MiniMax H3 Prompt-Leitfaden: So schreiben Sie bessere Video-, Ref2VA-, Kamera-, Audio- und Referenz-Prompts

Ein aussagekräftiger MiniMax H3 Prompt sollte mehr als nur den visuellen Stil definieren. Er sollte erklären, was im Zeitverlauf geschieht, wie sich die Kamera bewegt, welche Details konsistent bleiben müssen, welchen Beitrag jede Referenz leistet und wie Dialog, Sound und Musik in die Sequenz passen. Für eine bessere Kontrolle ist es entscheidend, den richtigen H3-Modus zu wählen, beobachtbare Änderungen zu beschreiben und jeder Referenz eine klare Rolle zuzuweisen.

Dieser Leitfaden behandelt T2VA, I2VA, FL2VA, L2VA, Ref2VA, Kamerasteuerung, Audio, Charakterkonsistenz und praktische Fehlerbehebung. Diese Prinzipien gelten auch für strukturierte KI-Video-Workflows wie Leadde, wo Dokumente, Schulungsmaterialien und Produktinformationen in skalierbare Videos umgewandelt werden – mit Erzählung, Avataren und mehrsprachiger Ausgabe.

MiniMax H3 Prompt-Leitfaden: Die optimale Prompt-Struktur

Ein MiniMax H3 Prompt lässt sich am besten als audiovisuelles Produktionsbriefing verstehen. Anstatt Adjektive wie „cinematisch“, „realistisch“ und „dramatisch“ aneinanderzureihen, beschreiben Sie, was der Zuschauer tatsächlich sehen und hören kann, während sich der Clip entwickelt, um zu verstehen, wie man realistische KI-Videos erstellt.

Die einfache H3 Prompt-Formel

Für das tägliche Prompting beginnen Sie mit:

Subjekt + Aktion + Umgebung + Kamera + Timing + Audio

Zum Beispiel etabliert „eine Frau in einem verregneten Bahnhof“ zwar eine Szene, liefert aber kaum zeitliche Informationen. Ein aussagekräftigerer Prompt erklärt, dass sie auf den Bahnsteig zugeht, anhält, als sie einen herannahenden Zug hört, sich dem Geräusch zuwendet und von einer langsamen Kamerafahrt begleitet wird.

Der offizielle Base Prompt Guide von MiniMax formalisiert diese Idee mit drei Feldern: integrated_multimodal_description, overall_soundscape und non_diegetic_music. Das erste Feld enthält die visuelle Zeitachse, Aktionen, Einstellungen, Sprecher, Dialoge und synchronisiertes Szenen-Audio; die anderen beiden trennen Umgebungs-/physischen Sound von Hintergrundmusik, die nur für das Publikum bestimmt ist.

Beschreiben Sie beobachtbare Ergebnisse, nicht nur Adjektive

Eine nützliche Regel ist es, abstrakte Absichten in sichtbares Verhalten umzuwandeln.

Anstatt „sie wirkt selbstbewusst“, beschreiben Sie, wie sie stetig geht, Blickkontakt hält, ihre Jacke glattstreicht und ohne Zögern anhält.

Der gleiche Ansatz kann bei Einschränkungen helfen. Anstatt wiederholt „nicht heranzoomen“ zu schreiben, beschreiben Sie das gewünschte Ergebnis: „Das Motiv bleibt von Anfang bis Ende annähernd gleich groß im Bild.“ Ein H3-Konsistenztest der Community ergab, dass messbare Framing-Einschränkungen in diesem speziellen Workflow besser funktionierten als die wiederholte Angabe einer negativen Kameraanweisung. Dies ist eine anekdotische Workflow-Beobachtung, keine offizielle MiniMax-Garantie.

Welchen MiniMax H3 Modus sollten Sie verwenden?

Die Wahl des richtigen Modus kann ebenso entscheidend sein wie das Umschreiben des Prompts. Der Base-Workflow von MiniMax unterstützt die reine Textgenerierung sowie Aufgaben für den ersten Frame, den letzten Frame und den ersten und letzten Frame, während sein separates Ref2VA-Checkpoint die multimodale Referenzgenerierung übernimmt.

T2VA, I2VA, FL2VA und L2VA

T2VA muss die Szene von Grund auf neu etablieren. I2VA behandelt das bereitgestellte Bild als den tatsächlichen ersten Frame, daher sollte der Prompt Identität, Kleidung, Objekte, Farben und Komposition beibehalten, bevor Bewegung eingeführt wird.

