vollreferenzformat von MiniMax repräsentiert <Subject N> wiederverwendbare sichtbare Inhalte wie eine Person, ein Objekt, eine Umgebung oder ein anderes Element, das aus Referenz-Assets abstrahiert wurde. <Picture N> repräsentiert ein konkretes Bild, das als Frame oder Kompositionsanker verwendet wird. <Video N> und <Audio N> verfolgen temporale oder Audio-Referenzen.

Das bedeutet, dass ein Subjekt nicht gleich einer Datei sein muss. Ein Charakter könnte die Gesichtsidentität aus einem Bild mit Kleidung oder Bewegungsinformationen aus einer anderen Quelle kombinieren.

Wann sollten Sie ein Storyboard verwenden?

Wenn räumliche Beziehungen schwerer zu erklären als zu zeigen sind, kann ein Storyboard als visuelle Planungsebene dienen. Dies ist besonders nützlich für Multi-Shot-Sequenzen, Produktenthüllungen, Charakter-Blocking oder wiederkehrende Kompositionen.

Aus der Perspektive eines KI-Video-Workflows besteht der Vorteil nicht darin, dass ein Storyboard jeden Frame garantiert. Es reduziert vielmehr, wie viele räumliche und aufnahmeplanerische Informationen allein durch Prosa kommuniziert werden müssen.

Wie steuern Sie Dialoge, Soundeffekte und Musik in MiniMax H3?

H3 generiert natives Stereo-Audio zusammen mit Video, anstatt Audio als separate Postproduktionsschicht zu behandeln. MiniMax spezifiziert eine 32 kHz Stereoausgabe, und sein Prompting-System unterstützt Dialoge, physische Geräusche und nicht-diegetische Musik als separate Konzepte.

Schreiben Sie Dialoge als Teil der Aufnahme

Dialoge sollten vier Fragen beantworten: wer spricht, was gesagt wird, wann gesprochen wird und wie viel Bildschirmzeit zur Verfügung steht.

Das strukturierte Format von MiniMax kann persistente Sprecher-IDs wie (S1) und Dialog-Tags wie <d>[English]...</d> verwenden. Anfänger müssen jedoch nicht mit der Syntax beginnen. Das wichtigere Prinzip ist das Timing.

Nutzen Sie Dialog-Budgetierung

Dialoge verbrauchen echte Sekunden.

Wenn ein Sprecher vier Sekunden lang erscheint, vermeiden Sie es, einen Satz zu schreiben, dessen Vortrag realistisch acht Sekunden erfordert. Andernfalls muss das Modell die Sprache komprimieren, überstürzen, kürzen oder verzerren.

Dies ist in der Praxis wichtig, da lokale H3-Benutzer bereits Aufnahme-Timing und Dialoge parallel zum visuellen Prompting iterieren, anstatt Sprache als unabhängige Ebene zu behandeln. Ein gemeldeter RTX 5080-Test verwendete einen strukturierten Multi-Shot-Prompt und erforderte wiederholte Prompt-Anpassungen, während die Generierung selbst rechenintensiv blieb.

Trennen Sie Soundscape von Hintergrundmusik

Verwenden Sie den Soundscape für Geräusche, die physisch in der Szene existieren: Schritte, Motoren, Wind, Türen, Menschenmengen, Stoffbewegungen oder Maschinen.

Verwenden Sie nicht-diegetische Musik für Musik, die vom Publikum gehört wird, aber nicht von den Charakteren.

Die Trennung der beiden gibt H3 nützlichere Anweisungen als eine vage Anweisung wie „füge filmisches Audio hinzu“. Das offizielle Prompt-Format von MiniMax hält diese beiden Audio-Ebenen bewusst getrennt.

Welche Einstellungen und welcher Test-Workflow führen zu besseren MiniMax H3 Ergebnissen?

MiniMax dokumentiert die H3-Ausgabe mit 4–15 Sekunden, 24 FPS, mit mehreren Seitenverhältnissen und einer standardmäßigen kurzen Kante von 768 Pixeln für den offenen H3-Base-Workflow. Das vollständige System kann 2K über H3-Regenerate-2K erzeugen.

Wählen Sie Dauer, Seitenverhältnis und Auflösung basierend auf der Aufnahme

Wählen Sie nicht automatisch die längste Dauer. Passen Sie die Dauer an die Anzahl der bedeutungsvollen Ereignisse an.

Verwenden Sie 16:9 für die meisten Querformat-Inhalte, 9:16 für vertikale Social-Videos und 1:1, wenn eine quadratische Komposition dem Vertriebskanal dient. In ComfyUI legen die offiziellen H3-Workflows Seitenverhältnis- und Megapixel-Steuerungen über einen Auflösungsselektor offen, wobei höhere Pixelzahlen die Generierungskosten erhöhen.

Nutzen Sie eine Vorschau-Qualitätsleiter

Eine kostengünstige Vorschau ist nützlich, aber nur für die richtigen Fragen.

