ブラックフライデーチャージボーナス·$50以上のチャージで$10プレゼント · $100以上のチャージで$25プレゼント·11月30日までチャージ →
ガイド

MiniMax H3 プロンプトの書き方

MiniMax H3 の 6 セクション形式を解説。ラベル、話者 ID、セリフ、保持マーカー、よくあるミス、完全な書き換え前後の例まで。

最終更新日 2026-11-05

プリペイド、サブスクなしREST でも MCP でもモデル・データ・エージェントを 1 つのキーで
@Mia@Leo@[Night Café]lovelyjsonH3 prompt"subject_definitions": "<Subject 1> is…""summary": "[reference generation…"retention_analysis": "fully_preserved""detailed_description": "[Shot 1] …""overall_soundscape": "rain, room tone""non_diegetic_music": "N/A"
ブラックフライデー

ブラックフライデーチャージボーナス

対象のチャージごとに無料クレジットが付き、他の特典とも併用できます。

11月30日まで

$50をチャージ
+$10
20%ボーナス
$100をチャージ
+$25
25%ボーナス
登録して受け取る

MiniMax H3 は参照画像から音声付きの動画を作りますが、プロンプトの読み方はほとんどの動画モデルと違います。求められるのは、英語で書かれた 6 つのセクションからなる構造化された文書です。人物と場所にはすべてタグを付け、セリフには話者と言語を記し、各参照をどこまで忠実に保つかも書きます。一行の依頼でも動画はできます。完全な H3 プロンプトなら、頼んだとおりの動画ができます。正しい人物が正しいセリフを言い、部屋は画像のとおりで、頼んでいない BGM も流れません。

このガイドでは形式をセクションごとに説明し、撮り直しの原因になりやすいミスを挙げ、普通の依頼を完全なプロンプトに書き換えます。出典は MiniMax 公式のプロンプト作成ガイド のフルリファレンスモードで、人物や場所の画像からショットを作るときに使うモードです。最後に、動画ショット API がこれをすべて代わりに書く仕組みを紹介します。

01

6 つのセクション

フルリファレンスのプロンプトは、ラベル付きの 6 セクションを常にこの順で並べます。

セクション書く内容
subject_definitions参照ごとに 1 行:それが何で、何を保つか
summary角かっこのタスク種別で始まる短い段落
retention_analysis参照ごとに 1 行:どこに登場し、どこまで忠実に保つか
detailed_description動画そのもの。再生順にショットごと
overall_soundscape動画全体の環境音と物理音
non_diegetic_music観客だけに聞こえる音楽、または N/A

セリフ、歌詞、画面内の文字だけは元の言語のままにし、それ以外はすべて英語で書きます。

02

ラベル:サブジェクト、ピクチャー、オーディオ

参照には番号付きのラベルを付けます。一度定義したラベルは、すべてのセクションで同じものを指します。

<Subject N>

は動画で再利用する目に見える内容です。人、動物、物、場所、衣装、スタイル。ファイルではなく中身を指します。「<Subject 1> is the young woman in <Picture 1>, with a short black bob and a yellow raincoat.」

<Picture N>

に独立した行を与えるのは、その画像が動画の具体的なフレームのときだけです。ショットの最初のフレーム、キーフレーム、最後のフレーム、絵コンテなど。キャラクターシートや場所の写真は、そのサブジェクトの定義の中で引用します。

<Audio N>

は音の参照で、多くはまねる声です。「<Audio 1> is the voice-timbre reference for <Subject 1> (S1).」

この API では順番は単純です。タグを付けたキャラクターとシーンはそれぞれ 1 枚の画像になり、プロンプトで最初に登場した順に番号が振られます。声を持つキャラクターはオーディオ参照を 1 つ伴います。

03

サマリーとタスク種別

サマリーは、角かっこのタスク種別で始まる 1 段落です。画像から作るショットで重要なのは次の 3 つです。

タスク種別使うとき
reference generation画像が人物・場所・スタイルの手がかりで、動画のフレームではない
keyframe completion画像が実際のフレーム:最初、キーフレーム、最後
audio reference録音をコピーせず、声の音色や話し方だけをまねる

複数当てはまるときは + でつなぎます。あなたの画像から始まり、保存した声でキャラクターが話すショットは [keyframe completion + reference generation + audio reference] です。サマリーでは定義済みのラベルだけを使い、新しいラベルは導入しません。

04

保持:各参照をどこまで忠実に保つか

{}

retention_analysis にはラベルごとに 1 行、登場箇所と決まったマーカーを書きます。

  • fully_preserved:定義どおりに保つ。キャラクターの顔、髪、服に求めるのはこれです。
  • partially_preserved:使うが一部の特徴は変える(同じ人物で上着だけ違う)。
  • attribute_transfer:特徴を別の誰かに移す(彼女のコートを別のキャラクターが着る)。
  • weak_reference:スタイルや雰囲気の大まかな類似だけを残す。

オーディオには専用のマーカーがあります。fully_copy、partially_copy、reference(音色と話し方だけ)、weak_reference。1 行はこんな形です。<Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - her short black bob and yellow raincoat are retained.