Bei FL2VA sollte der Prompt nicht einfach Bild 1 und Bild 2 beschreiben. MiniMax empfiehlt ausdrücklich, den beobachtbaren Pfad dazwischen zu beschreiben: wie sich das Subjekt bewegt, wie sich Posen ändern, wie Objekte manipuliert werden und wie Komposition oder Beleuchtung im finalen Frame zusammenlaufen. L2VA kehrt den Denkprozess um, indem es von einem plausiblen früheren Zustand ausgeht und schrittweise auf dem bereitgestellten letzten Frame landet.

Wann sollten Sie Ref2VA verwenden?

Verwenden Sie Ref2VA, wenn verschiedene Assets unterschiedliche Aufgaben erfüllen – zum Beispiel definiert ein Bild einen Charakter, ein anderes die Kleidung, ein Video liefert Gehbewegungen und Kamerarhythmus, und Audio liefert eine Stimmreferenz.

Dies lässt sich besser als beziehungsgesteuerte Generierung verstehen. Das Modell muss nicht nur wissen, was jede Datei enthält, sondern auch, wie Informationen aus jeder Quelle das finale Video beeinflussen sollen. MiniMax’s Vollreferenzformat unterscheidet explizit wiederverwendbare Subjekte, konkrete Bildanker, temporale Videoquellen und Audioreferenzen.

Verwenden Sie den einfachsten Modus, der die Einstellung lösen kann

Eine praktische Produktionsregel lautet: Fügen Sie keine Referenzkomplexität hinzu, es sei denn, die Einstellung erfordert es.

Wenn ein Übergang nur einen präzisen Anfang und ein Ende benötigt, bietet FL2VA der Aufgabe eine direkte Definition. Wechseln Sie zu Ref2VA, wenn Sie tatsächlich Beziehungen wie Identität aus Bild 1 + Bewegung aus Video 1 + Stimme aus Audio 1 benötigen.

Dies erleichtert auch das Debugging. Wenn weniger unabhängige Einschränkungen konkurrieren, ist es einfacher zu identifizieren, ob das Problem von Bewegung, Identität, Framing oder Audio herrührt.

Wie steuern Sie Einstellungen, Kamerabewegungen, Timing und Übergänge?

H3-Prompts lassen sich leichter steuern, wenn die Zeitachse wie ein Schnitt und nicht wie ein Absatz behandelt wird.

Schnitte, Zeitstempel und Zeitbudget

Das offizielle Format von MiniMax versieht [Shot 1] nicht mit einem Zeitstempel. Spätere Einstellungen beginnen mit steigenden Schnittzeiten, z.B. [Shot 2] At 00:03.500. Eine neue Einstellung sollte aussagekräftige neue Informationen einführen – wie einen anderen Blickwinkel, Ort, Zustand, ein anderes Subjekt oder eine andere Zeit. Eine geringe Abstands- oder Winkeländerung lässt sich in der Regel besser als Kamerabewegung denn als weiterer Schnitt ausdrücken.

Dies schafft ein praktisches Zeitbudget. In einem 8-sekündigen Clip konkurrieren drei Aktionen, zwei Kamerabewegungen, eine Reaktion, ein gesprochener Satz und zwei Schnitte um dieselbe begrenzte Dauer. Wenn eine Generierung überhastet wirkt, funktioniert das Entfernen von Ereignissen oft besser als das Hinzufügen von mehr beschreibender Sprache.

Kamerasprache, der H3 folgen kann

MiniMax dokumentiert Kameraoperationen wie Push/Pull, Pan, Truck, Tilt, Pedestal, Arc, Tracking, statische Aufnahmen, POV, Roll und Kamerawackler. Die empfohlene Logik ist im Wesentlichen:

Bewegungstyp + optionale Amplitude + optionale Geschwindigkeit

Anstatt also „dynamische filmische Kamera“ zu schreiben, formulieren Sie etwas Umsetzbares, wie zum Beispiel: „Die Kamera fährt langsam nach rechts, während das Produkt zentriert bleibt.“

Trennen Sie, was fix bleiben muss, von dem, was sich ändern kann

Erstellen Sie vor der Generierung eine einfache mentale Übersicht über feste und variable Elemente.

Ein Produktvideo kann erfordern, dass Flaschenform, Etikettentext, Verschluss und Farbe fix bleiben, während sich Kameraposition, Reflexionen, Wasserbewegung und Beleuchtung ändern. Eine Charaktersequenz kann Gesicht, Frisur und Outfit fixieren, während Pose und Ausdruck sich entwickeln dürfen.

Dies reduziert widersprüchliche Anweisungen, da der Prompt nicht mehr verlangt, dass sich jede visuelle Eigenschaft gleichzeitig ändert.

