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

MiniMax H3 lässt sich am besten nutzen, indem man zuerst den richtigen Generierungsmodus wählt und erst danach festlegt, was durch Text, Frames, Referenzen, Bewegung und Audio gesteuert werden soll. Sie können Videos aus Text generieren, einen Start- oder End-Frame festlegen oder Bilder, Videos und Audio verwenden, um Identität, Bewegung, Kameraführung und Stimme zu steuern.
Da H3 multimodale Referenzen mit nativer audiovisueller Generierung kombiniert, erzielen Sie bessere Ergebnisse in der Regel durch präzise Steuerung statt durch längere Prompts. Dieser Leitfaden erklärt, wie Sie den richtigen Workflow auswählen, bessere Prompts schreiben, Referenzen nutzen, Dialoge und Sound verwalten, effizient testen und mit ComfyUI oder der API arbeiten.
Wenn Ihr Ausgangspunkt eher ein PDF, eine Präsentation, ein SOP-Dokument oder Schulungsmaterial ist als ein kreativer Prompt, kann Leadde die bessere Wahl sein, um strukturierte Quelldaten in einen Video-Workflow zu verwandeln, anstatt jede Szene in H3 manuell zu steuern.
Wie man MiniMax H3 nutzt: Mit welchem Workflow sollten Sie starten?
Der schnellste Weg zur Nutzung von MiniMax H3 besteht darin, den Generierungsmodus vor dem Schreiben des Prompts auszuwählen. H3 unterstützt Text, Start-/End-Frame-Eingaben sowie multimodale Referenzen, wobei jede Eingabe eine andere Rolle übernimmt. Das offizielle Modellblatt von MiniMax unterteilt seine Open-Weight-Checkpoints in FL2VA für text- und framebasierte Generierung sowie Ref2VA für referenzgestützte Generierung mit Bildern, Videos oder Audio.
| Modus | Ideal für | Was das Video steuert |
| T2VA | Erstellung einer Szene von Grund auf | Text-Prompt |
| I2VA | Start mit einem exakten Bild | Erster Frame + Prompt |
| L2VA | Erreichen eines bestimmten Endpunkts | Letzter Frame + Prompt |
| FL2VA | Steuerung von Start und Ziel | Erster + letzter Frame |
| Ref2VA | Beibehaltung von Identität, Bewegung, Kamera, Stil oder Stimme | Multimodale Referenzen + Prompt |
Ist Ihr Bild ein Frame oder eine Referenz?
Diese Unterscheidung löst viele Steuerungsprobleme.
Ein Frame ist ein zeitlicher Anker. Wenn ein hochgeladenes Produktbild buchstäblich das erste sein soll, das die Zuschauer sehen, nutzen Sie es als Start-Frame.
Eine Referenz ist wiederverwendbare Information. Wenn Sie lediglich möchten, dass Produktdesign, Charaktergesicht, Outfit oder visueller Stil bei der Erstellung einer neuen Komposition konsistent bleiben, behandeln Sie diese als Referenz.
MiniMax macht diese Unterscheidung in den offiziellen Prompt-Richtlinien explizit: I2VA beginnt beim bereitgestellten Bild bei 0,00 Sekunden, während der Full-Reference-Modus Subjekte, Bilder, Videos und Audio separat je nach der Rolle verfolgt, die das jeweilige Asset einnimmt.
Der H3-Steuerungs-Stack
Entscheiden Sie vor dem Prompting, was die sechs Bereiche des Videos steuert: Identität, Zeitstrahl, Bewegung, Kamera, Audio und Ende.
Ein Werbevideo könnte beispielsweise ein Referenzbild für die Produktidentität, Text für die Aktion des Produkts, ein Referenzvideo für die Kamerabewegung, native Audioanweisungen für das Sounddesign und einen End-Frame für die finale Hero-Einstellung nutzen.
Das verhindert einen häufigen Fehler: von einem einzigen langen Text-Prompt zu verlangen, alles auf einmal zu steuern.

Wie schreibt man einen MiniMax H3-Prompt, der mehr Kontrolle bietet?
Ein nützlicher H3-Prompt beschreibt das Video in der Reihenfolge der Wiedergabe. Denken Sie wie ein Regisseur, der beschreibt, was tatsächlich zu sehen und zu hören ist, statt wie ein Texter Adjektive aneinanderzureihen – ganz ähnlich wie bei den Best Practices zum Schreiben eines effektiven Videoskripts.
Eine praxisnahe Struktur ist:
Szene → Subjekt → Aktion → Kamera → Dialog/Sound → Ende
Das offizielle Basis-Prompt-Format von MiniMax folgt derselben zugrundeliegenden Logik. Die integrated_multimodal_description beschreibt Einstellungen sequenziell, während overall_soundscape und non_diegetic_music physische Geräusche und den Soundtrack separat steuern.
