Leadde Logo

Så här använder du MiniMax H3: En komplett guide till prompter, referenser, ljud och ComfyUI

Leadde Team·uppdaterad den 21 okt. 2026·17 min läsning
Så här använder du MiniMax H3: En komplett guide till prompter, referenser, ljud och ComfyUI
Skapa AI-videor med över 300 avatarer på 88 språk och 175 dialekter.

MiniMax H3 används bäst genom att du först väljer rätt genereringsläge och sedan bestämmer vad som ska styras av text, bildrutor, referenser, rörelse och ljud. Du kan generera från text, låsa en första eller sista bildruta, eller använda bilder, videor och ljud för att styra identitet, rörelse, kamerabeteende och röst.

Eftersom H3 kombinerar multimodala referenser med inbyggd audiovisuell generering ger tydlig styrning oftast bättre resultat än längre promptar. Den här guiden förklarar hur du väljer rätt arbetsflöde, skriver bättre promptar, använder referenser, hanterar dialog och ljud, testar effektivt och arbetar med ComfyUI eller API:et.

Om din utgångspunkt är en PDF, presentation, SOP eller ett träningsdokument snarare än en kreativ prompt, kan Leadde passa bättre för att omvandla strukturerat källmaterial till ett videoflöde innan – eller i stället för – att manuellt regissera varje scen i H3.

Leadde AI.webp

Så här använder du MiniMax H3: Vilket arbetsflöde ska du börja med?

Det snabbaste sättet att använda MiniMax H3 är att välja genereringsläge innan du skriver prompten. H3 stöder text, inmatning av första/sista bildruta och multimodala referenser, men varje inmatning fyller en specifik funktion. MiniMax officiella modellkort delar upp dess öppna vikter (open-weight-modeller) i FL2VA för text- och bildrutebaserad generering, samt Ref2VA för referensdriven generering med bilder, videor eller ljud.

LägeBäst förVad som styr videon
T2VASkapa en scen från grundenTextprompt
I2VAUtgå från en exakt bildFörsta bildrutan + prompt
L2VANå ett specifikt slutSista bildrutan + prompt
FL2VAStyra både start och slutFörsta + sista bildrutan
Ref2VABevara identitet, rörelse, kamera, stil eller röstMultimodala referenser + prompt

Är din bild en bildruta eller en referens?

Den här distinktionen löser många styrproblem.

En bildruta är ett tidsmässigt ankare. Om en uppladdad produktbild bokstavligt talat måste vara det första tittarna ser, ska den användas som första bildruta.

En referens är återanvändbar information. Om du bara behöver hålla produktdesign, karaktärsansikte, klädsel eller visuell stil konsekvent medan du skapar en ny komposition, behandlar du den som en referens.

MiniMax officiella vägledning för promptar gör den här skillnaden tydlig: I2VA utgår från den tillhandahållna bilden vid 0,00 sekunder, medan helhetsreferensläget (full-reference) separat spårar motiv, bilder, videor och ljud utifrån vilken roll varje tillgång spelar.

H3-kontrollstacken

Innan du skapar prompten bestämmer du vad som ska styras i videons sex delar: identitet, tidslinje, rörelse, kamera, ljud och avslutning.

Till exempel kan en reklamvideo använda en referensbild för produktidentitet, text för produktens handling, en referensvideo för kamerarörelser, inbyggda ljudinstruktioner för ljuddesign och en sista bildruta för den slutliga hjältebilden.

Detta förhindrar ett vanligt misstag: att kräva att en enda lång textprompt ska styra allting.

The H3 Control Stack: Vector Comparison

Hur skriver du en MiniMax H3-prompt som ger dig mer kontroll?

En användbar H3-prompt beskriver videon i uppspelningsordning. Tänk som en regissör som beskriver vad som faktiskt kan ses och höras, snarare än som en copywriter som radar upp adjektiv – ungefär som när du följer beprövade metoder för att skriva ett effektivt videomanus.

