Как писать промпты для MiniMax H3
Шесть разделов промпта MiniMax H3: метки, номера говорящих, реплики, маркеры сохранения, частые ошибки и полный пример до и после.
Обновлено 2026-11-05
Бонус за пополнение: Чёрная пятница
Каждое подходящее пополнение даёт бесплатные средства, а также суммируется с другими предложениями.
До 30 ноября
MiniMax H3 делает видео со звуком по опорным картинкам, но читает промпты не так, как большинство видеомоделей. Ему нужен структурированный документ из шести разделов на английском: каждый человек и каждое место помечены, у каждой реплики указаны говорящий и язык, и для каждой опоры сказано, насколько точно её сохранить. Запрос в одну строку тоже даст видео. Полный промпт H3 даст то видео, которое вы просили: нужный человек говорит нужную реплику, комната такая, как на вашей картинке, и никакой неожиданной музыки.
В этом гайде формат разобран по разделам, перечислены ошибки, из-за которых чаще всего приходится переснимать, и обычный запрос переписан в полный промпт. Источник — официальное руководство MiniMax по написанию промптов для режима полных опор, который используется, когда кадр строится по картинкам персонажей и мест. В конце — как API видеокадров пишет всё это за вас.
Шесть разделов
Промпт с полными опорами — это шесть подписанных разделов, всегда в таком порядке:
| Раздел | Что в нём |
|---|---|
subject_definitions | По строке на опору: что это и что от неё сохранить |
summary | Короткий абзац, начинающийся с типа задачи в скобках |
retention_analysis | По строке на опору: где она появляется и насколько точно сохраняется |
detailed_description | Само видео, кадр за кадром, в порядке воспроизведения |
overall_soundscape | Фон и физические звуки на всё видео |
non_diegetic_music | Музыка, которую слышит только зритель, или N/A |
Всё пишется по-английски, кроме реплик, текстов песен и надписей в кадре — они остаются на своём языке.
Метки: субъекты, картинки и аудио
Опоры называются нумерованными метками, и после определения метка значит одно и то же во всех разделах.
<Subject N>— видимое содержимое, которое видео использует: человек, животное, предмет, место, костюм, стиль. Это содержимое, а не файл: «<Subject 1> is the young woman in <Picture 1>, with a short black bob and a yellow raincoat.»
<Picture N>получает отдельную строку, только если картинка — конкретный кадр видео: первый кадр, ключевой, последний или раскадровка. Лист персонажа или фото места упоминается внутри строки субъекта.
<Audio N>— звуковая опора, чаще всего голос, на который надо ориентироваться: «<Audio 1> is the voice-timbre reference for <Subject 1> (S1).»
В нашем API порядок простой: каждый помеченный персонаж и каждая сцена становятся картинкой и нумеруются в порядке первого упоминания в промпте, а персонаж с голосом приносит аудиоопору.
Сводка и тип задачи
Сводка — один абзац, который начинается с типа задачи в квадратных скобках. Для кадров по картинкам важны такие:
| Тип задачи | Когда |
|---|---|
reference generation | Картинки задают персонажей, места или стиль, но не являются кадрами видео |
keyframe completion | Картинка — настоящий кадр: первый, ключевой или последний |
audio reference | Повторяются тембр или манера голоса, но запись не копируется |
Если подходят несколько, их соединяют через +: кадр, который начинается с вашей картинки, где персонаж говорит сохранённым голосом, — это [keyframe completion + reference generation + audio reference]. В сводке используются только уже определённые метки, новых она не вводит.
Сохранение: насколько точно держать каждую опору
В retention_analysis по строке на метку: где она появляется и один фиксированный маркер.
fully_preserved: сохраняется как определено — то, что нужно для лица, причёски и одежды персонажа.partially_preserved: используется, но часть черт меняется (тот же человек в другой куртке).attribute_transfer: черта переходит к другому (её пальто на другом персонаже).weak_reference: остаётся только общее сходство стиля или настроения.
У аудиоопор свои маркеры: fully_copy, partially_copy, reference (только тембр и манера) и weak_reference. Строка выглядит так: <Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - her short black bob and yellow raincoat are retained.
Подробное описание
Это тело промпта, и MiniMax просит подробностей: для генерации обычно 350–500 английских слов. Оно открывается одним-двумя предложениями о стиле, дальше — по кадрам:
[Shot 1]начинает видео и не имеет метки времени. Следующие кадры начинаются со времени склейки:[Shot 2] At 00:04.000, the shot cuts to…- При первом ясном появлении субъекта опишите черты из опоры, где он в кадре и что делает. Дальше называйте его меткой.
- Движение камеры пишется простыми словами внутри кадра: «the camera slowly pushes in».
- Укажите опорный кадр, где он есть: «the shot begins from
<Picture 3>».
Говорящие и реплики#
Каждый голос получает постоянный номер в порядке, в котором люди впервые заговорили: (S1), (S2). Говорящий субъект несёт обе метки, а слова идут внутри <d> с указанием языка:
<Subject 2> (S1) leans forward and says quietly, <d>[Russian] Я думала, ты не придёшь.</d>Сохраняйте номер говорящего при каждой его реплике, заканчивайте каждую реплику на ., ? или ! перед </d> и прямо пишите, если кто-то молчит: «<Subject 1> listens and does not speak.»
