MiniMax H3 : guide officiel des prompts, cinq modes

Présentation du tutoriel

Les prompts MiniMax H3 sont structurés, et non libres. Le modèle attend des noms de champs, un ordre de sections et une notation temporelle exactement tels que le guide officiel les définit. Ce tutoriel explique la structure des cinq modes de génération : T2VA, I2VA, FL2VA, L2VA et Ref2VA.

Les cinq modes de génération

Les trois champs fondamentaux (T2VA / I2VA / FL2VA / L2VA)

Chaque prompt en mode base se termine par trois champs, dans cet ordre exact :

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description : le corps principal. Décrit les visuels, les actions, les plans, les locuteurs, le dialogue, le chant et l'audio diégétique au fil de la timeline.
• overall_soundscape : 1 à 4 phrases en anglais résumant les sons d'ambiance, les sons d'action physique et les sons humains non verbaux (vent, pluie, circulation, pas, impacts, respiration). Ne répétez pas le dialogue ni la musique ici. Utilisez N/A uniquement pour un silence total.
• non_diegetic_music : 1 à 3 phrases en anglais décrivant uniquement la musique de fond que seul le public entend. Précisez l'instrumentation, la vitesse, le rythme, la dynamique ; pas de mots d'humeur abstraits. Utilisez N/A lorsqu'il n'y en a pas.

Instructions d'alignement des keyframes

Pour les modes keyframe, la ligne d'instruction vient en premier, suivie d'une ligne vide, puis des trois champs fondamentaux :

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 est l'index du dernier plan réel, et S.SS est la durée de la vidéo formatée avec exactement deux décimales.

Écrire la description multimodale

Structure des plans et coupes

• Aucun horodatage sur le premier plan. Les plans suivants commencent par un temps de coupe strictement croissant :

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

• Vocabulaire de coupe : the camera cuts to, the shot cuts to, the shot transitions to, the shot changes to, the shot switches to. Le fondu enchaîné, le fondu et le volet ne sont utilisés que lorsqu'ils sont demandés explicitement.
• Une coupe doit introduire de nouvelles informations (sujet, espace, état, point de vue, temps). Pour un changement de distance ou un léger changement d'angle, préférez le mouvement de caméra.

Mouvement de caméra : type + amplitude + vitesse

Rédigez le mouvement de caméra en anglais naturel à l'intérieur du plan, et non sous forme d'étiquettes empilées :

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.

Omettez l'amplitude et la vitesse lorsqu'elles sont moyennes/normales (valeur par défaut).

Locuteurs, dialogue et chant

• Identifiants de locuteur stables (S1), (S2) ; identifiant composé (S1,S2) pour une prise de parole simultanée. Les identifiants persistent d'un plan à l'autre ; les personnages qui ne vocalisent pas n'en reçoivent aucun.
• Lors de la première apparition, établissez l'identité : type de personnage, âge, genre, à l'écran ou hors écran, hauteur, timbre, débit, accent.
• Gardez la phrase d'identification, l'identifiant, l'action et l'interprétation en dehors de <d> ; à l'intérieur de <d>, placez uniquement la balise de langue et le contenu verbatim de l'utilisateur :

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

• Voix hors champ : utilisez exactement says in an off-screen voiceover, puis précisez que les lèvres du personnage à l'écran restent fermées :

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

• Dialogue à travers les coupes : utilisez <scenetrans> aux deux points de raccord et précisez que l'audio se poursuit à travers la coupe (continues seamlessly across the cut). Utilisez <cutoff> lorsque la parole est tronquée à la fin de la vidéo.

