MiniMax H3 提示词结构

H3 官方仓库说明基础生成支持 4 至 15 秒。当前生成器提供 4、6、10、15 秒快捷选项。你需要让本地任务的真实时长与提示词一致，尤其要检查尾帧对齐时间。

你可以先用静音单镜头检查动作，确认后再加入声音。如果首帧里没有清晰的手或道具，你应先换构图，再测试精细拿取动作。提示词无法替代可见的参考细节。

当前生成器 的生成器支持 T2VA、I2VA 和 FL2VA。L2VA 与 Ref2VA 还需要收集尾帧用途和多项素材职责。网站不会在缺少这些信息时生成空标签。

• T2VA：纯文字建立完整音视频时间线。
• I2VA：首帧固定开场状态，提示词描述之后怎样发展。
• FL2VA：首帧与尾帧固定两端，提示词描述中间路径。
• L2VA：给定尾帧，提示词需要设计合理的前置状态。
• Ref2VA：图片、视频和音频分别承担人物、动作、运镜、节奏或声音参考。

integrated_multimodal_description 负责画面、主体、动作、镜头、对白和画内声音。overall_soundscape 汇总环境声、动作声和非语言人声。non_diegetic_music 单独说明只让观众听到的背景配乐。

官方指南要求结构化描述使用英文。对白、歌词和画面内文字可以保留原语言。没有非叙事配乐时，non_diegetic_music 使用 N/A；只有用户明确要求全片完全静音时，overall_soundscape 才使用 N/A。

I2VA 需要在三个字段前把 Picture 1 对齐到 0.00 秒和 Shot 1。FL2VA 需要把 Picture 1 对齐到 0.00 秒，并把 Picture 2 对齐到用户实际设置的视频结束时间。网页选择的时长必须与 H3 任务参数保持一致。

一个连续镜头可以分成建立、执行和收束三个阶段。动作描述需要说明初始状态、因果顺序、物体归属和最终停留位置。首尾帧模式还要逐步缩小与尾帧在姿态、位置、构图和光线上的差异。

官方运镜词同时区分类型、幅度和速度。提示词应把运镜写进完整句子，例如让摄影机以较小幅度和缓慢速度向主体推进。标签堆叠很难说明摄影机在空间中的实际路径。

H3 会生成原生音频。创作者需要先决定画面里真实存在的声音，再决定观众是否听到额外配乐。咖啡馆的室内底噪、杯子碰触声和背景音乐承担不同职责。

帧省当前提供环境原声、仅动作音效、轻柔配乐、节奏配乐和完全静音。对白功能需要继续收集说话人、语言和原始台词，本版暂未自动生成对白标签。

下面的案例由帧省原创。草稿版便于先检查创意；结构版适合复制到本地 H3 工作流后继续修改。

创作者可以先问三个问题：物品在谁手里？动作通过哪条路径发生？声音在什么可见动作之后出现？例如，杯子应先离开桌面，杯底才会离开原来的接触点；放回桌面时，接触声应与触桌时刻一致。

创作者还应核对结束状态。人物拿起杯子后仍持杯时，结尾不能同时描述空手挥手。这个检查清单属于本站编辑建议，不代表已测得固定的成功率提升。

MiniMax 官方把 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 列为完整系统的三个部分。官方说明 H3-Context-IR 会理解并扩写自由文本和多模态输入。开源版本没有包含 H3-Context-IR 的实现；MiniMax 通过官方 API 提供这项服务。

帧省可以帮助本地用户把中文创意整理成公开的官方结构。帧省没有复现官方 Context-IR，也没有官方数据证明两者效果相同。