Leadde Logo

Comment utiliser MiniMax H3 : Le guide complet des prompts, références, audio et ComfyUI

Leadde Team·mis à jour le 21 oct. 2026·19 min de lecture
Comment utiliser MiniMax H3 : Le guide complet des prompts, références, audio et ComfyUI
Créez des vidéos IA avec plus de 300 avatars dans 88 langues et 175 dialectes.

MiniMax H3 s'utilise au mieux en choisissant d'abord le bon mode de génération, puis en déterminant ce qui doit être contrôlé par le texte, les images clés, les références, les mouvements et l'audio. Vous pouvez générer à partir d'un texte, verrouiller une première ou une dernière image, ou utiliser des images, des vidéos et des pistes audio pour guider l'identité, les mouvements, le comportement de la caméra et la voix.

Puisque H3 associe des références multimodales à une génération audiovisuelle native, les meilleurs résultats proviennent généralement d'un contrôle précis plutôt que de prompts à rallonge. Ce guide explique comment choisir le bon flux de travail, rédiger de meilleurs prompts, utiliser les références, gérer les dialogues et le son, tester efficacement, et travailler avec ComfyUI ou l'API.

Si votre point de départ est un PDF, une présentation, une procédure opérationnelle normalisée (SOP) ou un document de formation plutôt qu'un prompt créatif, Leadde peut s'avérer plus adapté pour transformer du contenu source structuré en flux de travail vidéo, en amont ou en guise d'alternative à la direction manuelle de chaque plan dans H3.

Leadde AI.webp

Comment utiliser MiniMax H3 : avec quel flux de travail commencer ?

Le moyen le plus rapide d'utiliser MiniMax H3 est de choisir le mode de génération avant de rédiger le prompt. H3 prend en charge le texte, les entrées de première/dernière image et les références multimodales, chaque entrée jouant un rôle spécifique. La fiche technique officielle de MiniMax sépare ses poids ouverts en deux catégories : FL2VA pour la génération textuelle et par images clés, et Ref2VA pour la génération guidée par des références (images, vidéos ou audio).

ModeIdéal pourCe qui contrôle la vidéo
T2VACréer une scène à partir de zéroPrompt textuel
I2VAPartir d'une image exactePremière image + prompt
L2VAAtteindre une fin spécifiqueDernière image + prompt
FL2VAContrôler à la fois le début et la finPremière + dernière image
Ref2VAPréserver l'identité, le mouvement, la caméra, le style ou la voixRéférences multimodales + prompt

Votre image est-elle une image clé ou une référence ?

Cette distinction résout de nombreux problèmes de contrôle.

Une image clé est un point d'ancrage temporel. Si l'image d'un produit importée doit impérativement être la première vue par les spectateurs, utilisez-la comme première image.

Une référence est une information réutilisable. Si vous avez seulement besoin de conserver la cohérence du design du produit, du visage d'un personnage, d'une tenue ou d'un style visuel tout en créant une nouvelle composition, traitez-la comme une référence.

Les recommandations officielles de MiniMax en matière de prompts explicitent cette distinction : I2VA démarre à partir de l'image fournie à 0,00 seconde, tandis que le mode de référence complète suit séparément les sujets, les images, les vidéos et l'audio selon le rôle de chaque ressource.

La pile de contrôle H3

Avant de rédiger votre prompt, décidez de ce qui contrôlera six aspects de la vidéo : l'identité, la chronologie, le mouvement, la caméra, l'audio et la fin.

Par exemple, une vidéo publicitaire peut s'appuyer sur une image de référence pour l'identité du produit, sur du texte pour l'action de celui-ci, sur une vidéo de référence pour les mouvements de caméra, sur des instructions audio natives pour la conception sonore, et sur une dernière image pour le plan final héroïque.

Cela évite une erreur fréquente : demander à un seul long prompt textuel de tout régir.

La pile de contrôle H3 : Comparaison vectorielle

Comment rédiger un prompt MiniMax H3 pour garder le contrôle ?

Un prompt H3 efficace décrit la vidéo dans l'ordre de lecture. Raisonnez comme un réalisateur qui décrit ce que l'on peut réellement voir et entendre, plutôt que comme un rédacteur accumulant les adjectifs, à l'image des meilleures pratiques pour rédiger un script vidéo efficace.

