Leadde Logo

Como Usar o MiniMax H3: Guia Completo para Prompts, Referências, Áudio e ComfyUI

Leadde Team·atualizado em 21 de out. de 2026·18 min de leitura
Como Usar o MiniMax H3: Guia Completo para Prompts, Referências, Áudio e ComfyUI
Crie vídeos com IA com mais de 300 avatares em 88 idiomas e 175 dialetos.

MiniMax H3 é melhor utilizado escolhendo primeiro o modo de geração correto e, em seguida, decidindo o que deve ser controlado por texto, quadros, referências, movimento e áudio. Você pode gerar a partir de texto, travar o primeiro ou o último quadro, ou usar imagens, vídeos e áudio para guiar identidade, movimento, comportamento de câmera e voz.

Como o H3 combina referências multimodais com geração audiovisual nativa, melhores resultados geralmente vêm de um controle claro em vez de prompts mais longos. Este guia explica como escolher o fluxo de trabalho certo, escrever melhores prompts, usar referências, gerenciar diálogos e som, testar com eficiência e trabalhar com o ComfyUI ou a API.

Se o seu ponto de partida for um PDF, apresentação, POP ou documento de treinamento em vez de um prompt criativo, o Leadde pode ser uma opção melhor para transformar conteúdo de origem estruturado em um fluxo de trabalho de vídeo antes ou em vez de dirigir manualmente cada cena no H3.

Leadde AI.webp

Como Usar o MiniMax H3: Com Qual Fluxo de Trabalho Você Deve Começar?

A maneira mais rápida de usar o MiniMax H3 é escolher o modo de geração antes de escrever o prompt. O H3 suporta texto, entradas de primeiro/último quadro e referências multimodais, mas cada entrada desempenha um papel diferente. A ficha técnica oficial do MiniMax separa seus checkpoints de pesos abertos em FL2VA para geração baseada em texto e quadros, e Ref2VA para geração guiada por referência com imagens, vídeos ou áudio.

ModoIdeal ParaO que Controla o Vídeo
T2VACriar uma cena do zeroPrompt de texto
I2VAComeçar a partir de uma imagem exataPrimeiro quadro + prompt
L2VAAlcançar um final específicoÚltimo quadro + prompt
FL2VAControlar tanto o início quanto o fimPrimeiro + último quadros
Ref2VAPreservar identidade, movimento, câmera, estilo ou vozReferências multimodais + prompt

A sua imagem é um quadro ou uma referência?

Esta distinção resolve muitos problemas de controle.

Um quadro é uma âncora temporal. Se uma imagem de produto enviada precisar ser literalmente a primeira imagem que os espectadores veem, use-a como o primeiro quadro.

Uma referência é informação reutilizável. Se você precisa apenas que o design do produto, o rosto do personagem, a roupa ou o estilo visual permaneçam consistentes enquanto cria uma nova composição, trate-a como uma referência.

A orientação oficial de prompts do MiniMax torna essa distinção explícita: o I2VA começa a partir da imagem fornecida em 0,00 segundos, enquanto o modo de referência completa rastreia separadamente sujeitos, imagens, vídeos e áudio de acordo com o papel que cada ativo desempenha.

A Pilha de Controle do H3

Antes de criar o prompt, decida o que controla seis partes do vídeo: identidade, linha do tempo, movimento, câmera, áudio e desfecho.

Por exemplo, um vídeo comercial pode usar uma imagem de referência para a identidade do produto, texto para a ação do produto, um vídeo de referência para o movimento da câmera, instruções de áudio nativas para o design de som e um último quadro para a tomada principal final.

Isso evita um erro comum: pedir que um único prompt de texto longo controle tudo.

A Pilha de Controle do H3: Comparação Vetorial

Como Escrever um Prompt do MiniMax H3 que Oferece Mais Controle?

Um prompt útil do H3 descreve o vídeo na ordem de reprodução. Pense como um diretor descrevendo o que pode realmente ser visto e ouvido, em vez de um redator listando adjetivos, de forma muito semelhante às melhores práticas usadas para escrever um roteiro de vídeo eficaz.