Die Szene in der Reihenfolge der Wiedergabe aufbauen
Statt:
Ein hochwertiger, cineastischer Hautpflege-Werbespot mit dramatischer Bewegung.
Nutzen Sie eine beobachtbare Sequenz:
Eine gläserne Serumflasche steht auf einem dunklen Steinsockel. Ein schmaler Lichtstrahl huscht über das Etikett. Die Flasche rotiert langsam im Uhrzeigersinn, während die Kamera näher heranfährt. Kondenswasser fängt das Licht ein. Die Flasche stoppt, das Logo zeigt zur Kamera.
Die zweite Version gibt H3 sichtbare Zustandsänderungen vor, die es ausführen kann.
Berücksichtigen Sie außerdem ein Komplexitätsbudget. Ein 10-sekündiger Clip mit drei Charakteren, vier Schnitten, einer Transformation, zwei Dialogzeilen, einer sich bewegenden Kamera und mehreren Referenzen ist technisch vielleicht beschreibbar, aber das bedeutet nicht, dass all diese Ereignisse auf natürliche Weise in zehn Sekunden passen.
Kamerabewegungen und Schnitte gezielt steuern
Definieren Sie das Kameraverhalten nur dann, wenn es zur Einstellung beiträgt: heranfahren (Push in), zurückfahren (Pull back), schwenken (Pan), mitziehen (Track), kippen (Tilt), im Bogen herumführen (Arc) oder statisch bleiben.
Vermeiden Sie es, jede Anpassung des Bildausschnitts in einen neuen Schnitt zu verwandeln. Ein langsamer Wechsel von einer halbtotale Einstellung zur Nahaufnahme lässt sich oft als Kamerabewegung statt als neue Szene beschreiben.
Das Ende definieren, nicht nur die Aktion
Ein Prompt lässt sich leichter kontrollieren, wenn er erklärt, wo die Aktion endet.
Anstatt mit „der Charakter geht auf das Fenster zu“ zu enden, definieren Sie den finalen Zustand: Der Charakter hält neben dem Fenster an, dreht sich zur Kamera und bleibt im Bild vor der Skyline stehen.
Das ist besonders wichtig für Produkt-Demo-Videos, Logo-Shots, Übergänge und Workflows mit Start- und End-Frames.
Wie verwendet man Bilder, Videos, Storyboards und Sprachreferenzen in MiniMax H3?
Reference-to-Video macht H3 zu mehr als nur einem herkömmlichen Image-to-Video-Tool. Das offizielle Ref2VA-Modell akzeptiert multimodale Referenzen und nutzt sie, um Identität, Bewegung, Kamerabewegung, Stil und Audio zu beeinflussen. MiniMax dokumentiert derzeit die Unterstützung für bis zu neun Bilder, drei Referenzvideos, drei Audioclips und insgesamt 12 gemischte Dateien.
Jeder Referenz eine klare Aufgabe zuweisen
Ein starkes Referenz-Setup könnte wie folgt aussehen:
Bild 1 → Charakteridentität; Bild 2 → Kleidung; Video 1 → Körperbewegung; Video 2 → Kamerabewegung; Audio 1 → Stimme.
Die offizielle H3-Dokumentation von ComfyUI empfiehlt dasselbe Prinzip: Referenzieren Sie jede Eingabe in der Reihenfolge ihrer Verknüpfung und stellen Sie explizit klar, welches Asset Identität, Stil, Bewegung, Kamera oder Stimme steuert.
Mehr Referenzen sorgen nicht automatisch für mehr Kontrolle. Sie erzeugen lediglich mehr Beziehungen, die H3 auflösen muss. Wenn zwei Bilder unterschiedliche Outfits nahelegen, während ein Referenzvideo das Aussehen eines anderen Charakters zeigt, muss das Modell entscheiden, welches Signal am wichtigsten ist – es sei denn, der Prompt macht diese Verantwortlichkeiten unmissverständlich klar.
<Subject> vs. <Picture>
Im Full-Reference-Format von MiniMax repräsentiert <Subject N> wiederverwendbare sichtbare Inhalte wie eine Person, ein Objekt, eine Umgebung oder ein anderes Element, das von Referenz-Assets abstrahiert wurde. <Picture N> steht für ein konkretes Bild, das als Frame- oder Kompositionsanker dient. <Video N> und <Audio N> verfolgen temporale oder Audio-Referenzen.
Das bedeutet: Ein Subjekt muss nicht zwangsläufig einer Datei entsprechen. Ein Charakter könnte die Gesichtsidentität aus einem Bild mit Kleidungs- oder Bewegungsinformationen aus einer anderen Quelle kombinieren.
Wann sollte man ein Storyboard verwenden?