Une structure pragmatique consiste à suivre cet ordre :

Scène → Sujet → Action → Caméra → Dialogue/Son → Fin

Le format de prompt de base officiel de MiniMax obéit à la même logique sous-jacente. Son champ integrated_multimodal_description décrit les plans en séquence, tandis que overall_soundscape et non_diegetic_music pilotent séparément l'ambiance sonore physique et la bande originale.

Construire la scène dans l'ordre de lecture

Plutôt que d'écrire :

Une publicité de soins de la peau haut de gamme et cinématographique avec des mouvements spectaculaires.

Préférez une séquence observable :

Un flacon de sérum en verre repose sur un socle en pierre sombre. Une lumière étroite balaie l'étiquette. Le flacon tourne lentement dans le sens des aiguilles d'une montre tandis que la caméra s'approche. La condensation attrape la lumière. Le flacon s'arrête, logo face à la caméra.

La seconde option fournit à H3 des changements d'état visibles à exécuter.

Pensez également au budget de complexité. Un clip de 10 secondes mettant en scène trois personnages, quatre coupes, une transformation, deux répliques, un mouvement de caméra et plusieurs références est peut-être descriptible techniquement, mais cela ne signifie pas que tous ces événements tiendront naturellement en dix secondes.

Diriger intentionnellement les mouvements de caméra et les coupes

Ne spécifiez le comportement de la caméra que lorsqu'il apporte une réelle plus-value au plan : zoom avant (push in), zoom arrière (pull back), panoramique, travelling, inclinaison (tilt), arc ou plan fixe.

Évitez de transformer chaque ajustement de cadrage en une nouvelle coupe. Une transition lente d'un plan moyen à un gros plan peut souvent être décrite comme un mouvement de caméra plutôt que comme une nouvelle scène.

Définir la fin, pas seulement l'action

Il est plus facile de maîtriser un prompt lorsqu'il indique clairement l'aboutissement de l'action.

Au lieu de conclure par « le personnage marche vers la fenêtre », définissez l'état final : le personnage s'arrête à côté de la fenêtre, se tourne vers la caméra et reste cadré sur fond d'horizon urbain.

Cette approche s'avère particulièrement cruciale pour les vidéos de démonstration de produits, les plans de logos, les transitions et les flux de travail basés sur la première/dernière image.

Comment utiliser les images, vidéos, storyboards et références vocales dans MiniMax H3 ?

La fonction référence-vers-vidéo (reference-to-video) permet à H3 de dépasser le cadre d'un simple outil image-vers-vidéo. Le modèle officiel Ref2VA accepte des références multimodales pour influencer l'identité, le mouvement, le comportement de la caméra, le style et l'audio. MiniMax prend actuellement en charge jusqu'à neuf images, trois vidéos de référence, trois clips audio et un total de 12 fichiers mixtes.

Attribuer à chaque référence un rôle précis

Une configuration de référence robuste pourrait s'articuler ainsi :

Image 1 → identité du personnage ; Image 2 → vêtements ; Vidéo 1 → mouvements du corps ; Vidéo 2 → mouvements de caméra ; Audio 1 → voix.

La documentation officielle de ComfyUI pour H3 préconise le même principe : référencez chaque entrée dans l'ordre de connexion et indiquez explicitement quel actif pilote l'identité, le style, le mouvement, la caméra ou la voix.

Multiplier les références n'augmente pas automatiquement le niveau de contrôle. Cela complexifie les relations que H3 doit interpréter. Si deux images suggèrent des tenues différentes tandis qu'une vidéo de référence montre un autre personnage, le modèle devra trancher pour déterminer quel signal prime, à moins que le prompt ne clarifie ces attributions.

<Subject> vs <Picture>

Dans le format de référence complète de MiniMax, <Subject N> représente le contenu visible réutilisable (personne, objet, environnement ou autre élément extrait des ressources de référence). <Picture N> désigne une image concrète utilisée comme point d'ancrage pour un cadre ou une composition. <Video N> et <Audio N> suivent respectivement les références temporelles ou audio.

Par conséquent, un sujet ne correspond pas nécessairement à un fichier unique. L'identité faciale d'un personnage peut ainsi être combinée avec des informations vestimentaires ou cinétiques issues d'une autre source.

Quand utiliser un storyboard ?

Lorsque les relations spatiales deviennent plus difficiles à exprimer par des mots qu'à montrer, un storyboard constitue un précieux outil de planification visuelle. Cette approche s'avère particulièrement utile pour les séquences multi-plans, les lancements de produits, le placement des acteurs ou les compositions récurrentes.