Uma estrutura prática é:

Cena → Sujeito → Ação → Câmera → Diálogo/Som → Desfecho

O formato de prompt base oficial do MiniMax segue a mesma lógica subjacente. Sua integrated_multimodal_description descreve as tomadas em sequência, enquanto overall_soundscape e non_diegetic_music controlam separadamente o som físico e a trilha sonora.

Construa a cena na ordem de reprodução

Em vez de:

Um comercial de cuidados com a pele cinematográfico premium com movimento dramático.

Use uma sequência observável:

Um frasco de sérum de vidro repousa sobre um pedestal de pedra escura. Uma luz estreita varre o rótulo. O frasco gira lentamente no sentido horário enquanto a câmera se aproxima. A condensação capta a luz. O frasco para com o logotipo voltado para a câmera.

A segunda versão fornece ao H3 mudanças de estado visíveis para executar.

Considere também um orçamento de complexidade. Um clipe de 10 segundos com três personagens, quatro cortes, uma transformação, duas falas de diálogo, uma câmera em movimento e várias referências pode ser tecnicamente descritível, mas isso não significa que todos esses eventos caibam naturalmente em dez segundos.

Dirija o movimento da câmera e os cortes com intencionalidade

Especifique o comportamento da câmera apenas quando ele contribuir para a tomada: aproximação, afastamento, panorâmica, acompanhamento, inclinação, arco ou estática.

Evite transformar cada ajuste de enquadramento em mais um corte. Uma mudança lenta de plano médio para close-up geralmente pode ser descrita como um movimento de câmera em vez de uma nova cena.

Defina o desfecho, não apenas a ação

Um prompt torna-se mais fácil de controlar quando explica onde a ação termina.

Em vez de terminar com "o personagem caminha em direção à janela", defina o estado final: o personagem para ao lado da janela, vira-se para a câmera e permanece enquadrado contra o horizonte da cidade.

Isso é especialmente importante para vídeos de demonstração de produtos, tomadas de logotipos, transições e fluxos de trabalho de primeiro/último quadro.

Como Usar Imagens, Vídeos, Storyboards e Referências de Voz no MiniMax H3?

A conversão de referência para vídeo é onde o H3 se torna mais do que uma ferramenta convencional de imagem para vídeo. O modelo oficial Ref2VA aceita referências multimodais e pode usá-las para influenciar identidade, movimento, comportamento de câmera, estilo e áudio. Atualmente, o MiniMax documenta suporte para até nove imagens, três vídeos de referência, três clipes de áudio e 12 arquivos mistos no total.

Dê a cada referência uma única função clara

Uma configuração de referência forte pode atribuir:

Imagem 1 → identidade do personagem; Imagem 2 → vestuário; Vídeo 1 → movimento corporal; Vídeo 2 → movimento de câmera; Áudio 1 → voz.

A documentação oficial do H3 para o ComfyUI recomenda o mesmo princípio: referencie cada entrada na ordem de conexão e declare explicitamente qual ativo controla identidade, estilo, movimento, câmera ou voz.

Mais referências não criam automaticamente mais controle. Elas criam mais relações para o H3 resolver. Se duas imagens sugerem roupas diferentes enquanto um vídeo de referência contém a aparência de outro personagem, o modelo deve decidir qual sinal importa mais, a menos que o prompt deixe essas responsabilidades claras.

<Subject> vs <Picture>

No formato de referência completa do MiniMax, <Subject N> representa conteúdo visível reutilizável, como uma pessoa, objeto, ambiente ou outro elemento abstraído de ativos de referência. <Picture N> representa uma imagem concreta usada como âncora de quadro ou composição. <Video N> e <Audio N> rastreiam referências temporais ou de áudio.

Isso significa que um sujeito não precisa equivaler a um arquivo. Um personagem pode combinar a identidade facial de uma imagem com informações de vestuário ou movimento de outra fonte.

Quando você deve usar um storyboard?

Quando as relações espaciais se tornam mais difíceis de explicar do que de mostrar, um storyboard pode atuar como uma camada de planejamento visual. Isso é particularmente útil para sequências de várias tomadas, revelações de produtos, posicionamento de personagens ou composições recorrentes.

