Guia de Prompts MiniMax H3: Como Escrever Prompts Mais Eficazes para Vídeo, Ref2VA, Câmera, Áudio e Referência

Um prompt MiniMax H3 eficaz deve definir mais do que apenas o estilo visual. Ele deve explicar o que acontece ao longo do tempo, como a câmera se move, quais detalhes devem permanecer consistentes, a contribuição de cada referência e como o diálogo, o som e a música se encaixam na sequência. Para um controle superior, a chave é escolher o modo H3 correto, descrever mudanças observáveis e atribuir um papel claro a cada referência.

Este guia aborda T2VA, I2VA, FL2VA, L2VA, Ref2VA, controle de câmera, áudio, consistência de personagens e solução de problemas práticos. Esses princípios também se aplicam a fluxos de trabalho de vídeo de IA estruturados, como o Leadde, onde documentos, materiais de treinamento e informações de produto são transformados em vídeos escaláveis com narração, avatares e saída multilíngue.

Guia de Prompts MiniMax H3: Qual a Melhor Estrutura de Prompt?

A forma mais útil de pensar em um prompt MiniMax H3 é como um briefing de produção audiovisual. Em vez de empilhar palavras como “cinemático”, “realista” e “dramático”, descreva o que o espectador pode realmente ver e ouvir à medida que o clipe se desenvolve para entender como criar vídeos de IA realistas.

A Fórmula Simples do Prompt H3

Para prompts do dia a dia, comece com:

Subject + Action + Environment + Camera + Timing + Audio

Por exemplo, “uma mulher em uma estação de trem chuvosa” estabelece uma cena, mas não cria muita informação temporal. Um prompt mais forte explica que ela caminha em direção à plataforma, para ao ouvir um trem se aproximando, vira-se para o som e é seguida por uma câmera lenta de tracking.

O Guia Oficial de Prompts Base do MiniMax formaliza essa ideia com três campos: integrated_multimodal_description, overall_soundscape e non_diegetic_music. O primeiro abrange a linha do tempo visual, ações, planos, falantes, diálogo e áudio de cena sincronizado; os outros dois separam o som ambiental/físico da música de fundo exclusiva para o público.

Escreva Resultados Observáveis, Não Apenas Adjetivos

Uma regra útil é converter intenções abstratas em comportamento visível.

Em vez de “ela parece confiante,” descreva-a caminhando firmemente, mantendo contato visual, ajeitando a jaqueta e parando sem hesitação.

A mesma abordagem pode ajudar com restrições. Em vez de repetir “não dê zoom,” descreva o resultado pretendido: “o objeto permanece aproximadamente do mesmo tamanho no quadro do início ao fim.” Um teste de consistência H3 da comunidade relatou que restrições de enquadramento mensuráveis funcionaram melhor naquele fluxo de trabalho específico do que repetir uma instrução negativa de câmera. Esta é uma observação anedótica de fluxo de trabalho, não uma garantia oficial do MiniMax.

Qual Modo MiniMax H3 Você Deve Usar?

Escolher o modo correto pode ser tão importante quanto reescrever o prompt. O fluxo de trabalho Base do MiniMax suporta geração apenas de texto, além de tarefas de primeiro quadro, último quadro e primeiro e último quadro, enquanto seu checkpoint Ref2VA separado lida com a geração de referência multimodal.

T2VA, I2VA, FL2VA, and L2VA

T2VA deve estabelecer a cena do zero. I2VA trata a imagem fornecida como o primeiro quadro real, então o prompt deve preservar identidade, vestuário, objetos, cores e composição antes de introduzir movimento.

Com FL2VA, o prompt não deve simplesmente descrever a Imagem 1 e a Imagem 2. O MiniMax recomenda especificamente descrever o caminho observável entre elas: como o objeto se move, como as poses mudam, como os objetos são manipulados e como a composição ou iluminação convergem para o quadro final. L2VA inverte o processo de raciocínio, começando de um estado anterior plausível e gradualmente chegando ao último quadro fornecido.

Quando Você Deve Usar Ref2VA?

Use Ref2VA quando diferentes ativos desempenham funções distintas — por exemplo, uma imagem define um personagem, outra define o vestuário, um vídeo fornece o movimento de caminhada e o ritmo da câmera, e um áudio fornece uma referência de voz.

Isso é melhor compreendido como geração orientada por relacionamentos. O modelo precisa saber não apenas o que cada arquivo contém, mas como as informações de cada fonte devem influenciar o vídeo final. O formato de referência completa do MiniMax distingue explicitamente sujeitos reutilizáveis, âncoras de imagem concretas, fontes temporais de nível de vídeo e referências de áudio.

Use o Modo Mais Simples Capaz de Resolver o Plano

Uma regra prática de produção é: não adicione complexidade de referência a menos que o plano exija.

