MiniMax H3: guía oficial de prompts para los cinco modos

Resumen del tutorial

Los prompts de MiniMax H3 son estructurados, no de forma libre. El modelo espera nombres de campo, orden de secciones y notación de tiempos exactamente como los especifica la guía oficial. Este tutorial explica la estructura de los cinco modos de generación: T2VA, I2VA, FL2VA, L2VA y Ref2VA.

Los cinco modos de generación

Los tres campos principales (T2VA / I2VA / FL2VA / L2VA)

Cada prompt en modo base termina con tres campos, en este orden exacto:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description: el cuerpo principal. Describe los elementos visuales, las acciones, los planos, los hablantes, el diálogo, el canto y el audio diegético a lo largo de la línea temporal.
• overall_soundscape: de 1 a 4 frases en inglés que resumen el sonido ambiente, los sonidos de acciones físicas y los sonidos humanos no verbales (viento, lluvia, tráfico, pasos, impactos, respiración). No repitas aquí el diálogo ni la música. Usa N/A solo para silencio total.
• non_diegetic_music: de 1 a 3 frases en inglés que describen la música de fondo que solo escucha la audiencia. Indica la instrumentación, la velocidad, el ritmo y la dinámica; sin palabras abstractas de estado de ánimo. Usa N/A cuando no haya ninguna.

Instrucciones de alineación de fotogramas clave

En los modos de fotograma clave, la línea de instrucción va primero, seguida de una línea en blanco y, después, de los tres campos principales:

I2VA:

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

FL2VA:

How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.

L2VA:

How the reference pictures align with the target video — <Picture 1> (from [Shot N]) aligns with the S.SS-second mark of the target video.

N es el índice del plano final real, y S.SS es la duración del vídeo con exactamente dos decimales.

Redacción de la descripción multimodal

Estructura de planos y cortes

• Sin marca de tiempo en el primer plano. Los planos posteriores comienzan con un tiempo de corte estrictamente creciente:

[Shot 2] At 00:03.500, the camera cuts to...

• Vocabulario de corte: the camera cuts to, the shot cuts to, the shot transitions to, the shot changes to, the shot switches to. Disolvencia cruzada, fundido o barrido solo cuando se soliciten explícitamente.
• Un corte debe introducir nueva información (sujeto, espacio, estado, punto de vista, tiempo). Para cambios de distancia o de ángulo ligeros, es preferible el movimiento de cámara.

Movimiento de cámara: tipo + amplitud + velocidad

Escriba el movimiento de cámara como inglés natural dentro del plano, no como etiquetas apiladas:

The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
The camera pans right with large amplitude at fast speed, revealing the open doorway.
The camera holds a static shot as the runner exits the frame.

Omita la amplitud y la velocidad cuando sean medias o normales (el valor predeterminado).

Hablantes, diálogo y canto

• IDs de hablante estables (S1), (S2); compuestos (S1,S2) para habla simultánea. Los IDs persisten entre planos; los personajes que no vocalizan no tienen ninguno.
• En la primera aparición, establezca la identidad: tipo de personaje, edad, género, dentro o fuera de pantalla, tono, timbre, velocidad, acento.
• Mantenga la frase identificativa, el ID, la acción y la interpretación fuera de <d>; dentro de <d> solo la etiqueta de idioma y el contenido literal del usuario:

The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>

• Voz en off: use exactamente says in an off-screen voiceover y luego indique que los labios del personaje en pantalla permanecen cerrados:

The man (S1) says in an off-screen voiceover: <d>[English] I still remember that road.</d> while his lips remain completely closed.

• Diálogo entre cortes: use <scenetrans> en ambos puntos de conexión e indique que el audio continúa a través del corte (continues seamlessly across the cut). Use <cutoff> cuando el habla se trunca al final del vídeo.

Texto en pantalla

Cualquier pancarta, letrero, etiqueta, subtítulo o texto de neón visible va entre comillas dobles inglesas, de forma literal:

A red neon sign reading "营业中" glows above the doorway.

## Modo de Referencia Completa (Ref2VA): Formato de Seis Secciones

Las reescrituras de Ref2VA usan seis secciones en este orden exacto:

| Sección | Propósito |
|---------|---------|
| `subject_definitions` | Define el contenido referenciado y sus etiquetas |
| `summary` | Tipo de tarea + vídeo objetivo + relaciones de referencia principales |
| `retention_analysis` | Cómo se preserva/transfiere cada elemento referenciado |
| `detailed_description` | Descripción plano por plano en orden de reproducción |
| `overall_soundscape` | Ambiente y sonidos físicos |
| `non_diegetic_music` | Música de fondo solo para el público |

### Etiquetas de referencia

| Etiqueta | Significado |
|-------|---------|
| `<Subject N>` | Contenido visible reutilizable abstraído de las referencias |
| `<Picture N>` | Imagen de referencia como ancla de fotograma o referencia de planificación |
| `<Video N>` | Vídeo de referencia como fuente de edición / continuación / estructura |
| `<Audio N>` | Señal de audio copiada o referenciada |

Las etiquetas mantienen su significado en las seis secciones. `<Video N>` y `<Audio N>` se numeran de forma independiente.

### Tipos de tarea en `summary`

| Tipo de tarea | Úsalo cuando |
|-----------|----------|
| `keyframe completion` | La imagen sirve como ancla de fotograma concreta |
| `reference generation` | El recurso proporciona orientación sin ser un fotograma concreto |
| `video editing` | Se modifica directamente un vídeo fuente |
| `video continuation` | El contenido nuevo continúa a partir de un vídeo fuente |
| `audio reuse` | Se reutiliza la misma señal de audio |
| `audio reference` | Solo se referencia el estilo/timbre/contenido del audio |

Combina varios tipos con ` + `, p. ej. `[video continuation + keyframe completion]`.

### Marcadores de relación en `retention_analysis`

**Contenido visible:** `fully_preserved`, `partially_preserved`, `attribute_transfer`, `weak_reference`
**Audio:** `fully_copy`, `partially_copy`, `reference`, `weak_reference`

<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - ...
<Audio 1>: reference - the target speaker follows <Audio 1>'s voice timbre without copying the original signal.

Diferencias en detailed_description

• El estilo se establece en una o dos frases en inglés antes de [Shot 1] (no después).
• Inserta <Subject N>, <Picture N>, <Video N>, <Audio N> en su primera aparición y donde apliquen sus roles.
• Cita <Audio N> en el plano o fase donde la relación de audio esté activa, e indica si la señal se copia o se referencia.
• Las tareas de generación suelen ocupar entre 350 y 500 palabras en inglés; el contenido con mucho diálogo prioriza la línea temporal completa del habla sobre el recuento de palabras.
• Usa <Subject N> (Sx) cuando un sujeto referenciado habla físicamente. No inventes (Sx) para indicaciones de voz dentro de una banda sonora reutilizada directamente (usa <Audio N> en su lugar).
• El diálogo/letra reutilizado va dentro de <d> de forma literal; escribe [unclear] para fragmentos ininteligibles; termina las declaraciones con ./?/!.

Ejemplo completo (T2VA)

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: <d>[English] First batch of the morning.</d> [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.

overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.

Recursos oficiales

• Skill de escritura de prompts: MiniMax-AI/MiniMax-H3/skills/h3-prompt-writing
• Guía del modo base (completa): base-en.txt
• Guía con referencia completa (completa): ref-en.txt
• Skills de estilo: MiniMax-AI/MiniMax-H3/skills (8 skills de generación de vídeo con SKILL.md bilingüe)
• Página del modelo: MiniMax H3
• Noticias relacionadas: MiniMax H3 publica sus skills oficiales