MiniMax H3 提示词指南:如何撰写更优质的视频、Ref2VA、运镜、音频和参考提示词

一个出色的 MiniMax H3 提示词(Prompt) 所定义的绝不仅仅是视觉风格。它还应明确阐述随时间推移发生的变化、运镜方式、必须保持一致的细节、每个参考素材的具体作用,以及对白、音效和配乐如何融入整个镜头序列。要想获得更强的控制力,核心在于选择正确的 H3 模式、描述可观测的变化,并为每个参考素材赋予清晰的角色。
本指南涵盖 T2VA、I2VA、FL2VA、L2VA、Ref2VA、镜头控制、音频、角色一致性以及实用的排错技巧。这些原则同样适用于结构化的 AI 视频工作流(例如 Leadde),用户可通过它将文档、培训材料和产品信息转化为可规模化的视频,并搭配旁白、数字人和多语言输出功能。
MiniMax H3 提示词指南:最佳提示词结构是什么?
理解 MiniMax H3 提示词最有效的方式,是把它当成一份视听制作脚本。与其堆砌诸如“电影感”、“写实”和“戏剧性”之类的词汇,不如去描述在短片发展过程中观众究竟能看到和听到什么,从而掌握如何制作逼真的 AI 视频。
简单的 H3 提示词公式
对于日常提示词编写,建议从以下结构入手:
主体 + 动作 + 环境 + 镜头 + 时间节奏 + 音频
例如,“一个雨中火车站的女人”奠定了场景基调,但并未提供太多时间维度的信息。一个更强的提示词会进一步解释:她正朝着站台走去,听到进站的火车声时停下脚步,转头循声望去,同时镜头以缓慢的跟拍视角跟随其后。
MiniMax 官方的基础提示词指南(Base Prompt Guide)通过三个字段将这一理念规范化:integrated_multimodal_description(综合多模态描述)、overall_soundscape(整体声景)和 non_diegetic_music(画外背景音乐)。第一个字段承载视觉时间线、动作、镜头、发言人、对话以及同步的场景音效;后两个字段则将环境/物理音效与仅供观众听到的背景音乐区分开来。
编写可观测的结果,拒绝单纯的形容词
一条实用的原则是:将抽象的意图转化为可见的行为。
与其写**“她看起来很自信”**,不如具体描述她步伐稳健、保持眼神交流、整理夹克,并且毫无犹豫地停下。
这种方法同样适用于处理限制条件。与其反复强调**“不要推镜头”,不如描述预期的视觉效果:“从头到尾,主体在画幅中的大小大致保持不变。”** 社区的一项H3 一致性测试表明,在特定的工作流中,量化的取景限制比反复下达否定性的运镜指令效果更好。这只是针对特定工作流的经验观察,并非 MiniMax 官方的绝对保证。
你应该使用哪种 MiniMax H3 模式?
选择正确的模式往往和重写提示词同等重要。MiniMax 的基础(Base)工作流支持纯文本生成,以及首帧、末帧、首尾帧任务,而其独立的 Ref2VA 检查点(Checkpoint)则专门用于处理多模态参考生成。
| 模式 | 输入 | 最佳提示词目标 |
| T2VA | 文本 | 构建完整的视听场景 |
| I2VA | 首帧图片 | 保留开场画面并向前推进 |
| FL2VA | 首帧 + 末帧 | 描述两个终点之间的过渡 |
| L2VA | 末帧图片 | 向所提供的结尾倒推构建 |
| Ref2VA | 图像/视频/音频 | 组合不同的参考角色 |
T2VA、I2VA、FL2VA 和 L2VA
T2VA 必须从零开始构建场景。I2VA 将提供的图片视作实际首帧,因此提示词应在引入运动之前,先锁定人物身份、服装,、物体、色彩和构图。
使用 FL2VA 时,提示词不应仅仅描述图片 1 和图片 2。MiniMax 明确建议描述两者之间的可观测路径:主体如何移动、姿势如何变化、物体如何被操控,以及构图或光影如何向最终画面收敛。L2VA 则通过从一个合理的早期状态出发,逐渐落脚到所提供的末帧来反向推导。
什么时候应该使用 Ref2VA?
当不同的资产承担不同的任务时——例如,一张图片定义角色,另一张定义服装,一段视频提供行走动作和运镜节奏,音频提供声音参考——此时应使用 Ref2VA。
这可以更好地理解为基于关系的生成。模型不仅需要知道每个文件中包含什么,还需要知道来自各个源的信息将如何影响最终视频。MiniMax 的全参考格式明确区分了可复用的主体、具体的图片锚点、视频级的时间源以及音频参考。
使用能够解决镜头问题的最简模式
一条实用的生产原则是:除非镜头确实需要,否则不要增加参考的复杂度。
如果一段过渡只需要精确的开头和结尾,FL2VA 就能为该任务提供直接的定义。只有当你真正需要诸如“来自图片 1 的身份 + 来自视频 1 的动作 + 来自音频 1 的声音”这种复合关系时,再切换到 Ref2VA。
这也让排错变得更加容易。当相互竞争的独立限制条件减少时,你就能更容易地判断问题究竟是出在运动、身份、取景还是音频上。

如何控制镜头、运镜、时间节奏与转场?