Du point de vue des flux de travail vidéo par IA, l'avantage ne réside pas dans la garantie d'obtenir chaque image exacte, mais dans la réduction de la quantité d'informations spatiales et de cadrage à transmettre par la seule description textuelle.

Limites maximales des fichiers de référence MiniMax H3

Comment contrôler les dialogues, les effets sonores et la musique dans MiniMax H3 ?

H3 génère un son stéréo natif en même temps que la vidéo, éhantillonnant l'audio non pas comme une couche de post-production distincte, mais de concert avec l'image. MiniMax spécifie une sortie stéréo à 32 kHz, et son système de prompts gère les dialogues, les sons physiques et la musique non diégétique en tant qu'entités séparées.

Intégrer les dialogues au cœur du plan

Un dialogue doit répondre à quatre questions : qui parle, ce qu'il dit, à quel moment et pour quelle durée à l'écran.

Le format structuré de MiniMax peut employer des identifiants d'intervenants persistants tels que (S1) et des balises de dialogue comme <d>[English]...</d>. Toutefois, les débutants n'ont pas besoin de maîtriser cette syntaxe d'emblée. Le principe fondamental reste la gestion du temps.

Budgétiser les dialogues

Un dialogue consomme des secondes bien réelles.

Si un personnage apparaît pendant quatre secondes, évitez de rédiger une phrase qui nécessiterait huit secondes à l'oral. Le cas échéant, le modèle sera contraint de compresser, d'accélérer, de tronquer ou de déformer la parole.

Cette exigence s'avère concrète dans la mesure où les utilisateurs locaux de H3 peaufinent déjà le minutage des plans et des dialogues parallèlement au prompt visuel, plutôt que de traiter la voix comme une couche indépendante. Un test réalisé sur une RTX 5080 a ainsi mobilisé un prompt structuré multi-plans nécessitant de multiples ajustements, la génération elle-même demeurant gourmande en ressources de calcul.

Dissocier l'ambiance sonore de la musique de fond

Réservez l'ambiance sonore (soundscape) aux bruits qui existent physiquement dans la scène : pas, moteurs, vent, portes, foules, frottements de tissus ou machinerie.

Utilisez la musique non diégétique pour les morceaux entendus par le public mais imperceptibles par les personnages.

Cette distinction offre à H3 des directives bien plus exploitables qu'une consigne vague telle que « ajouter un son cinématographique ». Le format de prompt officiel de MiniMax sépare délibérément ces deux couches audio.

Quels réglages et flux de tests garantissent de meilleurs résultats sur MiniMax H3 ?

MiniMax documente des sorties H3 de 4 à 15 secondes, à 24 FPS, dans de multiples formats d'image, avec une résolution par défaut de 768 pixels sur le côté le plus court pour le flux ouvert H3-Base. Le système complet permet d'atteindre la 2K via H3-Regenerate-2K.

Adapter la durée, le format d'image et la résolution au plan

Ne sélectionnez pas systématiquement la durée maximale. Ajustez la durée au nombre d'événements signifiants.

Privilégiez le 16:9 pour la plupart des contenus horizontaux, le 9:16 pour les formats verticaux sur les réseaux sociaux, et le 1:1 lorsque la composition carrée correspond au canal de diffusion. Dans ComfyUI, les flux de travail officiels H3 exposent les commandes de format d'image et de mégapixels via un sélecteur de résolution (Resolution Selector), sachant que des résolutions plus élevées augmentent les coûts de calcul.

Utiliser une échelle de fidélité pour les aperçus

Un aperçu économique s'avère utile, mais uniquement pour répondre à certaines questions précises.

Les premiers tests permettent de valider la composition, les mouvements majeurs, la direction de la caméra, les coupes et le minutage approximatif. Ils s'avèrent en revanche moins fiables pour évaluer de petits textes, des visages lointains, des logos ou des détails de produits minutieux.

L'objectif ne consiste donc pas à « toujours générer d'abord en basse résolution », mais à exploiter des générations moins onéreuses pour les choix structurels, avant d'investir la puissance de calcul nécessaire dans les détails qui n'apparaissent qu'en haute fidélité.

Tester une variable à la fois

Une séquence de production pragmatique consiste à valider d'abord la scène, puis les mouvements et la caméra, ensuite les dialogues et l'audio, puis les références additionnelles ou les coupes, et enfin la génération en haute qualité.