En praktisk struktur är:

Scen → Motiv → Handling → Kamera → Dialog/Ljud → Slut

MiniMax officiella grundformat för promptar följer samma underliggande logik. Dess integrated_multimodal_description beskriver tagningar i sekvens, medan overall_soundscape och non_diegetic_music styr fysiskt ljud respektive soundtrack separat.

Bygg scenen i uppspelningsordning

I stället för:

En exklusiv, filmisk hudvårdsreklam med dramatisk rörelse.

Använd en observerbar sekvens:

En flaska med ett exklusivt serum står på en mörk stensockel. Ett smalt ljus sveper över etiketten. Flaskan roterar långsamt medurs samtidigt som kameran glider närmare. Kondensen fångar ljuset. Flaskan stannar upp med logotypen vänd mot kameran.

Den andra versionen ger H3 synliga tillståndsändringar att utföra.

Överväg också en komplexitetsbudget. Ett 10 sekunder långt klipp med tre karaktärer, fyra klipp, en förvandling, två repliker, en rörlig kamera och flera referenser kan vara tekniskt beskrivbart, men det betyder inte att alla dessa händelser får plats naturligt på tio sekunder.

Regissera kamerarörelser och klipp medvetet

Ange kamerabeteende endast när det bidrar till tagningen: åk in (push in), åk ut (pull back), panorera (pan), följ (track), tilta (tilt), gör en bågrörelse (arc) eller förbli statisk.

Undvik att förvandla varje justering av bildutsnittet till ett nytt klipp. En långsam övergång från halvbild till närbild kan ofta beskrivas som en kamerarörelse i stället för en ny scen.

Definiera slutet, inte bara handlingen

En prompt blir enklare att styra när den förklarar var handlingen rundas av.

I stället för att avsluta med ”karaktären går mot fönstret”, definierar du det slutgiltiga tillståndet: karaktären stannar bredvid fönstret, vänder sig mot kameran och förblir inramad mot stadssiluetten.

Detta är extra viktigt för produktdemovideor, logotyptagningar, övergångar och arbetsflöden med första/sista bildruta.

Hur använder du bilder, videor, storyboards och röstreferenser i MiniMax H3?

Referens-till-video (reference-to-video) är det som gör att H3 blir mer än ett konventionellt bild-till-video-verktyg. Den officiella Ref2VA-modellen accepterar multimodala referenser och kan använda dem för att påverka identitet, rörelse, kamerabeteende, stil och ljud. MiniMax dokumenterar för närvarande stöd för upp till nio bilder, tre referensvideor, tre ljudklipp och totalt 12 blandade filer.

Ge varje referens en tydlig uppgift

Ett starkt referensupplägg kan till exempel tilldela:

Bild 1 → karaktärens identitet; Bild 2 → kläder; Video 1 → kroppsrörelse; Video 2 → kamerarörelse; Ljud 1 → röst.

ComfyUI:s officiella H3-dokumentation rekommenderar samma princip: referera till varje indata i anslutningsordning och ange uttryckligen vilken tillgång som styr identitet, stil, rörelse, kamera eller röst.

Fler referenser skapar inte automatiskt bättre kontroll. De skapar fler relationer som H3 måste reda ut. Om två bilder antyder olika kläder samtidigt som en referensvideo innehåller ett annat karaktärsutseende måste modellen avgöra vilken signal som väger tyngst, såvida inte prompten gör dessa ansvarsområden glasklara.

<Subject> vs <Picture>

I MiniMax fullreferensformat representerar <Subject N> återanvändbart synligt innehåll såsom en person, ett föremål, en miljö eller ett annat element som har abstraherats från referenstillgångarna. <Picture N> representerar en konkret bild som används som bildruta eller kompositionsankare. <Video N> och <Audio N> spårar tidsmässiga eller audiotekniska referenser.

Detta innebär att ett motiv (subject) inte behöver vara lika med en fil. En karaktär kan kombinera ansiktsidentitet från en bild med information om kläder eller rörelse från en annan källa.

När ska du använda en storyboard?

När rumsliga relationer blir svårare att förklara än att visa, kan en storyboard fungera som ett visuellt planeringslager. Detta är särskilt användbart för sekvenser med flera tagningar, produktavslöjanden, karaktärsplacering (blocking) eller återkommande kompositioner.