当把时间线当作剪辑而非单纯的段落来处理时,H3 提示词会变得更容易控制。
镜头切换、时间戳与时间预算
MiniMax 的官方格式不为 [Shot 1](镜头 1)标注时间戳。后续镜头则从递增的剪切时间开始,例如 [Shot 2] At 00:03.500([镜头 2] 在 00:03.500 处)。一个新的镜头应该引入有意义的新信息——例如不同的视角、地点、状态、主体或时间。微小的距离或角度变化,通常通过运镜来表达会比直接切镜头效果更好。
这就带来了一个实时的时间预算概念。在一个 8 秒的剪辑中,3 个动作、2 次运镜、1 次反应、1 句台词以及 2 次镜头切换都在争夺有限的时长。当生成的视频感觉仓促时,删减事件往往比添加更多描述性语言更有效。
H3 支持的运镜语言
MiniMax 文档支持的运镜操作包括推/拉(push/pull)、摇(pan)、横移(truck)、俯仰(tilt)、升降(pedestal)、弧形环绕(arc)、跟拍(tracking)、固定镜头(static shots)、主观视角(POV)、旋转(roll)以及镜头晃动(camera shake)。其推荐的逻辑本质上是:
运动类型 + 可选的幅度 + 可选的速度
因此,与其写“动态电影感镜头”,不如写一些具有可操作性的描述,例如**“镜头缓慢向右横移,同时将产品保持在画面中心”**。
将“必须保持固定”与“可以改变”的内容分离开来
在开始生成之前,先在脑海中构建一个简单的固定与可变映射图。
制作产品视频时,可能需要瓶型、标签文字、瓶盖和颜色保持固定,而摄像机位置、反光、水流和光照则随之变化。而角色序列则可以锁定面部、发型和服装,同时允许姿势和表情演变。
这减少了相互矛盾的指令,因为提示词不再要求所有的视觉属性同时发生改变。

如何在不丢失角色或产品一致性的前提下使用参考素材?
最强大的参考工作流会为每项资产分配明确的用途。
为每个参考素材赋予一个清晰的角色
一个实用的映射方案可能是:
图片 1 → 角色身份 图片 2 → 服装 图片 3 → 产品设计 视频 1 → 行走动作与运镜路径 音频 1 → 声音音色
MiniMax 官方的 Ref2VA 格式完美支持这种跨源定义:一个主体可以从图片中获取外貌,从视频中获取动作,同时单个参考文件也可以提供多个可复用的主体。
关键在于避免意外的特征转移。如果视频 1 应当提供动作,但不应提供其演员或环境,请在关系设计中明确说明。
主体、图片、分镜头脚本与参考视频
在官方术语中,<Subject N>(主体 N)代表可复用的可见内容,而当图片本身充当具体的画面、构图锚点或视频脚本与分镜头脚本参考时,使用 <Picture N>(图片 N)。<Video N>(视频 N)代表全视频层面的关系,例如剪辑、延续、运镜、切镜头、节奏或时间结构。<Audio N>(音频 N)则处理音频复制或诸如音色、语速、节奏或音乐风格等特征。
这种区分避免了一个常见的概念错误:角色参考并不自动等同于关键帧,分镜头脚本也并不自动等同于精确的终点。
参考经济性与镜头级一致性
更多的参考素材并不意味着能提供更多有价值的信息。在生产工作流中,应将参考视频裁剪至仅保留明确展示所需动作、运镜路径或声音品质的那一部分。
此外,应当在整个镜头的过程中评估身份的一致性,而不能只看第一帧。某社区测试发现,在用户的特定本地设置下,特写镜头中的身份漂移现象比小脸画面出现得明显更早。具体的精确时间不应被泛化,但这条工作流经验非常实用:在每个重要镜头的多个时间点检查面部身份、服装和小道具。
高级 Ref2VA、对话和音频提示是如何运作的?