Texte à l'écran

Toute bannière, enseigne, étiquette, sous-titre ou texte néon visible est placé entre guillemets doubles anglais, verbatim :

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

## Mode référence complète (Ref2VA) : format en six sections

Les réécritures Ref2VA utilisent six sections dans cet ordre exact :

| Section | Objectif |
|---------|---------|
| `subject_definitions` | Définit le contenu référencé et ses libellés |
| `summary` | Type de tâche + vidéo cible + relations de référence principales |
| `retention_analysis` | Comment chaque élément référencé est préservé/transféré |
| `detailed_description` | Description plan par plan dans l'ordre de lecture |
| `overall_soundscape` | Ambiance et sons physiques |
| `non_diegetic_music` | Musique de fond réservée au public |

### Libellés de référence

| Libellé | Signification |
|-------|---------|
| `<Subject N>` | Contenu visible réutilisable abstrait à partir des références |
| `<Picture N>` | Image de référence servant d'ancrage de frame ou de référence de planification |
| `<Video N>` | Vidéo de référence servant de source de montage / continuation / structure |
| `<Audio N>` | Signal audio copié ou référencé |

Les libellés conservent leur signification dans les six sections. `<Video N>` et `<Audio N>` sont numérotés indépendamment.

### Types de tâches dans `summary`

| Type de tâche | À utiliser quand |
|-----------|----------|
| `keyframe completion` | L'image sert d'ancrage de frame concret |
| `reference generation` | L'élément fournit des indications sans être une frame concrète |
| `video editing` | Une vidéo source est directement modifiée |
| `video continuation` | Le nouveau contenu poursuit une vidéo source |
| `audio reuse` | Le même signal audio est réutilisé |
| `audio reference` | Seuls le style/le timbre/le contenu de l'audio sont référencés |

Combinez plusieurs types avec ` + `, par exemple `[video continuation + keyframe completion]`.

### Marqueurs de relation dans `retention_analysis`

**Contenu 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.

Différences de detailed_description

• Le style est établi en une ou deux phrases en anglais avant [Shot 1] (et non après).
• Insérez <Subject N>, <Picture N>, <Video N>, <Audio N> à leur première apparition et là où leurs rôles s'appliquent.
• Citez <Audio N> dans le plan ou la phase où la relation audio est active, et précisez si le signal est copié ou référencé.
• Les tâches de génération font normalement 350 à 500 mots anglais ; le contenu dense en dialogues privilégie la chronologie complète des paroles plutôt que le nombre de mots.
• Utilisez <Subject N> (Sx) lorsqu'un sujet référencé parle physiquement. N'inventez pas de (Sx) pour des indications vocales à l'intérieur d'une bande sonore directement réutilisée (utilisez <Audio N> à la place).
• Les dialogues/paroles réutilisés vont tels quels à l'intérieur de <d> ; écrivez [unclear] pour les passages inintelligibles ; terminez les énoncés par ./?/!.

Exemple complet (T2VA)

integrated_multimodal_description: [Plan 1] Prise de vues réelles, cinématographique : un plan moyen-large cadre un boulanger qui ouvre les volets d'une petite boulangerie de rue avant le lever du soleil. La caméra avance légèrement, à vitesse lente, tandis que le boulanger d'âge mûr, à la voix calme et légèrement rauque (S1), dépose une miche fraîche sur le comptoir en bois et dit : <d>[English] First batch of the morning.</d> [Plan 2] À 00:05.000, la caméra passe à un gros plan sur la vapeur qui s'élève du pain tranché, tandis que les derniers mots du boulanger se prolongent depuis le plan précédent.

overall_soundscape: Les volets en bois s'ouvrent en raclant sur une rue silencieuse, tandis que les plateaux tintent doucement à l'intérieur de la boulangerie. La sonnette de la porte retentit une fois, suivie de pas légers et du son croustillant du pain que l'on tranche.

non_diegetic_music: Un motif de guitare acoustique doux à tempo modéré, rejoint par quelques notes de contrebasse éparses et un fondu doux à la fin.

Ressources officielles

• Compétence de rédaction de prompts : MiniMax-AI/MiniMax-H3/skills/h3-prompt-writing
• Guide du mode de base (complet) : base-en.txt
• Guide de référence complète (complet) : ref-en.txt
• Compétences de style : MiniMax-AI/MiniMax-H3/skills (8 compétences de génération de vidéo avec SKILL.md bilingue)
• Page du modèle : MiniMax H3
• Actualité associée : MiniMax H3 publie ses compétences officielles