提示词实战指南

写出能精准控制画面、动态与声音的 MiniMax H3 提示词

H3 同时生成画面与同步声音,所以有用的提示词描述的是「时间上发生了什么」,而不是「第一帧长什么样」。写清分镜、镜头、说话人和声音,再把每一项放进模型期望的字段里。下面 8 个模板都是我们自己写的,每张卡片都能直接播放该模板真实跑出来的片段。

官方格式

H3 提示词的三字段结构

integrated_multimodal_description:
[Shot 1] style + composition + subject + action
[Shot 2] At 00:05.000, cut + camera + result

overall_soundscape:
ambience + physical sounds + non-verbal sounds

non_diegetic_music:
instruments + tempo + dynamics, or N/A

本页每个片段都是我们自己的 RTX 5090 跑 MiniMax H3 生成的,用的就是各自卡片上印着的那条英文提示词。每个模板只生成一次,所以你看到的结果里包含模型跑偏的部分。3 个图生视频片段的首帧同样由同一台机器上的 FLUX 生成,不是实拍照片。

最近更新:

本页是写作与格式工具,不是能力承诺:生成器会为全部 5 种官方模式排版提示词,而 Tinulo 当前运行时支持文生视频与首帧图生视频。标注「本站可用」的模式,是生成器今天真正接受的模式。

完全在浏览器本地运行

MiniMax H3 提示词构建器 (Prompt Builder)

根据你拥有的输入素材选择对应模式。构建器会自动添加关键帧前言并严格保持官方字段顺序;不会将文本发送给模型,亦不含任何随机改写。

提示词输入

纯文本生成 (T2VA):从零构建完整的视听时间线。

按时间顺序描述镜头、构图、主体、动作、运镜、对白及同步音效。

概括场景内的环境声、物理音效、人声等画面内声音。

描述画外配乐的乐器、节奏、速度与情绪;若无需配乐可留空,将自动输出 N/A。

结构化提示词结果
integrated_multimodal_description: [Shot 1] Live-action cinematic medium shot of a ceramicist at a sunlit wheel. She lifts a finished blue bowl, turns it slowly toward the camera, and smiles. The camera pushes in gently while warm window light catches the wet glaze.

overall_soundscape: A quiet wheel hum, soft clay movement, birds outside, and one natural breath.

non_diegetic_music: N/A

五种 H3 模式本质是五种输入契约

T2VA 无需外部素材;I2VA、FL2VA、L2VA 将关键帧锚定在精确时间戳。Ref2VA 则不同:它不采用基础三字段,而是通过六个固定顺序的段落清晰表达主体与参考关系。

T2VA

纯文本生成 (T2VA):从零构建完整的视听时间线。

本站可用

I2VA

首帧生视频 (I2VA):Picture 1 固定为 0.00 秒首帧,仅描述后续发生的动态演变。

本站可用

FL2VA

首尾帧过渡 (FL2VA):构建合理连贯的动态路径,连接 Picture 1 与 Picture 2。

仅官方指南

L2VA

尾帧生成 (L2VA):设计合理的开场动态,并在结束时刻精确收敛至 Picture 1 构图。

仅官方指南

Ref2VA

全参考生成 (Ref2VA):从带标签素材中按需继承主体、动作、视觉风格、视频动态或音效。

仅官方指南

优秀 H3 时间线应该包含的核心要素

按时间顺序编排的镜头序列

从 [Shot 1] 开始,后续镜头切换使用递增时间戳(如 [Shot 2] At 00:05.000)。镜头切换应传递新信息;仅改变画面构图时直接使用运镜指令即可。

目的明确的运镜指令

将 push、pull、pan、truck、tilt、arc、track、static、POV 等兼容运镜绑定到画面主体;仅在确有必要时补充幅度与速率。

分层清晰的声音设计

音画同步的对白与音效写进时间线;场景内环境声归纳至 overall_soundscape;角色听不到的画外背景音乐才放入 non_diegetic_music。

角色对白:锁定说话人 ID,保留原语言

在声音人物描述中为说话人赋予固定的 (S1) 等 ID,对白文本置于 <d> 标签内并注明语种。注意避免将 speaker ID 误作 Ref2VA 的主体标签。

The guide (S1) says: <d>[English] Keep the camera moving.</d>

“不需要配乐”也是明确有效的指令

当仅需要环境音和物理拟音时,明确填写 N/A。如需配乐则清晰注明乐器、节奏、动态起伏与淡出点,避免与场景内音效混淆重复。

non_diegetic_music: N/A

8 个常见镜头的 MiniMax H3 提示词范例

8 个基于 MiniMax 公开格式搭建的模板,覆盖文生视频与首帧图生视频。复制一条,再把主体、动作、时间、台词和声音换成你自己的镜头。

这些卡片没有补拍、没有二次构图、也没有从多次尝试里挑最好的一条:每个模板只生成一次,封面图直接从交付文件抽帧,所以静态图和片段永远一致。片段都是用卡片上的英文提示词渲染的;中文版本是同一套镜头方案的忠实呈现,作为上手起点提供,并不是生成该视频时送进模型的那段文本。