Wie verwenden Sie Referenzen, ohne Charakter- oder Produktkonsistenz zu verlieren?

Die effektivsten Referenz-Workflows weisen jedem Asset einen spezifischen Zweck zu.

Geben Sie jeder Referenz eine klare Aufgabe

Eine praktische Zuordnung könnte sein:

Bild 1 → Charakteridentität Bild 2 → Kleidung Bild 3 → Produktdesign Video 1 → Gehbewegung und Kamerabahn Audio 1 → Stimmfarbe

Das offizielle Ref2VA-Format von MiniMax unterstützt genau diese Art von quellenübergreifender Definition: Ein Subjekt kann sein Aussehen von einem Bild und seine Bewegung von einem Video erhalten, während eine einzelne Referenzdatei auch mehrere wiederverwendbare Subjekte bereitstellen kann.

Wichtig ist, eine unbeabsichtigte Übertragung zu vermeiden. Wenn Video 1 Bewegung, aber nicht seinen Darsteller oder seine Umgebung liefern soll, geben Sie dies explizit im Beziehungsdesign an.

Subjekte, Bilder, Storyboards und Referenzvideo

In der offiziellen Terminologie repräsentiert <Subject N> wiederverwendbaren sichtbaren Inhalt, während <Picture N> verwendet wird, wenn ein Bild selbst als konkreter Frame, Kompositionsanker oder Videoskript und Storyboard-Referenz dient. <Video N> repräsentiert Ganzvideo-Beziehungen wie Schnitt, Fortsetzung, Kamerabewegung, Schnitte, Rhythmus oder zeitliche Struktur. <Audio N> handhabt Audiokopien oder Eigenschaften wie Stimmfarbe, Vortrag, Rhythmus oder Musikstil.

Diese Unterscheidung verhindert einen häufigen konzeptionellen Fehler: Eine Charakterreferenz ist nicht automatisch ein Keyframe, und ein Storyboard ist nicht automatisch ein exakter Endpunkt.

Referenzökonomie und Konsistenz auf Einstellungsebene

Mehr Referenzmaterial ist nicht automatisch informativer. In Produktions-Workflows kürzen Sie ein Referenzvideo auf den Abschnitt, der die benötigte Bewegung, Kamerabahn oder Stimmqualität klar demonstriert.

Bewerten Sie die Identität auch während der gesamten Einstellung und nicht nur im ersten Frame. Ein Community-Test zeigte einen wesentlich früheren Identitätsdrift bei Nahaufnahmen als bei kleineren Gesichts-Framings unter der spezifischen lokalen Einrichtung des Benutzers. Die genauen Timings sollten nicht verallgemeinert werden, aber die Workflow-Lektion ist nützlich: Überprüfen Sie Gesichtsidentität, Kleidung und kleine Requisiten an mehreren Punkten in jeder wichtigen Einstellung.

Wie funktioniert erweitertes Ref2VA, Dialog- und Audio-Prompting?

Ref2VA ist der Punkt, an dem H3-Prompting eher einer multimodalen Produktionsplanung als konventionellem Text-zu-Video-Prompting gleicht.

Die sechsteilige Ref2VA Prompt-Struktur

Der Vollreferenz-Leitfaden von MiniMax definiert sechs Abschnitte:

subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music.

Das System definiert zunächst, was Referenzen bedeuten, fasst dann die Aufgabe zusammen, erklärt, wie jede Referenz beibehalten oder übertragen wird, und schreibt schließlich das Zielvideo in Wiedergabereihenfolge.

Eine nützliche Planungsebene vor dem Schreiben des formalen Prompts ist:

Dies verwandelt eine vage Anfrage wie „verwenden Sie all diese Referenzen“ in explizite Quell-Ziel-Beziehungen.

Dialog, Stimme, Soundeffekte und Musik

Sprechende Charaktere verwenden stabile IDs wie (S1) und (S2), während Dialoge innerhalb von <d>[Language] ...</d> platziert werden. MiniMax unterscheidet auch zwischen On-Screen-Dialog und Off-Screen-Voiceover und empfiehlt ausdrücklich, die Lippen eines On-Screen-Charakters geschlossen zu halten, wenn dieser Charakter nur erzählt.

Umgebungsgeräusche und physikalische Effekte gehören in die Soundscape, während non_diegetic_music für Musik reserviert ist, die vom Publikum und nicht von den Charakteren gehört wird. Wenn Sie Schritte, Regen und Objektgeräusche, aber keine Filmmusik wünschen, behalten Sie die Soundscape bei und setzen Sie non_diegetic_music: N/A.

