黑色星期五充值赠礼
每笔符合条件的充值都可获赠额度,并可与其他优惠叠加。
11月30日截止
MiniMax H3 能根据参考图生成带声音的视频,但它读提示词的方式和大多数视频模型不一样。它要的是一份分成六段、用英文写成的结构化文档:每个人物和地点都要打上标签,每句对白都要标明说话人和语言,还要说明每个参考需要保留到什么程度。一句话的请求照样能出视频;完整的 H3 提示词才能出你要的视频:对的人说对的台词,房间就是你图里的那间,不会冒出你没要的配乐。
本指南逐段讲解这种格式,列出最容易导致返工的错误,并把一个普通请求改写成完整的提示词。依据是 MiniMax 官方的提示词写作指南中的全参考模式,也就是镜头从人物和地点图片出发时使用的模式。最后会介绍 视频镜头 API 如何替你把这些都写好。
六个段落
全参考提示词由六个带标签的段落组成,顺序固定:
| 段落 | 写什么 |
|---|---|
subject_definitions | 每个参考一行:它是什么、要保留什么 |
summary | 一小段概述,开头是方括号里的任务类型 |
retention_analysis | 每个参考一行:出现在哪里、保留到什么程度 |
detailed_description | 视频本身,按播放顺序逐个镜头写 |
overall_soundscape | 贯穿全片的环境声和物理声音 |
non_diegetic_music | 只有观众听得到的配乐,或 N/A |
除了对白、歌词和画面中出现的文字保留原语言,其余全部用英文。
标签:主体、图片和音频
参考内容用带编号的标签命名,标签一旦定义,在所有段落里都表示同一个东西。
<Subject N>是视频要复用的可见内容:人、动物、物品、地点、服装、风格。它指的是内容,而不是文件:「<Subject 1> is the young woman in <Picture 1>, with a short black bob and a yellow raincoat.」
<Picture N>只有在图片是视频中的具体画面时才单独占一行:镜头的首帧、关键帧、尾帧或分镜。人物设定图或地点照片则在对应主体的定义里引用。
<Audio N>是声音参考,最常见的是要模仿的嗓音:「<Audio 1> is the voice-timbre reference for <Subject 1> (S1).」
在这个 API 上顺序很简单:你标记的每个角色和场景都会成为一张图片,按提示词中第一次提到的顺序编号;带声音的角色会带上一个音频参考。
概述和任务类型
概述是一段话,开头用方括号写任务类型。对于用图片生成的镜头,常用的有这几种:
| 任务类型 | 何时使用 |
|---|---|
reference generation | 图片用来引导人物、地点或风格,但不是视频里的画面 |
keyframe completion | 图片就是视频中的一帧:首帧、关键帧或尾帧 |
audio reference | 模仿某个嗓音的音色或语气,但不复制录音本身 |
同时满足多种情况时用 + 连接:一个从你的图片开场、角色用保存的嗓音说话的镜头就是 [keyframe completion + reference generation + audio reference]。概述只使用已经定义过的标签,不引入新标签。
保留程度:每个参考要保留多少
retention_analysis 中每个标签占一行,写明它出现在哪里,并给出一个固定标记:
fully_preserved:按定义完整保留,这正是角色的脸、发型和服装需要的。partially_preserved:仍然使用,但部分特征有变化(同一个人换了件外套)。attribute_transfer:某个特征转移到别人身上(她的外套穿到了另一个角色身上)。weak_reference:只保留风格或氛围上的大致相似。
音频参考有自己的标记:fully_copy、partially_copy、reference(只参考音色和语气)和 weak_reference。一行大致是这样:<Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - her short black bob and yellow raincoat are retained.