Cette démarche est indispensable car le coût réel de la vidéo par IA équivaut souvent au coût de génération × le nombre d'itérations. Lors d'un test mené au sein de la communauté, une configuration sous RTX 5080 a produit une génération H3 de 15 secondes, en 0,4 MP et 10 étapes en environ 11 minutes, le temps par étape augmentant considérablement avec la durée de la vidéo. L'utilisateur a également dû contourner des problèmes de saturation de mémoire (out-of-memory). Considérez cet exemple comme un cas réel parmi d'autres et non comme une référence absolue.

Flux de travail itératif : Coût de calcul vs. Phases de test

Comment utiliser MiniMax H3 dans ComfyUI, avec des flux d'API, et résoudre les problèmes fréquents ?

ComfyUI propose actuellement des modèles H3 officiels pour la génération de texte en vidéo (Text-to-Video), d'image en vidéo et de référence en vidéo. Ses nœuds natifs s'appuient sur la famille FL2VA pour les flux textuels/images clés, et sur Ref2VA pour les références multimodales.

L'API MiniMax adopte une approche différente : les tâches H3 sont asynchrones. Vous soumettez une tâche de génération, de Context-IR ou de régénération, recevez un identifiant task_id, puis interrogez cette tâche pour obtenir le résultat. Les tâches de génération réussies renvoient la vidéo via content.url, tandis que Context-IR fournit un prompt optimisé par le biais de content.prompt.

Le système H3 complet ne doit pas non plus être confondu avec les poids ouverts H3-Base. MiniMax distingue trois modules : H3-Context-IR → H3-Base → H3-Regenerate-2K. Le modèle local H3-Base valide la génération en 768p, tandis que le flux 2K complet associe le contexte d'origine au résultat en 768p pour procéder à la régénération.

Diagnostiquer les échecs à trois niveaux

Avant de récrire le prompt, identifiez la couche défaillante.

NiveauProblème typiqueÉlément à modifier
PromptAction, minutage, caméra ou fin incorrectsRéécrire la chronologie
RéférenceDérive de l'identité, des vêtements, du mouvement ou de la voixClarifier ou réduire les rôles des références
RenduTexte illisible, visages lointains, détails finsTester un rendu ou des réglages de plus haute fidélité

Cette distinction est précieuse, car tout défaut visuel ne relève pas nécessairement d'un problème de prompt.

Problèmes courants sur MiniMax H3 et solutions pratiques

Si l'identité dérive, simplifiez les références contradictoires et définissez clairement quelle source pilote l'identité. Si un produit ou un logo se modifie, séparez explicitement les attributs impératifs des éléments que le modèle est autorisé à redessiner.

Si la vidéo semble précipitée, réduisez le nombre d'actions, de coupes ou de dialogues au lieu d'enrichir le prompt. Si la voix paraît compressée, raccourcissez le dialogue ou allouez plus de temps à l'intervenant.

En cas de déformation sur les premières/dernières images, décrivez la transition physique intermédiaire au lieu de spécifier uniquement les deux points extrêmes. Si une référence R2V exerce peu d'influence, explicitez son rôle exact plutôt que de vous contenter de la joindre.

Les utilisateurs locaux veilleront également à optimiser les performances avec précaution. ComfyUI documente officiellement l'option Sage Attention et indique que ses exemples de flux de travail permettent de doubler approximativement la vitesse de génération pour une perte de qualité minime, bien que d'autres techniques de mise en cache, de quantification et d'optimisation expérimentales impliquent des compromis différents.

Conclusion

MiniMax H3 se contrôle plus facilement lorsque vous abordez la génération vidéo comme un flux de production industriel plutôt que comme un concours de longueur de prompt. Choisissez le bon mode, attribuez à chaque référence une responsabilité précise, budgétisez les actions et les dialogues dans le temps imparti, testez les choix structurels avant d'enclencher le rendu haute qualité, et diagnostiquez les dysfonctionnements en ciblant le prompt, la référence ou le rendu. Cette approche s'applique aussi bien à de simples clips textuels qu'à des configurations multimodales complexes, illustrant la manière dont les créateurs produisent aujourd'hui des vidéos par IA avec autant de rapidité.

88 langues et 175 dialectes

Prêt à essayer Leadde ?

Commencez un essai gratuit dès aujourd'hui et créez des vidéos captivantes avec l'IA en quelques minutes.
Commencer gratuitement