按模式筛选
按时长筛选
T2VA10s16:9

电影感产品露出

两镜产品短片:湿板岩台上一次克制的环绕,接一个微距切镜,配雨声与克制的电子配乐。

提示词语言
integrated_multimodal_description: [Shot 1] 实拍产品广告,中远景拍一只沙色铸铁水壶立在湿板岩台上,时间是蓝调时刻。蒸汽从壶嘴卷进冷空气,一道窄的琥珀色高光沿珐琅面移动。镜头以小幅度、慢速顺时针环绕(Arc),水壶同时转过四分之一圈,壶身刻印始终保持清晰可读。[Shot 2] At 00:06.000,镜头切到微距特写:一滴水沿壶嘴滑落,随后缓慢后拉(Pull Out),水壶最终停在画面中心。

overall_soundscape: 细雨轻敲石材,壶嘴有极轻的蒸汽声,底噪是一段低沉的陶艺工作室环境音。

non_diegetic_music: 克制的电子节拍,中速,深潜低音配稀疏金属打击乐,在最后一帧干净收尾。
用这条提示词
T2VA10s16:9

双人对话场景

稳定的说话人 ID、带语言标记的台词、一次有动机的切镜,以及一段对话的环境声。

提示词语言
integrated_multimodal_description: [Shot 1] 实拍电影感,中景拍黎明时灯塔灯室里的两名守塔人。灰蓝色的海光穿过盐渍玻璃。年长的那位声音低沉平稳(S1),检查黄铜机件时说:<d>[Chinese] 灯撑过了一整夜。</d>[Shot 2] At 00:05.000,镜头切到年轻守塔人的特写,声音轻快明亮(S2)。她擦掉玻璃上的水汽,笑了笑回答:<d>[Chinese] 那我们就还有一盏灯要守。</d>

overall_soundscape: 风压在灯室玻璃上,黄铜机件缓慢转动发出滴答声,远处下方是海浪声。

non_diegetic_music: 稀疏的钢琴慢速音符,在第二句台词后加入一段柔和持续的大提琴。
用这条提示词
T2VA10s16:9

跟拍运动段落

快速横向跟拍、一次信息量明确的切镜,以及和踏地同步落下的冲击音。

提示词语言
integrated_multimodal_description: [Shot 1] 实拍运动广告,低位跟拍(Tracking)一名短跑者在雨后湿滑的木栈道上加速,两侧是沙丘草。每次落地都溅起水花,跑者压身切入弯道。镜头以快速横向移跟(Truck)贴着她并行,让她始终位于画面右侧三分之一。[Shot 2] At 00:06.500,镜头切到前方四分之三近景:她跨过一处浅水洼,稳稳踏地,冲向沙丘之间明亮的豁口。

overall_soundscape: 鞋底拍打并抓紧湿木,每次落脚都有水声,急促的呼吸穿过渐强的海风。

non_diegetic_music: 快速手鼓与短促失真低音在最后一次踏地前推进,在切镜处干净停止。
用这条提示词
T2VA5s1:1

5 秒微距美食镜头

方形构图里只做一件事:一个动作、一次小幅运镜、材质细节,不加背景音乐。

提示词语言
integrated_multimodal_description: [Shot 1] 实拍微距美食摄影,极端特写拍一把勺子压开小挞的深色巧克力壳。镜头以小幅度、慢速推进(Push In),外壳裂成不规则的碎片,浅色奶油沿勺身折起。暖侧光带出蒸汽与细腻的可可质感;挞体始终居中,背景为深色中性。

overall_soundscape: 糖壳发出一声清脆的裂响,接着是金属勺轻刮冷瓷的声音和安静的环境底噪。

non_diegetic_music: N/A
用这条提示词
T2VA10s9:16

竖屏时尚短片

9:16 的走—停段落,硬光塑造、服装动态,配回响的脚步声。

提示词语言
integrated_multimodal_description: [Shot 1] 实拍竖屏时尚短片,全身镜头拍一名模特穿着长款橄榄色大衣走过正午的玻璃连廊。硬光在抛光地面上投下干净的斜影。镜头以模特步速后拉跟随(Tracking Backward),大衣下摆与袖缝随步伐自然摆动。[Shot 2] At 00:06.000,镜头切到紧致侧脸景:模特在布满雨痕的玻璃旁停下,转向自己的倒影,抬手理了理一边的衣领,全程不看镜头。