Frühe Tests eignen sich gut zur Überprüfung von Komposition, Hauptbewegung, Kamerarichtung, Schnitten und grobem Timing. Sie sind weniger zuverlässig für die Bewertung von kleinem Text, entfernten Gesichtern, Logos oder feinen Produktdetails.

Das Ziel ist daher nicht einfach „immer zuerst in niedriger Auflösung generieren“. Es geht darum, günstigere Generierungen für strukturelle Entscheidungen zu nutzen und dann Rechenleistung für Details aufzuwenden, die erst bei höherer Qualität sichtbar werden.

Testen Sie eine Variable nach der anderen

Eine praktische Produktionssequenz besteht darin, zuerst die Szene zu validieren, dann Bewegung und Kamera, dann Dialog/Audio, dann zusätzliche Referenzen oder Schnitte und schließlich die hochwertige Generierung.

Dies ist wichtig, da die tatsächlichen Kosten von KI-Videos oft Generierungskosten × Iterationsanzahl betragen. In einem Community-Test erzeugte ein RTX 5080-System eine 15-sekündige, 0,4 MP, 10-Schritte H3-Generierung in etwa 11 Minuten, wobei die Zeit pro Schritt mit zunehmender Videolänge erheblich anstieg. Der Benutzer berichtete auch, dass Workarounds erforderlich waren, um Out-of-Memory-Fehler zu vermeiden. Betrachten Sie dies als einen einzelnen realen Fall, nicht als universellen Benchmark.

Wie nutzen Sie MiniMax H3 in ComfyUI, API-Workflows und beheben häufige Probleme?

ComfyUI bietet derzeit offizielle H3-Vorlagen für Text-zu-Video, Bild-zu-Video und Referenz-zu-Video. Seine nativen Nodes verwenden die FL2VA-Familie für Text-/Frame-Workflows und Ref2VA für multimodale Referenzen.

Die MiniMax API geht einen anderen Weg: H3-Aufgaben sind asynchron. Sie übermitteln eine Generierungs-, Context-IR- oder Regenerierungsaufgabe, erhalten eine task_id und fragen dann diese Aufgabe nach dem Ergebnis ab. Erfolgreiche Generierungsaufgaben geben das Video über content.url zurück, während Context-IR einen erweiterten Prompt über content.prompt zurückgibt.

Das komplette H3-System sollte auch nicht mit den offenen H3-Base-Gewichten verwechselt werden. MiniMax beschreibt drei Module: H3-Context-IR → H3-Base → H3-Regenerate-2K. Lokales H3-Base validiert die 768p-Generierung, während der vollständige 2K-Workflow den ursprünglichen Kontext mit dem 768p-Ergebnis zur Regenerierung kombiniert.

Diagnostizieren Sie Fehler auf drei Ebenen

Bevor Sie den Prompt umschreiben, identifizieren Sie die Fehlerebene.

Dies ist eine nützliche Unterscheidung, da nicht jeder visuelle Defekt ein Prompting-Problem ist.

Häufige MiniMax H3 Probleme und praktische Lösungen

Wenn die Identität abweicht, vereinfachen Sie widersprüchliche Referenzen und definieren Sie klar, welche Quelle die Identität steuert. Wenn sich ein Produkt oder Logo ändert, trennen Sie explizit die zu erhaltenden Attribute von Elementen, die das Modell neu gestalten darf.

Wenn das Video gehetzt wirkt, reduzieren Sie Aktionen, Schnitte oder Dialoge, anstatt mehr Prompt-Details hinzuzufügen. Wenn die Sprache komprimiert klingt, kürzen Sie den Dialog oder geben Sie dem Sprecher mehr Zeit.

Bei Start-/Endframe-Verzerrungen beschreiben Sie den physikalischen Übergang dazwischen, anstatt nur zwei Endpunkte anzugeben. Wenn eine R2V-Referenz wenig Einfluss hat, geben Sie ihre genaue Rolle an, anstatt sie einfach anzuhängen.

Lokale Benutzer sollten auch die Leistungsoptimierung sorgfältig behandeln. ComfyUI dokumentiert offiziell die optionale Sage Attention und gibt an, dass ihre Beispiel-Workflows eine ungefähr verdoppelte Generierungsgeschwindigkeit bei minimalem Qualitätsverlust erreichen können, aber andere Caching-, Quantisierungs- und experimentelle Optimierungstechniken können unterschiedliche Kompromisse mit sich bringen.

Fazit

MiniMax H3 lässt sich leichter steuern, wenn Sie die Videogenerierung als Produktions-Workflow und nicht als Prompt-Längen-Wettbewerb betrachten. Wählen Sie den richtigen Modus, weisen Sie jeder Referenz eine spezifische Verantwortung zu, budgetieren Sie Aktionen und Dialoge innerhalb der verfügbaren Zeit, testen Sie strukturelle Entscheidungen vor dem Rendern in finaler Qualität und diagnostizieren Sie Fehler als Prompt-, Referenz- oder Rendering-Probleme. Dieser Ansatz skaliert von einfachen Text-zu-Video-Clips bis hin zu komplexen multimodalen Setups und spiegelt wider, wie Menschen heute so schnell KI-Videos erstellen.