Se uma transição precisa apenas de um início e fim precisos, FL2VA oferece uma definição direta para a tarefa. Passe para Ref2VA quando você realmente precisar de relacionamentos como identidade da Imagem 1 + movimento do Vídeo 1 + voz do Áudio 1.

Isso também facilita a depuração. Quando menos restrições independentes estão competindo, é mais fácil identificar se o problema vem do movimento, identidade, enquadramento ou áudio.

Como Controlar Planos, Movimento de Câmera, Tempo e Transições?

Prompts H3 se tornam mais fáceis de controlar quando a linha do tempo é tratada como uma edição, e não como um parágrafo.

Cortes de Plano, Timestamps e Orçamento Temporal

O formato oficial do MiniMax não usa timestamp para [Shot 1]. Planos posteriores começam com tempos de corte crescentes, como [Shot 2] At 00:03.500. Um novo plano deve introduzir informações novas e significativas — como um ponto de vista diferente, localização, estado, objeto ou tempo. Uma pequena mudança de distância ou ângulo é geralmente melhor expressa como movimento de câmera, em vez de outro corte.

Isso cria um orçamento temporal prático. Em um clipe de 8 segundos, três ações, dois movimentos de câmera, uma reação, uma frase falada e dois cortes competem pela mesma duração limitada. Quando uma geração parece apressada, remover eventos geralmente funciona melhor do que adicionar mais linguagem descritiva.

Linguagem de Câmera que o H3 Pode Seguir

O MiniMax documenta operações de câmera incluindo push/pull, pan, truck, tilt, pedestal, arc, tracking, planos estáticos, POV, roll e camera shake. Sua lógica recomendada é essencialmente:

Motion Type + optional Amplitude + optional Speed

Então, em vez de “câmera cinematográfica dinâmica”, escreva algo acionável, como “a câmera se move lentamente para a direita, mantendo o produto centralizado.”

Separe o Que Deve Permanecer Fixo do Que Pode Mudar

Antes de gerar, crie um simples mapa mental de fixos vs. variáveis.

Um vídeo de produto pode exigir que o formato da garrafa, o texto do rótulo, a tampa e a cor permaneçam fixos, enquanto a posição da câmera, reflexos, movimento da água e iluminação mudam. Uma sequência de personagem pode fixar rosto, penteado e vestuário, permitindo que a pose e a expressão evoluam.

Isso reduz instruções contraditórias, pois o prompt não está mais pedindo que todas as propriedades visuais mudem de uma vez.

Como Usar Referências Sem Perder a Consistência de Personagem ou Produto?

Os fluxos de trabalho de referência mais eficazes atribuem a cada ativo um propósito específico.

Atribua Uma Função Clara a Cada Referência

Um mapeamento prático pode ser:

Image 1 → character identity Image 2 → clothing Image 3 → product design Video 1 → walking motion and camera path Audio 1 → voice timbre

O formato oficial Ref2VA do MiniMax suporta exatamente esse tipo de definição entre fontes: um sujeito pode obter a aparência de uma imagem e o movimento de um vídeo, enquanto um único arquivo de referência também pode fornecer múltiplos sujeitos reutilizáveis.

A parte importante é evitar a transferência acidental. Se o Vídeo 1 deve fornecer movimento, mas não seu ator ou ambiente, declare isso explicitamente no design do relacionamento.

Sujeitos, Imagens, Storyboards e Vídeo de Referência

Na terminologia oficial, <Subject N> representa conteúdo visível reutilizável, enquanto <Picture N> é usado quando uma imagem serve como um quadro concreto, âncora de composição ou referência de roteiro de vídeo e storyboard. <Video N> representa relacionamentos de vídeo completos, como edição, continuidade, movimento de câmera, cortes, ritmo ou estrutura temporal. <Audio N> lida com a cópia de áudio ou características como timbre de voz, entrega, ritmo ou estilo musical.

Essa distinção evita um erro conceitual comum: uma referência de personagem não é automaticamente um keyframe, e um storyboard não é automaticamente um ponto final exato.

Economia de Referência e Consistência em Nível de Plano

Mais material de referência não é automaticamente mais informativo. Em fluxos de trabalho de produção, corte um vídeo de referência para a porção que demonstra claramente o movimento, o caminho da câmera ou a qualidade vocal que você precisa.

Avalie também a identidade ao longo do plano, em vez de apenas no primeiro quadro. Um teste da comunidade encontrou uma deriva de identidade substancialmente mais precoce em close-ups do que em enquadramentos de rosto menor, sob a configuração local específica daquele usuário. Os tempos exatos não devem ser generalizados, mas a lição do fluxo de trabalho é útil: verifique a identidade do rosto, vestuário e pequenos adereços em vários pontos de cada plano importante.

Como Funcionam os Prompts Avançados de Ref2VA, Diálogo e Áudio?

Ref2VA é onde o prompting H3 se assemelha mais a um planejamento de produção multimodal do que ao prompting convencional de texto para vídeo.