overall_soundscape: 清晰脚步声在连廊里回响,大衣面料轻微摩擦,外侧是雨水敲打玻璃的声音。

non_diegetic_music: 极简鼓机节奏,稳定中速,每两拍重复一个干爽的合成器单音。
用这条提示词
I2VA5sadaptive

让肖像首帧动起来

保住身份与构图,只加一次呼吸、一次视线转移和一个轻微自然的表情。

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

integrated_multimodal_description: [Shot 1] 实拍电影感。<Picture 1> 中的人物保持同一张脸、同一发型、同一服装、同一光向与同一背景构图。镜头保持固定近景,人物安静地吸一口气,视线从窗外转回镜头,露出一个轻微自然的表情。头发与宽松面料只在既有气流中微微动;画面里不新增任何物体。

overall_soundscape: 柔和的环境底噪持续,带一点若有若无的气流和一次轻轻的呼吸。

non_diegetic_music: N/A
用这条提示词

需要一张首帧图 —— 点「用这条提示词」后上传。

I2VA5sadaptive

让产品首帧动起来

锁定形状、标签与几何关系,限制旋转角度,并明确禁止新道具入画。

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

integrated_multimodal_description: [Shot 1] 实拍产品摄影。<Picture 1> 中的产品保持完全相同的形状、材质、标签、颜色、位置与背景。镜头以小幅度、慢速顺时针环绕(Arc),既有的高光沿表面自然移动。产品转动不超过十五度,随后停在一个稳定的主视觉角度,标签朝向镜头。不要新增手、包装、液体、烟雾或任何额外道具。

overall_soundscape: 安静的影棚环境音,带极轻的机械转台嗡鸣。

non_diegetic_music: 一个低音合成器单音缓慢升起,在最后一帧前淡出。
用这条提示词

需要一张首帧图 —— 点「用这条提示词」后上传。

I2VA10sadaptive

让风景首帧动起来

只让画面里已有的东西动,同时保持时间光线、地理、色彩与构图不变。

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

integrated_multimodal_description: [Shot 1] 电影感风景。<Picture 1> 中的盆地、湖面、岸线、云层与色彩保持不变。镜头在既有岸线上方以小幅度、慢速推进(Push In)。水面泛起细密涟漪,可见的芦苇在风中轻摆,既有的云从画面左侧缓慢飘向右侧。保持原有时间光线,不要引入首帧中不存在的任何人物、建筑、动物或天气。

overall_soundscape: 轻风穿过芦苇,细浪拍岸,远处传来一声鸟鸣。

non_diegetic_music: 柔和持续的弦乐,慢速,全片保持安静平稳。
用这条提示词

需要一张首帧图 —— 点「用这条提示词」后上传。

在同一台机器上生成的更多 H3 成片

H3 接受中文值,但字段名保持英文

时间轴字段是固定 schema,所以 integrated_multimodal_description、overall_soundscape、non_diegetic_music 必须按 MiniMax 的定义原样书写。字段里面的内容可以全是中文:场景、动作、运镜、台词与环境音都能写。MiniMax 自己的指南是英文写的,所以公开范例大多也是英文。

三个字段名保持英文。把它们翻译掉,就等于打破了模型训练时见过的 schema。

字段值用你受众的语言写就行。运镜术语尽量保持可识别 —— Arc、Push In、Pull Out、Truck、Tracking —— 直接用英文,或者在中文后面加上英文原词。

台词要标语言,模型才会派对声音:<d>[Chinese] 台词</d> 或 <d>[English] line</d>。每个说话人给一个稳定 ID,比如 (S1)。

英文值

[Shot 1] Live-action macro food cinematography, an extreme close-up frames a spoon breaking through the dark chocolate shell of a small tart. The camera pushes in with small amplitude at slow speed...

中文值

[Shot 1] 实拍微距美食摄影,极端特写拍一把勺子压开小挞的深色巧克力壳。镜头以小幅度、慢速推进(Push In)...

两段描述的是同一个镜头,上方的字段名完全一致。把任意模板卡片在 中文 / EN 之间切换,就能看到完整对照。

先安排画面、动作和声音

让照片动起来,输出尺寸另选

图生视频根据起始图片生成动作;放大则是增加图片或视频的像素尺寸,不会把静态照片变成动态场景。使用 I2VA 时,先准备清晰图片,再写一个主体动作和一个镜头运动,最后分别选择可用的时长与输出尺寸。上方的人像动画示例可以作为具体起点。

复用镜头配方,再逐帧比较

保留一份主体描述、参考图片、光线、配色和镜头措辞。制作下一条时复用这些部分,每次只改一个动作。相同措辞便于比较不同尝试,但不能保证人脸或颜色完全一致。拼接前先检查首帧、中间帧和尾帧;需要精确匹配颜色时,再到剪辑软件中完成调色。