Wenn räumliche Beziehungen schwerer zu beschreiben als zu zeigen sind, kann ein Storyboard als visuelle Planungsebene dienen. Das ist besonders nützlich für Sequenzen mit mehreren Einstellungen, Produktenthüllungen, Charakter-Blocking oder wiederkehrende Kompositionen.
Aus der Perspektive eines KI-Video-Workflows liegt der Vorteil nicht darin, dass ein Storyboard jeden Frame garantiert. Es reduziert den Aufwand, räumliche und shot-planerische Informationen allein über Fließtext vermitteln zu müssen.

Wie steuert man Dialoge, Soundeffekte und Musik in MiniMax H3?
H3 generiert natives Stereo-Audio parallel zum Video, anstatt Audio als separate Postproduktionsebene zu behandeln. MiniMax spezifiziert eine 32-kHz-Stereoausgabe; das zugehörige Prompt-System unterstützt Dialoge, physische Geräusche und nicht-diegetische Musik als eigenständige Konzepte.
Dialoge als Teil der Einstellung schreiben
Ein Dialog sollte vier Fragen beantworten: Wer spricht, was wird gesagt, wann wird gesprochen und wie viel Bildschirmzeit steht zur Verfügung?
Das strukturierte Format von MiniMax kann feste Sprecher-IDs wie (S1) und Dialog-Tags wie <d>[English]...</d> verwenden. Anfänger müssen jedoch nicht mit der Syntax einsteigen. Das wichtigere Prinzip ist das Timing.
Ein Dialogbudget einplanen
Dialoge kosten reale Sekunden.
Wenn ein Sprecher vier Sekunden lang zu sehen ist, sollten Sie keinen Satz schreiben, dessen realistische Wiedergabe acht Sekunden erfordert. Andernfalls muss das Modell die Sprache komprimieren, hetzen, abkürzen oder verzerren.
Das ist in der Praxis wichtig, da lokale H3-Anwender das Aufnahme-Timing und Dialoge parallel zum visuellen Prompting anpassen, anstatt Sprache als unabhängige Ebene zu behandeln. Ein in Berichten erwähnter RTX-5080-Test nutzte einen strukturierten Multi-Shot-Prompt und erforderte wiederholte Anpassungen, während die Generierung selbst rechenintensiv blieb.
Soundscape von Hintergrundmusik trennen
Nutzen Sie die 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, aber nicht von den Charakteren gehört wird.
Die Trennung dieser beiden Ebenen liefert H3 nützlichere Anweisungen als eine vage Vorgabe wie „füge cineastisches Audio hinzu“. Das offizielle Prompt-Format von MiniMax hält diese beiden Audio-Ebenen bewusst getrennt.
Welche Einstellungen und Test-Workflows sorgen für bessere MiniMax H3-Ergebnisse?
MiniMax dokumentiert die H3-Ausgabe mit 4–15 Sekunden, 24 FPS, mehreren Seitenverhältnissen und einer standardmäßigen kurzen Kante von 768 Pixeln für den offenen H3-Base-Workflow. Das Gesamtsystem kann über H3-Regenerate-2K Auflösungen bis zu 2K erzeugen.
Dauer, Seitenverhältnis und Auflösung passend zur Einstellung wählen
Wählen Sie nicht automatisch die längste Dauer. Stimmen Sie die Dauer auf die Anzahl bedeutsamer Ereignisse ab.
Verwenden Sie 16:9 für die meisten Landschaftsformate, 9:16 für vertikale Social-Media-Videos und 1:1, wenn eine quadratische Komposition zum Ausgabekanal passt. In ComfyUI stellen die offiziellen H3-Workflows Steuerelemente für Seitenverhältnis und Megapixel über eine Auflösungsauswahl bereit, wobei höhere Pixelzahlen die Generierungskosten erhöhen.
Eine Vorschau-Fidelity-Ladder (Treue-Leiter) nutzen
Eine günstige Vorschau ist nützlich – allerdings nur für die richtigen Fragestellungen.
Frühe Tests eignen sich gut, um Komposition, Hauptbewegungen, Kameraführung, Schnitte und das grobe Timing zu prüfen. Sie sind weniger zuverlässig, um kleinen Text, entfernte Gesichter, Logos oder feine Produktdetails zu beurteilen.
Das Ziel besteht daher nicht einfach darin, „immer zuerst mit niedriger Auflösung zu generieren“. Es geht darum, günstigere Generierungen für strukturelle Entscheidungen zu nutzen und Rechenleistung erst dann in Details zu stecken, die sich wirklich erst bei höherer Wiedergabetreue zeigen.
Jedes Mal nur eine Variable testen
Eine praxisnahe Produktionsabfolge sieht vor: Erst die Szene validieren, dann Bewegung und Kamera, gefolgt von Dialog/Audio, dann zusätzlichen Referenzen oder Schnitten und schließlich der hochqualitativen Generierung.