Ur ett perspektiv av AI-videoflöden är fördelen inte att en storyboard garanterar varje enskild bildruta. Den minskar mängden rumslig och tagningsteknisk information som annars enbart måste kommuniceras genom löpande text.

MiniMax H3 Maximum Reference File Limits

Hur styr du dialog, ljudeffekter och musik i MiniMax H3?

H3 genererar inbyggt stereoljud tillsammans med videon i stället för att behandla ljud som ett separat efterproduktionslager. MiniMax specificerar 32 kHz stereoutdata, och dess promptsystem stöder dialog, fysiska ljud och icke-diegetisk musik som separata begrepp.

Skriv dialog som en del av tagningen

Dialog bör svara på fyra frågor: vem som pratar, vad de säger, när de pratar och hur mycket skärmtid de har.

MiniMax strukturerade format kan använda bestående talar-ID:n som (S1) och dialogtaggar som <d>[English]...</d>. Nybörjare behöver dock inte börja med syntaxen. Den viktigaste principen är tajming.

Använd dialogbudget

Dialog förbrukar faktiska sekunder.

Om en talare syns i fyra sekunder ska du undvika att skriva en mening som realistiskt sett kräver åtta sekunder att leverera. Annars tvingas modellen komprimera, stressa, kapa eller förvränga talet.

Det här spelar roll i praktiken eftersom lokala H3-användare redan itererar kring tagningstajming och dialog parallellt med den visuella prompten, i stället för att behandla talet som ett fristående lager. Ett rapporterat test med ett RTX 5080-kort använde en strukturerad flertagningsprompt och krävde upprepade justeringar av prompten, medan själva genereringen förblev beräkningsmässigt krävande.

Separera ljudlandskap från bakgrundsmusik

Använd ljudlandskapet (soundscape) för ljud som rent fysiskt existerar i scenen: fotsteg, motorer, vind, dörrar, folksamlingar, tygrörelser eller maskiner.

Använd icke-diegetisk musik för musik som hörs av publiken men inte av karaktärerna.

Genom att hålla isär de två delarna ger du H3 mer träffsäkra instruktioner än en vag uppmaning som ”lägg till filmiskt ljud”. MiniMax officiella promptformat håller avsiktligt isär dessa två ljudlager.

Vilka inställningar och testflöden ger bättre resultat med MiniMax H3?

MiniMax dokumenterar H3-utdata i 4–15 sekunder, 24 FPS, med flera bildformat och a standardmässig kort sida på 768 pixlar för det öppna H3-Base-arbetsflödet. Dess fullständiga system kan producera 2K genom H3-Regenerate-2K.

Välj längd, bildformat och upplösning baserat på tagningen

Välj inte automatiskt den längsta varaktigheten. Matcha längden mot antalet meningsfulla händelser.

Använd 16:9 för det mesta landskapsinnehållet, 9:16 för vertikala sociala medier-videor och 1:1 när kvadratisk komposition passar distributionskanalen. I ComfyUI exponerar de officiella H3-arbetsflödena kontroller för bildformat och megapixel via en upplösningsväljare (Resolution Selector), där högre pixeltal ökar genereringskostnaden.

Använd en förhandsgranskning i flera nivåer (Preview Fidelity Ladder)

En billig förhandsgranskning är användbar, men bara för rätt frågor.

Tidiga tester är bra för att kontrollera komposition, övergripande rörelse, kamerariktning, klipp och grovt uppskattad tajming. De är mindre tillförlitliga när det gäller att utvärdera små texter, avlägsna ansikten, logotyper eller fina produktdetaljer.

Målet är därför inte att "alltid generera i låg upplösning först". Målet är att använda billigare genereringar för strukturella beslut, för att sedan lägga beräkningskraft på de detaljer som bara blir synliga vid högre kvalitet.

Testa en variabel i taget

En praktisk produktionssekvens är att validera scenen först, sedan rörelse och kamera, därefter dialog/ljud, följt av ytterligare referenser eller klipp, och till sist högkvalitetsgenereringen.