05

詳細な描写

プロンプトの本体で、MiniMax は詳しく書くよう求めています。生成タスクなら通常 350〜500 英単語です。最初の 1〜2 文でスタイルを決め、そこからショットごとに書きます。

  • [Shot 1] が動画の始まりで、タイムスタンプは付けません。以降のショットはカットの時刻で始めます。[Shot 2] At 00:04.000, the shot cuts to…
  • サブジェクトが初めてはっきり登場するところで、参照された特徴、画面上の位置、していることを描写します。以後はラベルで呼び続けます。
  • カメラワークはショットの中に平易な言葉で書きます。「the camera slowly pushes in」
  • フレームの基準がある場所ではそれを示します。「the shot begins from <Picture 3>」

話者とセリフ#

声には、初めて話した順に固定の話者 ID を振ります。(S1)、(S2)。話すサブジェクトは両方のラベルを持ち、セリフは言語付きで <d> の中に入れます。

Text
<Subject 2> (S1) leans forward and says quietly, <d>[Japanese] 来ないかと思った。</d>

同じ話者には毎回同じ ID を使い、各セリフは </d> の前で .、?、!(日本語なら対応する句読点)で終えます。黙っている人物がいるなら、はっきり書きます。「<Subject 1> listens and does not speak.」

06

音と音楽

overall_soundscape は動画全体の環境音と物理音を書きます。部屋の空気音、窓を打つ雨、コーヒーマシン。セリフはここには書かず、話されるショットに書きます。

non_diegetic_music は観客だけに聞こえる音楽です。楽器、テンポ、展開を書きます。音楽が不要なら N/A。曖昧に書くと BGM を足してよいと受け取られます。

07

撮り直しにつながる 7 つのミス

  1. 2 人いるのに代名詞。 画面に 2 人いると「彼女が彼にカップを渡す」は曖昧です。誰かが動くたびにサブジェクトのラベルを書きます。
  2. 画像に写っている服を別の服として書く。 シートが黄色いレインコートなら、「赤いジャケット」と書くと参照とぶつかります。画像どおりに書くか、服には触れないこと。
  3. キャラクターシートに独立したピクチャー行。 人物や場所を定義するだけの画像はサブジェクトの行に含めます。独立した <Picture N> 行は、動画のフレームだとモデルに伝えてしまいます。
  4. マークアップのないセリフ。 <d>[言語] …</d> と話者 ID のない引用は、違う人物が話したり、話されなかったりします。
  5. 沈黙を暗黙にする。 話さないキャラクターはそう書く。音楽が不要なら N/A。
  6. 最初のショットにタイムスタンプ。 [Shot 1] には付けず、以降のショットには必ず付けます。
  7. セクションの順番違い、または英語以外。 6 セクションは毎回、順番どおり英語で書きます。
08

書き換えの前と後

よくある書き方の依頼です。保存したキャラクター 2 人と場所 1 つ(登場順に画像 1、2、3)。

Text
@[Night Café] で @Mia が @Leo の向かいに座る。彼女が「来てくれたんだ」と言う。彼は微笑むだけで答えない。ゆっくりプッシュイン、音楽なし。

同じショットを完全な H3 プロンプトにするとこうなります(紙幅の都合で描写は短めです)。

Text
subject_definitions:
<Subject 1> is the young woman in <Picture 1>, with a short black bob, a yellow raincoat over a grey sweater, and silver hoop earrings.
<Subject 2> is the young man in <Picture 2>, with short curly brown hair, a dark green bomber jacket and a white T-shirt.
<Subject 3> is the narrow café at night in <Picture 3>, with a neon sign in a rain-streaked window, small marble tables and warm pendant lights.

summary:
[reference generation] In <Subject 3>, <Subject 1> sits down across from <Subject 2> and speaks one line; <Subject 2> smiles without answering, in a single slow push-in shot.

retention_analysis:
<Subject 1> (appears in [Shot 1]): fully_preserved - her short black bob, yellow raincoat, grey sweater and hoop earrings are retained.
<Subject 2> (appears in [Shot 1]): fully_preserved - his curly brown hair, dark green bomber jacket and white T-shirt are retained.
<Subject 3> (appears in [Shot 1]): fully_preserved - the neon sign, rain-streaked window, marble tables and pendant lights are retained.

