MiniMax H3 プロンプト作成ガイド：全5モードの公式構造

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

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

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.

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.

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

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.

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

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

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

## フルリファレンスモード（Ref2VA）：6セクション形式

Ref2VA のリライトでは、以下の 6 つのセクションをこの正確な順序で使用します：

| セクション | 目的 |
|---------|---------|
| `subject_definitions` | 参照されるコンテンツとそのラベルを定義する |
| `summary` | タスクタイプ + ターゲット動画 + 主な参照関係 |
| `retention_analysis` | 各参照項目がどのように保持・転送されるか |
| `detailed_description` | 再生順に沿ったショットバイショットの説明 |
| `overall_soundscape` | 環境音と物理的な効果音 |
| `non_diegetic_music` | 視聴者だけが聴くバックグラウンドミュージック |

### 参照ラベル

| ラベル | 意味 |
|-------|---------|
| `<Subject N>` | 参照から抽象化された再利用可能な可視コンテンツ |
| `<Picture N>` | フレームアンカーまたは計画用の参照としての参照画像 |
| `<Video N>` | 編集ソース／継続／構造としての参照動画 |
| `<Audio N>` | コピーまたは参照される音声信号 |

ラベルは 6 つのセクションすべてを通じて意味を保ちます。`<Video N>` と `<Audio N>` はそれぞれ独立して番号が付けられます。

### `summary` のタスクタイプ

| タスクタイプ | 使用する場合 |
|-----------|----------|
| `keyframe completion` | 画像が具体的なフレームアンカーとして機能する |
| `reference generation` | アセットが具体的なフレームにはならずガイダンスを提供する |
| `video editing` | ソース動画が直接変更される |
| `video continuation` | 新しいコンテンツがソース動画から継続する |
| `audio reuse` | 同じ音声信号が再利用される |
| `audio reference` | 音声のスタイル／音色／コンテンツのみが参照される |

複数のタイプを結合する場合は ` + ` を使用します（例：`[video continuation + keyframe completion]`）。

### `retention_analysis` の関係マーカー

**可視コンテンツ：** `fully_preserved`、`partially_preserved`、`attribute_transfer`、`weak_reference`
**音声：** `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.

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.