Detta är viktigt eftersom den verkliga kostnaden för AI-video ofta är genereringskostnad × antal iterationer. I ett community-test producerade ett RTX 5080-system en 15 sekunder lång H3-generering på 0,4 MP med 10 steg på ungefär 11 minuter, där tiden per steg ökade avsevärt i takt med att videons längd växte. Användaren rapporterade också att workaround-lösningar krävdes för att undvika minnesbrist (out-of-memory). Se detta som ett enskilt verkligt exempel och inte som ett universellt mätvärde.

Iteration Workflow: Compute Cost vs. Testing Phases

Hur använder du MiniMax H3 i ComfyUI, API-arbetsflöden och löser vanliga problem?

ComfyUI tillhandahåller för närvarande officiella H3-mallar för Text-to-Video, Image-to-Video och Reference-to-Video. Dess inbyggda noder använder FL2VA-familjen för text-/bildrutearbetsflöden och Ref2VA för multimodala referenser.

MiniMax API tar en annan väg: H3-uppgifter är asynkrona. Du skickar in en genererings-, Context-IR- eller regenereringsuppgift, tar emot ett task_id och frågar sedan av den uppgiften för att få resultatet. Lyckade genereringsuppgifter returnerar videon via content.url, medan Context-IR returnerar en förbättrad prompt via content.prompt.

Det fullständiga H3-systemet ska heller inte förväxlas med de öppna H3-Base-vikterna. MiniMax beskriver tre moduler: H3-Context-IR → H3-Base → H3-Regenerate-2K. Lokala H3-Base validerar 768p-generering, medan det fullständiga 2K-arbetsflödet kombinerar det ursprungliga sammanhanget med 768p-resultatet för regenerering.

Felsök problem på tre nivåer

Innan du skriver om prompten ska du identifiera vilket lager som brustit.

LagerTypiskt problemVad du bör ändra
PromptFelaktig handling, tajming, kamera eller slutSkriv om tidslinjen
ReferensIdentitet, kläder, rörelse eller röst driver ivägFörtydliga eller minska antalet referensroller
RenderingPytteliten text, avlägsna ansikten, fina detaljerTesta utdata/inställningar med högre kvalitet

Det här är en användbar distinktion eftersom inte varje visuellt fel beror på ett promptproblem.

Vanliga problem med MiniMax H3 och praktiska lösningar

Om identiteten driver iväg, förenkla motstridiga referenser och definiera tydligt vilken källa som styr identiteten. Om en produkt eller logotyp förändras, separera uttryckligen attribut som måste bevaras från element som modellen tillåts omforma.

Om videon känns stressad, minska antalet handlingar, klipp eller dialoger i stället för att lägga till mer information i prompten. Om tal låter komprimerat, korta ner dialogen eller ge talaren mer tid.

När det gäller artefakter vid första/sista bildrutan, beskriv den mellanliggande fysiska övergången i stället för att bara ange två slutpunkter. Om en R2V-referens har liten påverkan bör du ange dess exakta roll i stället för att bara bifoga den.

Lokala användare bör också hantera prestandaoptimering med försiktighet. ComfyUI dokumenterar officiellt valfri Sage Attention och anger att dess exempelflöden kan ge ungefär fördubblad genereringshastighet med minimal kvalitetsförlust, men andra cachnings-, kvantiserings- och experimentella optimeringstekniker kan innebära andra avvägningar.

Slutsats

MiniMax H3 är enklare att styra när du behandlar videogenerering som ett produktionsflöde i stället för en tävling om längst prompt. Välj rätt läge, ge varje referens ett specifikt ansvarsområde, budgetera handlingar och dialog inom den tillgängliga tiden, testa strukturella beslut före slutgiltig rendering, och felsök problem genom att ringa in dem till antingen prompten, referensen eller renderingen. Det tillvägagångssättet skalas upp från enkla text-till-video-klipp till komplexa multimodala upplägg, vilket speglar hur folk skapar AI-videor så snabbt i dag.

88 språk och 175 dialekter

Redo att prova Leadde?

Kom igång gratis idag och skapa engagerande AI-videor på några minuter.