Do ponto de vista de um fluxo de trabalho de vídeo com IA, a vantagem não é que um storyboard garanta cada quadro. Ele reduz a quantidade de informações de planejamento espacial e de enquadramento que precisa ser comunicada apenas por meio de texto.

Limites Máximos de Arquivos de Referência do MiniMax H3

Como Controlar Diálogos, Efeitos Sonoros e Música no MiniMax H3?

O H3 gera áudio estéreo nativo junto com o vídeo, em vez de tratar o áudio como uma camada separada de pós-produção. O MiniMax especifica saída estéreo de 32 kHz, e seu sistema de prompts suporta diálogos, sons físicos e música não diegética como conceitos separados.

Escreva o diálogo como parte da tomada

O diálogo deve responder a quatro perguntas: quem fala, o que diz, quando fala e quanto tempo de tela possui.

O formato estruturado do MiniMax pode usar IDs de locutores persistentes, como (S1), e tags de diálogo, como <d>[English]...</d>. No entanto, iniciantes não precisam começar pela sintaxe. O princípio mais importante é o tempo de execução.

Use o orçamento de diálogos

O diálogo consome segundos reais.

Se um locutor aparece por quatro segundos, evite escrever uma frase que realisticamente exija oito segundos para ser entregue. Caso contrário, o modelo terá que comprimir, acelerar, truncar ou distorcer a fala.

Isso importa na prática porque os usuários locais do H3 já estão iterando no timing das tomadas e nos diálogos em paralelo com o prompt visual, em vez de tratar a fala como uma camada independente. Um teste relatado com RTX 5080 usou um prompt estruturado de múltiplas tomadas e exigiu ajustes repetidos no prompt, enquanto a geração em si continuou computacionalmente cara.

Separe a paisagem sonora da música de fundo

Use a paisagem sonora para sons que existem fisicamente na cena: passos, motores, vento, portas, multidões, movimento de tecidos ou maquinário.

Use música não diegética para músicas ouvidas pelo público, mas não pelos personagens.

Separar os dois fornece ao H3 uma direção mais útil do que uma instrução vaga como "adicionar áudio cinematográfico". O formato de prompt oficial do MiniMax mantém deliberadamente essas duas camadas de áudio separadas.

Quais Configurações e Fluxo de Trabalho de Teste Produzem Melhores Resultados no MiniMax H3?

O MiniMax documenta a saída do H3 em 4 a 15 segundos, 24 FPS, com múltiplas proporções de tela e uma borda curta padrão de 768 pixels para o fluxo de trabalho aberto H3-Base. Seu sistema completo pode produzir de 2K por meio do H3-Regenerate-2K.

Escolha duração, proporção e resolução com base na tomada

Não escolha automaticamente a duração mais longa. Combine a duração com o número de eventos significativos.

Use 16:9 para a maioria dos conteúdos horizontais, 9:16 para vídeos sociais verticais e 1:1 quando a composição quadrada servir ao canal de distribuição. No ComfyUI, os fluxos de trabalho oficiais do H3 expõem controles de proporção de tela e megapixels por meio de um seletor de resolução, sendo que contagens de pixels mais altas aumentam o custo de geração.

Use uma Escala de Fidelidade de Pré-visualização

Uma pré-visualização de baixo custo é útil, mas apenas para as perguntas certas.

Testes iniciais são bons para verificar composição, movimento principal, direção de câmera, cortes e timing aproximado. Eles são menos confiáveis para avaliar textos pequenos, rostos distantes, logotipos ou detalhes finos de produtos.

Portanto, o objetivo não é simplesmente "gerar sempre em baixa resolução primeiro". É usar gerações mais baratas para decisões estruturais e, em seguida, gastar poder de processamento nos detalhes que só se tornam visíveis em maior fidelidade.

Teste uma variável de cada vez

Uma sequência prática de produção consiste em validar primeiro a cena, depois o movimento e a câmera, em seguida o diálogo/áudio, depois referências adicionais ou cortes e, por fim, a geração de alta qualidade.