详细描述
这是提示词的主体,MiniMax 要求写得详细:生成类任务通常 350 到 500 个英文单词。开头用一两句话交代风格,然后逐个镜头展开:
[Shot 1]是视频开头,不写时间戳。之后的镜头以切换时间开头:[Shot 2] At 00:04.000, the shot cuts to…- 主体第一次清楚出现时,描述它被参考的特征、在画面中的位置和正在做什么。之后一直用它的标签。
- 运镜用平实的话写在镜头里:「the camera slowly pushes in」。
- 在适用的地方点明画面锚点:「the shot begins from
<Picture 3>」。
说话人和对白#
每个声音按第一次开口的顺序获得固定的说话人编号:(S1)、(S2)。会说话的主体同时带两个标签,台词放在 <d> 里并注明语言:
<Subject 2> (S1) leans forward and says quietly, <d>[Chinese] 我还以为你不来了。</d>同一个说话人每次开口都用同一个编号,每句台词在 </d> 前以 .、? 或 !(中文用对应的标点)结尾;有人不说话时要明确写出来:「<Subject 1> listens and does not speak.」
声音和配乐
overall_soundscape 描述整段视频的环境声和物理声音:房间底噪、雨打玻璃、咖啡机的声音。对白不写在这里,它们属于说出来的那个镜头。
non_diegetic_music 是只有观众听得到的配乐:乐器、速度和走向。不想要音乐就写 N/A。这一段写得含糊,等于默许模型加配乐。
七个导致返工的错误
- 两个人时用代词。 画面里有两个角色时,「她把杯子递给他」是有歧义的。每次有人做动作都写主体标签。
- 把图片里已有的服装写成别的样子。 设定图里是黄色雨衣,描述里写「红色夹克」就会和参考打架。要么照图描述,要么不写服装。
- 给人物设定图单独写一行图片。 只用来定义人物或地点的图片应写在主体那一行里。单独的
<Picture N>行会让模型以为它是视频里的一帧。 - 对白没有标记。 没有
<d>[语言] …</d>和说话人编号的引号台词,可能被错的人说出来,或者根本不说。 - 沉默靠暗示。 角色不该说话就写明,不要音乐就写
N/A。 - 第一个镜头写了时间戳。
[Shot 1]从来不写,之后的每个镜头都必须写。 - 段落顺序错了,或用了别的语言。 六个段落每次都按顺序、用英文写。
改写前后
下面是人们平常写的请求,有两个保存的角色和一个地点(按提到的顺序是图片 1、2、3):
@Mia 在 @[Night Café] 里坐到 @Leo 对面。她说"你来了。"他笑了笑,没有回答。镜头缓慢推近,不要音乐。同一个镜头写成完整的 H3 提示词(为节省篇幅,描述有所缩短):
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>[Chinese] 你来了。</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注意变化:每个人都有标签和与图片一致的描述,台词有说话人和语言,沉默写明了,运镜写进了镜头,「不要音乐」变成了 N/A。
或者交给我们
这些都值得了解,但在这里一样都不是必需的。在 视频镜头 API 和 视频创作台 里,你只写第一个版本,也就是带 @ 标签的那一句话,每次渲染前完整的提示词都会替你写好:
写下你想要的
用
@标记你保存的角色和场景,把对白放在引号里,说清楚要紧的事:谁不说话、怎么运镜、不要音乐。视觉模型写出 H3 提示词
它会读 MiniMax 的指南,看你的真实图片,写出全部六段:标签、任务类型、保留程度、逐镜头描述、说话人和声音。回答会被检查是否六段齐全且顺序正确;模型失败会重试,一直失败就换另一个模型接手。
镜头开始渲染
MiniMax H3 收到完整的提示词。镜头对象的
prompt_rendered会显示它收到的原文,你可以从自己的镜头里学会这种格式。
改写默认开启,而且绝不会让镜头失败:如果没有拿到完整的提示词,镜头就按你写的内容照常渲染。它作为你密钥上的一次普通对话调用计费,以 other_usd 显示在镜头价格旁边,渲染开始前会多等 10 到 45 秒。镜头本身单张图片每渲染秒 $0.13。
如果你更想自己写提示词,就发送 rewrite: false。已经以 subject_definitions: 开头的提示词会原样交给模型。所有字段见 改写参考。
常见问题
MiniMax H3 提示词必须用英文吗?+
六个段落应该用英文。对白、歌词和画面中的文字放在 <d>[语言] …</d> 里保留原语言,所以角色可以在英文提示词里说中文或西班牙语。
H3 提示词应该写多长?+
MiniMax 建议生成类视频的详细描述写 350 到 500 个英文单词。对白多的镜头可能需要更长,才能放下完整的台词时间线。
reference generation 和 keyframe completion 有什么区别?+
reference generation 把图片当作「谁」和「在哪」的参考;keyframe completion 把图片当作视频中真实的一帧,比如首帧。一个镜头可以两者兼有。
能看到我的视频用的是哪段提示词吗?+
可以。改写运行过时,镜头的 rewritten 为 true,prompt_rendered 里就是 H3 收到的完整六段式提示词。
可以关掉自动改写吗?+
可以,在请求里加 rewrite: false,或在创作台取消勾选。以 subject_definitions: 开头的提示词总是原样发送。
这算是 MiniMax H3 提示词生成器吗?+
实际上是的:改写就是内置在 视频镜头 API 里的 H3 提示词生成器,它写出的镜头也可以当作模板。模型的许可条款见 MiniMax H3 条款页,更多指南见 指南页。