Звук и музыка
overall_soundscape описывает фон и физические звуки на всё видео: шум помещения, дождь по стеклу, кофемашину. Реплики сюда не пишутся: они живут в кадре, где их произносят.
non_diegetic_music — музыка, которую слышит только зритель: инструменты, темп, развитие. Если музыка не нужна, пишите N/A. Расплывчатый раздел — это приглашение добавить саундтрек.
Семь ошибок, из-за которых переснимают
- Местоимения при двух людях. «Она протягивает ему чашку» неоднозначно, когда в кадре двое. Пишите метку субъекта каждый раз, когда кто-то действует.
- Одежда с картинки описана иначе. Если на листе жёлтый дождевик, «красная куртка» в описании спорит с опорой. Описывайте то, что на картинке, или не трогайте одежду.
- Отдельная строка картинки для листа персонажа. Картинки, которые только задают человека или место, упоминаются в строке субъекта. Отдельная строка
<Picture N>говорит модели, что это кадр видео. - Реплика без разметки. Цитата без
<d>[Язык] …</d>и номера говорящего может прозвучать не из тех уст или не прозвучать вовсе. - Молчание подразумевается. Если персонаж не должен говорить, так и напишите. Если музыки не нужно, пишите
N/A. - Метка времени у первого кадра. У
[Shot 1]её нет никогда, у каждого следующего она обязательна. - Разделы не по порядку или не по-английски. Шесть разделов — по порядку и по-английски, каждый раз.
До и после
Вот запрос в том виде, как его обычно пишут, с двумя сохранёнными персонажами и местом (картинки 1, 2 и 3 по порядку упоминания):
@Mia садится напротив @Leo в @[Night Café]. Она говорит «Ты пришёл». Он улыбается, но не отвечает. Медленный наезд камеры, без музыки.И тот же кадр как полный промпт H3 (описание сокращено ради места):
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>[Russian] Ты пришёл.</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/AЧто изменилось: у каждого человека есть метка и описание, совпадающее с его картинкой, у реплики есть говорящий и язык, молчание сказано прямо, движение камеры записано в кадре, а «без музыки» стало N/A.
Или доверьте это нам
Всё это полезно знать, но здесь ничего из этого не обязательно. В API видеокадров и в видеоплейграунде вы пишете первую версию — строку с тегами @, — а полный промпт пишется за вас перед каждым рендером:
Напишите, что нужно
Пометьте сохранённых персонажей и сцены через
@, возьмите реплики в кавычки и скажите, что важно: кто молчит, какая камера, без музыки.Модель со зрением пишет промпт H3
Она читает руководство MiniMax, смотрит на ваши настоящие картинки и пишет все шесть разделов: метки, тип задачи, сохранение, описание по кадрам, говорящих и звук. Ответ проверяется на наличие всех шести разделов по порядку; неудачная модель пробует ещё раз, а если ошибки продолжаются, её подменяет другая.
Кадр рендерится
MiniMax H3 получает полный промпт. Поле
prompt_renderedу кадра показывает ровно то, что он получил, так что формат можно изучать по своим же кадрам.
Переписывание включено по умолчанию и никогда не ломает кадр: если полного промпта не получилось, кадр рендерится по вашим словам как обычно. Оно идёт как обычный чат-вызов по вашему ключу, показывается как other_usd рядом с ценой кадра и добавляет 10–45 секунд до начала рендера. Сам кадр стоит $0.13 за отрендеренную секунду с одной картинкой.
Если хотите писать промпты сами, отправьте rewrite: false. Промпт, который уже начинается с subject_definitions:, уходит модели как есть. Все поля — в справке по переписыванию.
Частые вопросы
Промпты MiniMax H3 обязательно писать по-английски?+
Шесть разделов — по-английски. Реплики, тексты песен и надписи остаются на своём языке внутри <d>[Язык] …</d>, так что персонаж может говорить по-русски в английском промпте.
Какой длины должен быть промпт H3?+
MiniMax советует 350–500 английских слов на подробное описание сгенерированного видео. Кадрам с большим количеством реплик может понадобиться больше, чтобы уместить весь разговор.
Чем reference generation отличается от keyframe completion?+
reference generation использует картинки как подсказки, кто и где. keyframe completion использует картинку как настоящий кадр видео, например первый. Кадр может быть и тем и другим.
Можно увидеть промпт, по которому сделано моё видео?+
Да. Если переписывание сработало, у кадра rewritten равно true, а в prompt_rendered лежит полный промпт из шести разделов, который получил H3.
Можно выключить автоматическое переписывание?+
Да: rewrite: false в запросе или снять галочку в плейграунде. Промпты, начинающиеся с subject_definitions:, всегда отправляются как есть.
Это генератор промптов для MiniMax H3?+
По сути да: переписывание — это генератор промптов H3, встроенный в API видеокадров. Его кадры можно использовать и как шаблоны. Условия лицензии модели — на странице условий MiniMax H3, другие гайды — на странице гайдов.
Один предоплаченный ключ для моделей, данных и агентов
Без подписки. Пополняйте баланс, используйте сколько нужно и смотрите каждое списание в логах.