先想清楚观众应该听见什么

在 overall_soundscape 中描述场景内的环境音和物体声,在 non_diegetic_music 中填写可选的背景配乐;不需要配乐时写 N/A。这些是提示词方向,不是可以分别编辑的独立音轨。发布前实际听一遍,检查多余的人声、时机不对的音效,以及是否有配乐盖住对白。

观看 H3 原始样片,对照完整提示词

H3 提示词常见问题排查

画面缺乏动态(类似微动的静态图)

将单纯描述外观的形容词替换为具体的动态演变与状态变化:主体动作、环境交互、运镜轨迹以及镜头结尾的形态演变。

镜头剪辑与运镜指令冲突

每个时间段只保留一个明确的运镜动作,删除相互矛盾的指令;仅在真正需要切换视角构图时使用带时间戳的剪切标记。

角色对白分配混乱或串音

每个发声角色仅定义一次固定的 speaker ID,画外旁白与画面内对白明确分离,避免将动作描述混入对白标签内。

参考素材未生效或特征互相干扰

确保每个 <Subject N> 与 <Picture N> 均有准确对应,清晰说明各素材的控制维度,避免两份参考素材以冲突的方式控制同一属性。

人脸在镜头中变形或变成了另一个人

先找到人脸开始变化的第一帧,看是否正好发生了转头、手遮脸或镜头运动。使用清晰、光线均匀的参考图,固定这张图,每次只简化一个动作,再将新结果与起始图比较。这能帮助定位问题,但不能保证身份始终一致。如果只有剪辑软件里整幅画面被拉伸,先检查显示比例。

声音与画面不搭

把环境音和配乐分开检查:场景内应该听见什么,背景又需要什么音乐?用具体声音和发生时机替换笼统形容词。配乐干扰对白时,先用 N/A 去掉配乐方向,再实际试听。复用音乐描述并不能重现某一首录音。

生成前 5 项自检清单

  • 所有动作幅度合理,能在 5 秒或 10 秒的时长窗口内自然完成。
  • 后续镜头时间戳严格递增,且不超过视频设定总时长。
  • 运镜方式与主体运动轨迹、画面构图自然兼容。
  • 对白、场景环境音与画外配乐均分配至正确字段。
  • 每个参考标签均有稳定映射;无需配乐时已明确标记 N/A。

来源与证据边界

结构、字段名与模式定义来自 MiniMax 公开的 H3 提示词材料与 API 文档。8 个模板和本页每个片段都是我们自己产出的,没有任何一条被包装成官方提示词或受控质量基准。

写 H3 提示词前最常问的 5 个问题

MiniMax H3 提示词可以用中文写吗?

可以。三个字段名必须保持英文,因为它们是固定 schema,但字段值可以全用中文 —— 场景、动作、运镜、台词、环境音都支持。台词要带语言标记,例如 <d>[Chinese] 我们错过了最后一班。</d>,模型才会派对声音。本页每个模板都有可直接切换的中文版本。

提示词看着没问题,但视频不照做,通常是哪里出错?

多数情况逃不出三个原因。第一,动作链条需要的秒数超过了片段长度 —— 应该砍掉几个节拍,而不是继续加分镜。第二,互相冲突的运镜指令会彼此抵消;一个瞬间只留一个运镜,并且只写一次幅度和速度。第三,图生视频里把上传的图当成模型没看过的东西重新描述一遍,等于和输入对着干;先说清什么保持不变,再只描述变化的部分。

H3 有负面提示词(negative prompt)字段吗?

官方 H3 格式里没有独立的负面提示词输入。把排除项写成时间轴里的一句正常描述,就放在写动作的位置 —— 例如「不要新增手、包装、液体、烟雾或任何额外道具」。本页有两个图生视频模板就是这么写的。

这些模板能直接贴到 Veo、Kling 或其他视频模型里吗?

不能直接贴。字段名、[Shot N] 时间轴、「At 00:05.000」这样的切镜时间戳、<d> 台词标记,全都是 MiniMax H3 的约定。其他模型更适应一整段自然语言。可复用的是镜头方案 —— 主体、动作、运镜、声音 —— 外层格式要按目标模型的写法重写。

提示词里要不要写分辨率、时长或画幅?

不用。那些是生成器里的请求参数,H3 在提示词正文里会忽略它们。提示词只用来交代内容和时间:发生了什么、按什么顺序、从哪个视角看、听到什么。在开头写「15s, 16:9」只是把本该描述镜头的字数浪费掉了。

把结构变成你自己的镜头

从预设开始,用你刚复制的提示词打开创作台,或者读一读这些片段背后的制作记录。

回到顶部