Ref2VA 正是 H3 提示词从传统的文生视频提示转变为多模态制作规划的分水岭。
六部分 Ref2VA 提示词结构
MiniMax 的全参考指南定义了六个部分:
subject_definitions(主体定义)→ summary(摘要)→ retention_analysis(保留分析)→ detailed_description(详细描述)→ overall_soundscape(整体声景)→ non_diegetic_music(画外背景音乐)。
系统首先定义参考素材的含义,接着总结任务,解释每个参考素材如何被保留或转换,最后按播放顺序列出目标视频。
在编写正式提示词之前,一个实用的规划层级如下:
| 来源 | 保留 | 转换 | 忽略 |
| 图片 1 | 面部、发型 | — | 背景 |
| 视频 1 | — | 步行、运镜 | 演员身份 |
| 音频 1 | 音色 | 演绎方式 | 原始对话 |
这能将诸如“使用所有这些参考素材”之类的模糊请求,转化为明确的“源到目标”的关系。
对话、配音、音效与音乐
会说话的角色使用稳定的 ID,如 (S1) 和 (S2),而对话则放置在 <d>[Language] ...</d> 标签内。MiniMax 还区分了画内对话与画外音/旁白,并建议在角色仅负责旁白时,明确让该角色的嘴唇保持闭合。
环境音和物理特效属于声景(soundscape)范畴,而 non_diegetic_music 则保留给观众而非角色听到的音乐。如果你想要脚步声、雨声和物体音效,但不需要配乐,则可以保留声景并将 non_diegetic_music 设为 N/A。
自然语言提示词 vs 官方结构化提示词
简短的自然语言指令在托管的 H3 系统中依然有效,因为 MiniMax 使用了 H3-Context-IR,这是一个预处理层,它在为 H3-Base 生成结构化表示之前,会先解释文本、图像、视频和音频之间的关系。开源模型卡片将指令解析、跨模态关联、时间理解和逻辑推理描述为该过程的一部分。
这就解释了一个表面上的矛盾:简单的提示词适用于直观的托管生成任务,而结构化的提示词对于精准的多参考、对话、时间控制以及可重复的生产任务则更具价值。
为什么 MiniMax H3 会忽略提示词?最佳的测试工作流是什么?
当生成失败时,如果把所有东西一股脑全部重写,就会让故障原因变得难以排查。
常见的 H3 提示词问题与修复方法
| 问题 | 可能原因 | 首要测试方案 |
| 说话人错误 | 发言人映射不清晰 | 锁定 (S1)/(S2) |
| 角色发生变化 | 冲突的身份信号 | 简化参考素材 |
| 参考被忽略 | 角色职责模糊 | 指派单一任务 |
| 随机切镜头 | 镜头指令过多 | 改用镜头运动 |
| 时间戳被忽略 | 被用作动作时间 | 仅保留用于镜头切换 |
| FL2VA 出现跳跃 | 缺少过渡路径 | 描述中间变化过程 |
| 结尾偏离 | 收敛性弱 | 锁定最终构图 |
| 不需要的音乐 | 音频层混合 | 明确设置音乐 |
| 文字发生改变 | 措辞未被保留 | 引用精确的可见文字 |
| 视频感觉仓促 | 事件过多 | 减少节拍/事件 |
当两种模式都能解决同一个任务时,一个有用的原则是进行对照测试,而不是盲目假设更复杂的模式一定能产出更好的剪辑片段。
实用的分步 H3 测试工作流
首先为生成任务定义验收标准:也许角色身份最重要,或者产品标签、终点过渡、对话归属或运镜是不可妥协的。
然后分层进行测试:先建立角色和场景;接着加入运动和运镜;在视觉行为稳定后再添加声音和音频;只有在更简单的版本能正常工作后,再引入额外的镜头切换、分镜头脚本或更多角色。高分辨率的重新生成应当放在语义结果正确之后,因为更高的分辨率无法解决相互矛盾的参考关系。
这种分阶段的方法在可规模化的视频流水线中尤其有用。对于那些将可重复的知识或商业内容转化为视频的工作流——包括诸如 Leadde 等将 SOP 文档转为培训视频的工具,将内容结构、视觉行为、AI 旁白和最终渲染进行分离,可以使修改更容易被隔离,而不必每次都重新制作整个视频。
保存成功的镜头,拒绝全盘重生成
对于较长的项目,应将每一个成功的剪辑片段都视为经过验证的生产资产。如果镜头 1 和镜头 2 正常,但镜头 3 失败了,只需重新生成失败的部分,而不必丢弃之前所有的成果。
社区 H3 工作流正是出于这个原因开始采用检查点式的分镜头处理:一旦保存了成功的片段,后续的实验就可以在不重复支付重建早期素材所需的计算成本和创意成本的前提下进行。
这就引申出一个更广泛的生产原则:
生成 → 验证 → 保存 → 继续。
对于 AI 视频而言,提示词工程最终将演变为工作流工程。
结论
当任务被清晰地结构化,而不是仅仅用更多的文字去描述时,MiniMax H3 提示词的效果往往最好。选择适合该镜头的最简模式、描述可观测的变化、将固定属性与可变属性分离开来、为每个参考素材分配明确的角色,并逐层进行排错。对于高级的 Ref2VA 工作流,真正的优势在于让角色、动作、运镜、音频和关键帧之间的关系变得显式明确——然后将成功的生成结果转化为下一个镜头的可复用构建模块。