Natürlichsprachlicher Prompt vs. offizieller strukturierter Prompt

Kurze natürlichsprachliche Anweisungen können im gehosteten H3-System weiterhin funktionieren, da MiniMax H3-Context-IR verwendet, eine Vorverarbeitungsschicht, die Beziehungen zwischen Text, Bildern, Video und Audio interpretiert, bevor eine strukturierte Repräsentation für H3-Base erstellt wird. Die offene Modellkarte beschreibt Anweisungs-Parsing, cross-modale Assoziation, zeitliches Verständnis und logisches Denken als Teil dieses Prozesses.

Dies erklärt einen scheinbaren Widerspruch: Einfache Prompts können für unkomplizierte gehostete Generierungen geeignet sein, während strukturierte Prompts für präzise Multi-Referenz-, Dialog-, Timing- und wiederholbare Produktionsaufgaben wertvoller werden.

Warum ignoriert MiniMax H3 Prompts und wie sieht der beste Test-Workflow aus?

Wenn eine Generierung fehlschlägt, erschwert das gleichzeitige Umschreiben alles die Ursachenfindung.

Häufige H3 Prompt-Probleme und Lösungen

Ein nützliches Prinzip ist es, einen kontrollierten Vergleich durchzuführen, wenn zwei Modi dieselbe Aufgabe lösen können, anstatt anzunehmen, dass der komplexere Modus immer den besseren Clip produziert.

Ein praktischer Schritt-für-Schritt H3 Test-Workflow

Beginnen Sie damit, das Akzeptanzkriterium für die Generierung zu definieren: Vielleicht ist die Charakteridentität am wichtigsten, oder vielleicht sind Produktetikett, Endpunktübergang, Dialogzuordnung oder Kamerabewegung nicht verhandelbar.

Testen Sie dann in Schichten: Etablieren Sie zuerst den Charakter und die Szene; fügen Sie als Nächstes Bewegung und Kamera hinzu; fügen Sie Stimme und Sound hinzu, nachdem das visuelle Verhalten stabil ist; führen Sie zusätzliche Schnitte, Storyboards oder weitere Charaktere erst ein, nachdem die einfachere Version funktioniert. Die hochauflösende Regenerierung sollte erfolgen, nachdem das semantische Ergebnis korrekt ist, da eine höhere Auflösung widersprüchliche Referenzbeziehungen nicht auflösen kann.

Dieser gestufte Ansatz ist besonders nützlich in skalierbaren Video-Pipelines. Für Workflows, die wiederholbares Wissen oder Geschäftsinhalte in Videos umwandeln, einschließlich Dokument-zu-Video-Schulungstools wie Leadde, erleichtert die Trennung von Inhaltsstruktur, visuellem Verhalten, KI-Narration und finalem Rendering die Isolierung von Revisionen, anstatt jedes Mal die gesamte Produktion neu aufzubauen.

Speichern Sie erfolgreiche Einstellungen, anstatt alles neu zu generieren

Bei längeren Projekten behandeln Sie jeden erfolgreichen Clip als validiertes Produktions-Asset. Wenn Einstellung 1 und Einstellung 2 funktionieren, aber Einstellung 3 fehlschlägt, generieren Sie den fehlgeschlagenen Abschnitt neu, anstatt alles vorgelagerte zu verwerfen.

Community H3-Workflows verwenden aus diesem Grund bereits Checkpoint-Einstellungen: Sobald ein erfolgreicher Abschnitt gespeichert ist, können nachgelagerte Experimente erneut ausgeführt werden, ohne wiederholt die rechnerischen und kreativen Kosten für die Neuerstellung früheren Materials zu tragen.

Dies führt zu einem breiteren Produktionsprinzip:

Generieren → validieren → speichern → fortfahren.

Für KI-Videos wird Prompt Engineering schließlich zu Workflow Engineering.

Fazit

MiniMax H3 Prompting funktioniert am besten, wenn die Aufgabe klar strukturiert ist, anstatt sie nur mit mehr Worten zu beschreiben. Wählen Sie den einfachsten Modus, der zur Einstellung passt, beschreiben Sie beobachtbare Änderungen, trennen Sie fixe Attribute von Variablen, weisen Sie jeder Referenz eine spezifische Rolle zu und debuggen Sie Schicht für Schicht. Bei erweiterten Ref2VA-Workflows liegt der wahre Vorteil darin, Beziehungen zwischen Charakteren, Bewegung, Kamera, Audio und Keyframes explizit zu machen – und erfolgreiche Generierungen dann in wiederverwendbare Bausteine für die nächste Einstellung zu verwandeln.