Das ist entscheidend, da die echten Kosten von KI-Video sich meist aus Generierungskosten × Anzahl der Iterationen zusammensetzen. In einem Community-Test benötigte ein RTX-5080-System für eine 15-sekündige H3-Generierung (0,4 MP, 10 Steps) rund 11 Minuten, wobei die Zeit pro Schritt mit zunehmender Videolänge deutlich anstieg. Der Anwender berichtete zudem von Workarounds, um Out-of-Memory-Fehler zu vermeiden. Betrachten Sie dies als konkreten Praxisbeispiel-Wert, nicht als universellen Benchmark.

Wie setzt man MiniMax H3 in ComfyUI, API-Workflows ein und behebt häufige Probleme?
ComfyUI bietet derzeit offizielle H3-Templates für Text-to-Video, Image-to-Video und Reference-to-Video. Die nativen Nodes nutzen die FL2VA-Familie für Text-/Frame-Workflows und Ref2VA für multimodale Referenzen.
Die MiniMax-API geht einen anderen Weg: H3-Aufgaben laufen asynchron. Sie übergeben eine Generierungs-, Context-IR- oder Regenerierungsaufgabe, erhalten eine task_id und fragen diese Aufgabe anschließend auf das Ergebnis ab. Erfolgreiche Generierungsaufgaben liefern das Video über content.url, während Context-IR einen verbesserten Prompt über content.prompt zurückgibt.
Das vollständige H3-System sollte zudem nicht mit den offenen H3-Base-Gewichten verwechselt werden. MiniMax beschreibt drei Module: H3-Context-IR → H3-Base → H3-Regenerate-2K. Das lokale H3-Base validiert die 768p-Generierung, während der vollständige 2K-Workflow den ursprünglichen Kontext mit dem 768p-Ergebnis zur Regeneration kombiniert.
Fehler auf drei Ebenen diagnostizieren
Identifizieren Sie die Fehlerquelle, bevor Sie den Prompt umschreiben.
| Ebene | Typisches Problem | Was zu ändern ist |
| Prompt | Falsche Aktion, falsches Timing, falsche Kamera oder ein falsches Ende | Zeitstrahl umschreiben |
| Referenz | Identität, Kleidung, Bewegung oder Stimme driften ab | Referenzrollen präzisieren oder reduzieren |
| Rendering | Winziger Text, entfernte Gesichter, feine Details | Ausgabe/Einstellungen mit höherer Wiedergabetreue testen |
Das ist eine nützliche Unterscheidung, da nicht jeder visuelle Mangel ein Prompting-Fehler ist.
Häufige MiniMax H3-Probleme und praxisnahe Korrekturen
Wenn die Identität driftet, vereinfachen Sie widersprüchliche Referenzen und definieren Sie klar, welche Quelle die Identität steuert. Wenn sich ein Produkt oder Logo verändert, trennen Sie beizubehaltende Attribute explizit von Elementen, die das Modell neu gestalten darf.
Wenn sich das Video gehetzt anfühlt, reduzieren Sie Aktionen, Schnitte oder Dialoge, anstatt dem Prompt noch mehr Details hinzuzufügen. Wenn Sprache komprimiert klingt, kürzen Sie den Dialog oder geben Sie dem Sprecher mehr Zeit.
Beschreiben Sie bei Start-/End-Frame-Verzerrungen den physischen Zwischenübergang anstelle von nur zwei Endpunkten. Wenn eine R2V-Referenz kaum Einfluss zeigt, benennen Sie deren exakte Rolle, anstatt sie nur beizufügen.
Lokale Anwender sollten auch das Performance-Tuning sorgfältig handhaben. ComfyUI dokumentiert offiziell optionales Sage Attention und gibt an, dass Beispiel-Workflows bei minimalem Qualitätsverlust eine etwa verdoppelte Generierungsgeschwindigkeit erzielen können – allerdings können andere Caching-, Quantisierungs- und experimentelle Optimierungstechniken andere Kompromisse erfordern.
Fazit
MiniMax H3 lässt sich einfacher steuern, wenn Sie die Videogenerierung als Produktions-Workflow begreifen und nicht als Wettbewerb um die Prompt-Länge. Wählen Sie den korrekten Modus, weisen Sie jeder Referenz eine spezifische Verantwortung zu, budgetieren Sie Aktionen und Dialoge innerhalb der verfügbaren Zeit, testen Sie strukturelle Entscheidungen vor dem Rendering in finaler Qualität und analysieren Sie Fehler gezielt als Prompt-, Referenz- oder Rendering-Problem. Dieser Ansatz skaliert von einfachen Text-to-Video-Clips bis hin zu komplexen multimodalen Setups – ganz im Sinne dessen, wie Anwender heute so schnell KI-Videos erstellen.