Isso importa porque o custo real do vídeo com IA costuma ser custo de geração × contagem de iterações. Em um teste da comunidade, um sistema com RTX 5080 produziu uma geração H3 de 15 segundos, 0,4MP, 10 passos em cerca de 11 minutos, com o tempo por passo aumentando substancialmente à medida que o comprimento do vídeo crescia. O usuário também relatou precisar de soluções alternativas para evitar falhas por falta de memória. Trate isso como um único caso do mundo real, e não como um benchmark universal.

Fluxo de Trabalho de Iteração: Custo Computacional vs. Fases de Teste

Como Usar o MiniMax H3 no ComfyUI, Fluxos de Trabalho de API e Corrigir Problemas Comuns?

O ComfyUI atualmente fornece modelos oficiais do H3 para Texto para Vídeo, Imagem para Vídeo e Referência para Vídeo. Seus nós nativos usam a família FL2VA para fluxos de trabalho de texto/quadro e o Ref2VA para referências multimodais.

A API do MiniMax segue um caminho diferente: as tarefas do H3 são assíncronas. Você envia uma tarefa de geração, Context-IR ou regeneração, recebe um task_id e, em seguida, consulta essa tarefa para obter o resultado. Tarefas de geração bem-sucedidas retornam o vídeo por meio de content.url, enquanto o Context-IR retorna um prompt aprimorado por meio de content.prompt.

O sistema H3 completo também não deve ser confundido com os pesos abertos do H3-Base. O MiniMax descreve três módulos: H3-Context-IR → H3-Base → H3-Regenerate-2K. O H3-Base local valida a geração em 768p, enquanto o fluxo de trabalho 2K completo combina o contexto original com o resultado de 768p para a regeneração.

Diagnostique falhas em três níveis

Antes de reescrever o prompt, identifique a camada da falha.

CamadaProblema TípicoO que Mudar
PromptAção, timing, câmera ou desfecho incorretosReescreva a linha do tempo
ReferênciaDesvio de identidade, vestuário, movimento ou vozEsclareça ou reduza os papéis das referências
RenderizaçãoTexto minúsculo, rostos distantes, detalhes finosTeste saída/configurações de maior fidelidade

Esta é uma distinção útil porque nem todo defeito visual é um problema de prompt.

Problemas comuns do MiniMax H3 e correções práticas

Se a identidade sofrer desvios, simplifique referências conflitantes e defina claramente qual fonte controla a identidade. Se um produto ou logotipo mudar, separe explicitamente os atributos que devem ser preservados dos elementos que o modelo pode reprojetar.

Se o vídeo parecer apressado, reduza ações, cortes ou diálogos em vez de adicionar mais detalhes ao prompt. Se a fala parecer comprimida, encurte o diálogo ou dê mais tempo ao locutor.

Para distorções de primeiro/último quadro, descreva a transição física intermediária em vez de especificar apenas dois pontos finais. Se uma referência de vídeo para referência tiver pouca influência, declare seu papel exato em vez de apenas anexá-la.

Os usuários locais também devem tratar o ajuste de desempenho com cuidado. O ComfyUI documenta oficialmente o Sage Attention opcional e afirma que seus fluxos de trabalho de exemplo podem ver a velocidade de geração dobrada aproximadamente com perda mínima de qualidade, mas outras técnicas de cache, quantização e otimização experimental podem envolver compensações diferentes.

Conclusão

O MiniMax H3 é mais fácil de controlar quando você trata a geração de vídeo como um fluxo de trabalho de produção em vez de um concurso de tamanho de prompt. Escolha o modo correto, atribua a cada referência uma responsabilidade específica, faça um orçamento de ações e diálogos dentro do tempo disponível, teste decisões estruturais antes da renderização de qualidade final e diagnostique falhas como problemas de prompt, referência ou renderização. Essa abordagem escala desde clipes simples de texto para vídeo até configurações multimodais complexas, refletindo como as pessoas estão criando vídeos com IA tão rápido hoje em dia.

88 idiomas e 175 dialetos

Pronto para experimentar a Leadde?

Comece seu teste gratuito hoje e crie vídeos envolventes com IA em minutos.
Começar gratuitamente