A Estrutura de Prompt Ref2VA de Seis Partes

O guia de referência completa do MiniMax define seis seções:

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

O sistema primeiro define o significado das referências, depois resume a tarefa, explica como cada referência é preservada ou transferida e, finalmente, escreve o vídeo alvo na ordem de reprodução.

Uma camada de planejamento útil antes de escrever o prompt formal é:

Isso transforma uma solicitação vaga como “use todas essas referências” em relacionamentos explícitos de fonte para alvo.

Diálogo, Voz, Efeitos Sonoros e Música

Personagens falantes usam IDs estáveis como (S1) e (S2), enquanto o diálogo é colocado dentro de <d>[Language] ...</d>. O MiniMax também distingue o diálogo em tela da narração off-screen e recomenda explicitamente manter os lábios de um personagem em tela fechados quando esse personagem está apenas narrando.

Sons ambientais e efeitos físicos pertencem à paisagem sonora, enquanto non_diegetic_music é reservada para a música ouvida pelo público, e não pelos personagens. Se você quer passos, chuva e sons de objetos, mas sem trilha sonora, mantenha a paisagem sonora e defina non_diegetic_music: N/A.

Prompt em Linguagem Natural vs. Prompt Estruturado Oficial

Instruções curtas em linguagem natural ainda podem funcionar no sistema H3 hospedado porque o MiniMax usa H3-Context-IR, uma camada de pré-processamento que interpreta relacionamentos entre texto, imagens, vídeo e áudio antes de produzir uma representação estruturada para H3-Base. O cartão do modelo aberto descreve a análise de instruções, associação cross-modal, compreensão temporal e raciocínio lógico como parte desse processo.

Isso explica uma contradição aparente: prompts simples podem ser apropriados para gerações hospedadas diretas, enquanto prompts estruturados se tornam mais valiosos para tarefas de produção precisas com múltiplas referências, diálogo, tempo e repetíveis.

Por Que o MiniMax H3 Ignora Prompts, e Qual o Melhor Fluxo de Trabalho de Teste?

Quando uma geração falha, reescrever tudo de uma vez torna a causa mais difícil de identificar.

Problemas Comuns e Soluções de Prompts H3

Um princípio útil é realizar uma comparação controlada quando dois modos podem resolver a mesma tarefa, em vez de assumir que o modo mais complexo sempre produzirá o melhor clipe.

Um Fluxo de Trabalho de Teste H3 Prático e Passo a Passo

Comece definindo o critério de aceitação para a geração: talvez a identidade do personagem seja o mais importante, ou talvez o rótulo do produto, a transição do ponto final, a autoria do diálogo ou o movimento da câmera sejam inegociáveis.

Em seguida, teste em camadas: estabeleça o personagem e a cena primeiro; adicione movimento e câmera em seguida; adicione voz e som depois que o comportamento visual estiver estável; introduza cortes extras, storyboards ou personagens adicionais somente depois que a versão mais simples funcionar. A regeneração de alta resolução deve vir depois que o resultado semântico estiver correto, pois uma resolução mais alta não pode resolver relacionamentos de referência contraditórios.

Essa abordagem em etapas é especialmente útil em pipelines de vídeo escaláveis. Para fluxos de trabalho que transformam conhecimento repetível ou conteúdo de negócios em vídeo, incluindo ferramentas de treinamento de documento para vídeo como o Leadde, separar a estrutura do conteúdo, o comportamento visual, a narração de IA e a renderização final torna as revisões mais fáceis de isolar, em vez de reconstruir toda a produção a cada vez.

Salve Planos Bem-Sucedidos em Vez de Regenerar Tudo

Para projetos mais longos, trate cada clipe bem-sucedido como um ativo de produção validado. Se o Plano 1 e o Plano 2 funcionam, mas o Plano 3 falha, regenere a seção com falha em vez de descartar tudo o que veio antes.

Os fluxos de trabalho H3 da comunidade já estão usando planos com checkpoint por essa razão: uma vez que uma seção bem-sucedida é salva, experimentos posteriores podem ser executados novamente sem pagar repetidamente o custo computacional e criativo de recriar material anterior.

Isso leva a um princípio de produção mais amplo:

Generate → validate → save → continue.

Para vídeo de IA, a engenharia de prompts eventualmente se torna engenharia de fluxo de trabalho.

Conclusão

O prompting MiniMax H3 funciona melhor quando a tarefa é claramente estruturada, em vez de simplesmente descrita com mais palavras. Escolha o modo mais simples que se encaixa no plano, descreva mudanças observáveis, separe atributos fixos de variáveis, atribua a cada referência um papel específico e depure uma camada por vez. Para fluxos de trabalho Ref2VA avançados, a verdadeira vantagem vem de tornar explícitas as relações entre personagens, movimento, câmera, áudio e keyframes — e então transformar gerações bem-sucedidas em blocos de construção reutilizáveis para o próximo plano.