detailed_description:
The target video is realistic and cinematic, with warm low-key interior light and cool neon spill from the window.
[Shot 1] A medium two-shot inside <Subject 3>: rain streaks the window behind a small marble table under warm pendant lights. <Subject 2>, the young man with curly brown hair in a dark green bomber jacket, sits on the right, hands around a coffee cup. <Subject 1>, the young woman with a short black bob in a yellow raincoat, walks in from the left, pulls out the chair opposite him and sits down, raindrops still on her shoulders. The camera slowly pushes in toward the table. <Subject 1> (S1) looks at him and says softly, <d>[Japanese] 来てくれたんだ。</d> <Subject 2> holds her gaze, then smiles slowly and does not speak. The push-in ends on both faces in the warm light.

overall_soundscape:
Quiet café room tone, rain against the window, the soft scrape of a chair and a cup set down on marble.

non_diegetic_music:
N/A

変わった点:全員にラベルと画像に合った描写があり、セリフには話者と言語があり、沈黙が明記され、カメラワークはショットの中に入り、「音楽なし」は N/A になりました。

09

または、こちらに任せる

{}

どれも知っておく価値はありますが、ここでは必須ではありません。動画ショット API と 動画プレイグラウンド では、最初のバージョン、つまり @ タグ付きの一行だけを書けば、レンダリングのたびに完全なプロンプトが書かれます。

  1. 作りたいものを書く

    保存したキャラクターとシーン を @ でタグ付けし、セリフはかぎかっこや引用符に入れ、大事なことを書きます。誰が黙るか、カメラ、音楽なし。

  2. ビジョンモデルが H3 プロンプトを書く

    MiniMax のガイドを読み、実際の画像を見て、6 セクションすべてを書きます。ラベル、タスク種別、保持、ショットごとの描写、話者と音。回答は 6 セクションが順番どおりそろっているか確認され、失敗したモデルは再試行され、失敗が続けば別のモデルが引き継ぎます。

  3. ショットがレンダリングされる

    MiniMax H3 は完全なプロンプトを受け取ります。ショットオブジェクトの prompt_rendered に受け取った内容がそのまま表示されるので、自分のショットから形式を学べます。

書き換えは既定でオンで、ショットを失敗させることはありません。完全なプロンプトが返らなければ、あなたの文章からいつもどおりレンダリングします。書き換えはあなたのキーでの通常のチャット呼び出しとして課金され、ショット料金の横に other_usd として表示され、レンダリング開始まで 10〜45 秒ほど増えます。ショット自体は画像 1 枚でレンダリング 1 秒あたり $0.13 です。

自分でプロンプトを書きたい場合は rewrite: false を送ります。すでに subject_definitions: で始まるプロンプトは、書いたままモデルに渡ります。全フィールドは 書き換えのリファレンス にあります。

10

よくある質問

?
MiniMax H3 のプロンプトは英語でなければいけませんか?+

6 セクションは英語で書きます。セリフ、歌詞、画面内の文字は <d>[言語] …</d> の中で元の言語のまま残るので、英語のプロンプトの中で日本語やスペイン語を話させられます。

H3 プロンプトの長さはどれくらいが適切ですか?+

MiniMax は、生成する動画の詳細な描写に 350〜500 英単語を勧めています。セリフの多いショットでは、話の流れをすべて収めるためにもっと必要なこともあります。

reference generation と keyframe completion の違いは?+

reference generation は画像を「誰が」「どこで」の手がかりに使います。keyframe completion は画像を最初のフレームなど動画の実際のフレームとして使います。1 つのショットで両方を兼ねることもできます。

動画に使われたプロンプトを確認できますか?+

できます。書き換えが動いたショットでは rewritten が true になり、prompt_rendered に H3 が受け取った完全な 6 セクションのプロンプトが入ります。

自動の書き換えをオフにできますか?+

できます。リクエストに rewrite: false を付けるか、プレイグラウンドでチェックを外します。subject_definitions: で始まるプロンプトは常にそのまま送られます。

これは MiniMax H3 のプロンプトジェネレーターですか?+

実質的にはそうです。書き換えは 動画ショット API に組み込まれた H3 プロンプトジェネレーターで、書かれたショットはテンプレートとしても使えます。モデルのライセンス条件は MiniMax H3 の条件ページ、ほかのガイドは ガイド一覧 にあります。

モデル・データ・エージェントを 1 つのプリペイドキーで

サブスクリプションなし。チャージして必要な分だけ使い、すべての請求をログで確認できます。