MiniMax H3: официальное руководство по промптам

Обзор туториала

Промпты MiniMax H3 структурированы, а не свободны по форме. Модель ожидает имена полей, порядок разделов и нотацию таймингов точно так, как указано в официальном руководстве. Этот туториал объясняет структуру для всех пяти режимов генерации: T2VA, I2VA, FL2VA, L2VA и Ref2VA.

Пять режимов генерации

Три основных поля (T2VA / I2VA / FL2VA / L2VA)

Каждый промпт в базовом режиме заканчивается тремя полями, строго в таком порядке:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description: основная часть. Описывает визуальный ряд, действия, кадры, говорящих, диалоги, пение и диегетическое аудио по ходу таймлайна.
• overall_soundscape: 1-4 предложения на английском языке, обобщающие окружающие звуки, звуки физических действий и невербальные звуки человека (ветер, дождь, транспорт, шаги, удары, дыхание). Не повторяйте здесь диалоги и музыку. Используйте N/A только при полной тишине.
• non_diegetic_music: 1-3 предложения на английском языке, описывающие только фоновую музыку, которую слышит исключительно зритель. Указывайте инструментовку, темп, ритм, динамику; без абстрактных слов о настроении. Используйте N/A, если музыки нет.

Инструкции по выравниванию ключевых кадров

В режимах с ключевыми кадрами строка-инструкция идёт первой, затем пустая строка, а после неё три основных поля:

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 это индекс фактического финального кадра, а S.SS это длительность видео, отформатированная ровно до двух знаков после запятой.

Написание мультимодального описания

Структура кадров и склейки

• У первого кадра нет временной метки. Последующие кадры начинаются со строго возрастающего времени склейки:

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

• Лексика склейки: the camera cuts to, the shot cuts to, the shot transitions to, the shot changes to, the shot switches to. Кроссфейд, затухание и шторка: только когда явно запрошены.
• Склейка должна вводить новую информацию (субъект, пространство, состояние, точка обзора, время). Для изменения дистанции или небольшого изменения угла предпочитайте движение камеры.

Движение камеры: тип + амплитуда + скорость

Записывайте движение камеры естественным английским текстом внутри описания кадра, а не набором нагромождённых ярлыков:

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.

Опускайте амплитуду и скорость, если они средние или обычные (значение по умолчанию).

Говорящие, диалоги и пение

• Стабильные ID говорящих (S1), (S2); составной (S1,S2) для одновременной речи. ID сохраняются между кадрами; персонажи, которые не издают звуков, их не получают.
• При первом появлении укажите идентичность: тип персонажа, возраст, пол, в кадре или за кадром, высоту тона, тембр, темп, акцент.
• Идентифицирующую фразу, ID, действие и манеру подачи оставляйте вне <d>; внутри <d> только языковой тег и дословный текст пользователя:

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

• Закадровый голос: используйте ровно says in an off-screen voiceover, затем укажите, что губы персонажа в кадре остаются закрытыми:

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

• Диалог через склейки: используйте <scenetrans> в обеих точках соединения и укажите, что аудио продолжается через склейку (continues seamlessly across the cut). Используйте <cutoff>, когда речь обрывается в конце видео.

Текст на экране

Любой видимый баннер, вывеска, ярлык, субтитр или неоновый текст записывается в английских двойных кавычках, дословно:

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

## Режим полного референса (Ref2VA): формат из шести разделов

Перезапись в режиме Ref2VA использует шесть разделов строго в этом порядке:

| Раздел | Назначение |
|---------|---------|
| `subject_definitions` | Определяет референсное содержимое и его метки |
| `summary` | Тип задачи + целевое видео + основные референсные связи |
| `retention_analysis` | Как сохраняется или переносится каждый референсный элемент |
| `detailed_description` | Описание по кадрам в порядке воспроизведения |
| `overall_soundscape` | Атмосферные и физические звуки |
| `non_diegetic_music` | Закадровая музыка, слышимая только зрителю |

### Метки референсов

| Метка | Значение |
|-------|---------|
| `<Subject N>` | Переиспользуемое видимое содержимое, абстрагированное из референсов |
| `<Picture N>` | Референсное изображение как привязка к кадру или опора для планирования |
| `<Video N>` | Референсное видео как источник монтажа, продолжения или структуры |
| `<Audio N>` | Аудиосигнал, который копируется или используется как референс |

Метки сохраняют своё значение во всех шести разделах. `<Video N>` и `<Audio N>` нумеруются независимо.

### Типы задач в `summary`

| Тип задачи | Когда использовать |
|-----------|----------|
| `keyframe completion` | Изображение служит конкретной привязкой к кадру |
| `reference generation` | Ассет задаёт направление, не являясь конкретным кадром |
| `video editing` | Исходное видео напрямую изменяется |
| `video continuation` | Новое содержимое продолжает исходное видео |
| `audio reuse` | Тот же аудиосигнал используется повторно |
| `audio reference` | Заимствуются только стиль, тембр или содержимое аудио |

Объединяйте несколько типов через ` + `, например `[video continuation + keyframe completion]`.

### Маркеры отношений в `retention_analysis`

**Видимое содержимое:** `fully_preserved`, `partially_preserved`, `attribute_transfer`, `weak_reference`
**Аудио:** `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.

Отличия раздела detailed_description

• Стиль задаётся одним или двумя английскими предложениями ДО [Shot 1] (а не после него).
• Вставляйте <Subject N>, <Picture N>, <Video N>, <Audio N> при их первом появлении и там, где применяются их роли.
• Указывайте <Audio N> в том кадре или фазе, где активно аудиоотношение, и отмечайте, копируется сигнал или используется как референс.
• Задачи генерации обычно содержат 350-500 английских слов; при большом количестве диалогов приоритет отдаётся полной временной шкале речи, а не количеству слов.
• Используйте <Subject N> (Sx), когда референсный субъект физически говорит. Не придумывайте (Sx) для голосовых сигналов внутри напрямую переиспользуемой звуковой дорожки (вместо этого используйте <Audio N>).
• Переиспользуемые диалоги и текст песен помещаются внутрь <d> дословно; для неразборчивых фрагментов пишите [unclear]; завершайте утверждения символами ./?/!.

Полный пример (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.

Официальные ресурсы

• Навык написания промптов: MiniMax-AI/MiniMax-H3/skills/h3-prompt-writing
• Руководство для базового режима (полное): base-en.txt
• Руководство для режима с референсами (полное): ref-en.txt
• Навыки стилей: MiniMax-AI/MiniMax-H3/skills (8 навыков видеогенерации с двуязычным SKILL.md)
• Страница модели: MiniMax H3
• Связанная новость: MiniMax H3 ships official skills