你打开MiniMax-H3,输入"一个女孩在雨中奔跑,画面唯美",等半分钟出来的片子镜头乱晃、脸部走形,连雨声都没有——问题往往不在模型,在提示词没写对。这篇文章拆解H3的四种任务类型和三个核心字段,教你像导演一样给出精确指令。
你兴冲冲打开MiniMax-H3,输入"一个女孩在雨中奔跑,画面唯美",点了生成。等了半分钟,视频出来了。镜头乱晃,女孩的脸走形,没有脚步声,没有雨声,背景音乐像从电梯里偷录的。你关掉页面,心想:就这?但问题大概率不在模型,在你的提示词。
2026年8月3日,MiniMax正式开源了新一代全模态生成模型H3,能同时理解文字、图片、视频和音频,生成最高2K分辨率、最长15秒、带原生立体声的视频。简单说,你给它一段描述,它帮你拍一段带声音的短片。但H3不是"你说什么它画什么"的画板,它更像一个听指令干活的全能剧组——你得告诉它拍什么镜头、镜头怎么动、谁在说话、现场什么声音、配什么音乐。指令越精确,出片越稳。
先搞清楚:你要拍哪种片子
H3把视频生成拆成四种任务类型。T2VA是文生视频,你只有剧本没有图,自由度最高也最容易跑偏;I2VA是图生视频,你有一张开场截图,人物服装场景得跟着图走;FL2VA是首尾帧生视频,你有开头结尾两张图,中间怎么过渡你来写;L2VA是尾帧生视频,只有结尾截图,得反推一个合理的前情。选错类型,模型会一脸懵。
提示词的骨架:三个核心部门
不管选哪种任务类型,提示词主体结构一样,可以理解成剧组的三个部门。integrated_multimodal_description是摄影指导的镜头脚本,画面风格、人物动作、镜头运动、对白全写在这——这是篇幅最大的字段。overall_soundscape是录音师的现场音笔记,雨声风声脚步声这些非语言音效,用1到4句话概括,注意对白和唱歌不归这管。non_diegetic_music是配乐监督的简报,角色听不到、只有观众能听到的背景音乐,写清楚乐器和节奏,别写"悲伤的音乐"这种抽象词。
如果是I2VA、FL2VA或L2VA,最前面还要加一行对齐指令告诉模型参考图对应哪个时间点;T2VA没有这行。
镜头脚本怎么拆解
第一个镜头开头要定风格(cinematic、live-action、2D-animated这些词库里选)和景别。后续镜头切换要写清时间戳,比如"At 00:03.500, the camera cuts to..."。镜头运动是最容易被小白忽略但影响最大的部分,得写成运动类型+幅度+速度的组合,像"The camera pushes in with small amplitude at slow speed"这样融进动作句里,别堆成一串标签。
说话人要给稳定ID比如(S1),第一次出场描述年龄性别音色,对白放进[语言] 原文标签里,一字不改不翻译。旁白要写"says in an off-screen voiceover"并紧跟一句嘴唇没动。画面里能看到的招牌字幕文字,用英文双引号包裹保留原文。
四个坑,踩过的都懂
对白不标语言标记,模型可能乱发音;镜头运动堆成标签而不是自然语句,画面容易生硬;音乐写"sad music"这种情绪词模型压根不认,得写具体乐器和速度;I2VA不写一致性约束,人物就容易越拍越变样。还有个坑是FL2VA只顾着描述首尾两张图各自长啥样,却漏了中间那段运动路径才是重点。
懒得手写?丢给AI帮你搭
如果觉得按格式手写太麻烦,可以把H3的提示词规范整理成一段系统提示词,发给GPT、Claude、DeepSeek这类大语言模型,告诉它你想要的画面内容,它会按格式吐出标准提示词,复制粘贴进H3就能用。这个办法对刚上手、还没摸清各个字段边界的人尤其省事。 写好提示词,你就已经赢了一半。MiniMax-H3说到底是个听指令干活的剧组,你给的指令越像一份专业镜头脚本,它回你的东西就越像一段专业短片。选对任务类型,写满三个核心字段,把镜头运动和对白写具体——这几件事做到位,剩下的交给它就行。