MiniMax H3 提示词指南
MiniMax H3 提示词指南
五条可直接复制的 MiniMax H3 提示词，对应驱动这个模型的五种方式：产品广告、图生视频、首尾帧、视频运动参考，以及原生对白加音效。每条都写明运行模式、所需输入，以及生成后要检查什么。
Imgo 上线状态：待定
MiniMax H3 尚未进入 Imgo 的在线模型目录，因此这些提示词用于复制：可通过 MiniMax 官方 API 或你自己部署的 H3-Base 运行，也可以改写后用于 Imgo 现已上线的视频模型。
你在为什么写提示词
两个开放检查点
H3-Base 以两个检查点发布：FL2VA（文本、首帧、尾帧或首尾帧生成带音频的视频）和 Ref2VA（参考图片、视频和音频生成带音频的视频）。先选定检查点，再写提示词。
本地 768p，API 出 2K
开放权重输出 768p。2K 来自 H3-Regenerate-2K，该环节尚未开源，因此完整的 2K 流程需通过 MiniMax 官方 API 运行。
声音也是提示词的一部分
每段视频都带有 32 kHz 立体声。把对白、音效和环境声写进提示词，否则模型会替你决定。
4–15 秒，21:9 到 9:16
时长 4 到 15 秒，24 fps，画幅包括 21:9、16:9、4:3、1:1、3:4 和 9:16。
Ref2VA 参考素材限制
组装参考模式请求时，请控制在以下限制之内。
| 输入 | 限制 |
|---|---|
| 图片 | 最多 9 张 |
| 视频片段 | 最多 3 段；每段 2–15 秒；总计 15 秒 |
| 音频片段 | 最多 3 段；每段 2–15 秒；总计 15 秒 |
| 全部文件 | 图片、视频、音频合计最多 12 个 |
首帧和尾帧属于 FL2VA。同一次生成只能以帧或参考素材为条件，不能两者兼用。
复制并改写
用产品实拍图做广告
为 [product] 制作一支 10 秒、16:9 的广告片。以参考图片作为产品原样：每个镜头中都保持其形状、颜色、标志位置和标签文字不变。开场在 [lighting] 下沿 [surface] 缓慢推进；随后一只手拿起产品并转动，展示 [key feature]。结尾停在居中的主视觉画面，右侧留出干净的负空间。音频：[music style] 风格的背景音乐，产品被拿起时伴随轻柔的 [product sound]；不要旁白。不要屏幕文字，不要额外产品。
- 模式
- Ref2VA · 参考图片
- 适用场景
- 真实产品必须分毫不差，而镜头、场景和声音都围绕它重新创作。
- 输入
- 两到四张真实产品的多角度照片，标签清晰可辨。
- 检查
- 对照实拍图检查标签、标志和颜色，并留意产品音效是否落在拿起的那一刻。
让静态图片动起来
将首帧图片制作成 6 秒动画。[subject]、构图和调色完全保持原样。[subject] [action]，同时镜头 [camera move]。背景动态：[ambient motion]。音频：[setting] 的自然环境声，以及与动作同步的 [sound effect]；不要音乐，不要对白。不要添加人物、物体或文字。
- 模式
- FL2VA · 首帧
- 适用场景
- 图片已经定稿，需要让它动起来而不被重画。
- 输入
- 一张目标画幅的高分辨率图片，它将成为第一帧。
- 检查
- 把开场画面与原图对比，再观察动作展开时手部、面部和边缘是否走样。
从首帧到尾帧
以一个连续镜头，从首帧图片过渡到尾帧图片，时长 8 秒。[subject] 全程保持一致。动作：[transition action]，同时镜头 [camera move]。节奏：开场停留一秒，匀速推进，最后一秒稳定在尾帧。音频：[transition sound] 随动作逐渐增强，在尾帧定格时落在轻柔的 [final sound] 上。
- 模式
- FL2VA · 首帧与尾帧
- 适用场景
- 起止状态已经确定——前后对比、揭晓、变形——只有中间的过程可以自由发挥。
- 输入
- 两张画幅、构图和光线一致的图片；越接近，中间的过渡越干净。
- 检查
- 确认视频确实停在尾帧上，且主体在中途没有变成另一个人或另一件东西。
借用参考视频的运动
参考视频只用于镜头运动与节奏：[camera move description]。不要复制其中的人物、场景或色彩。把这一运动应用到参考图片中的 [subject] 上，场景为 [setting]，光线为 [time of day]，并让 [subject] 的外观与参考图片保持一致。时长与参考视频相同。音频：与动作同步的 [ambient sound] 和 [motion sound]；不要音乐。
- 模式
- Ref2VA · 参考视频与图片
- 适用场景
- 你喜欢某个运镜或一段编舞，想把它用到另一个主体上。
- 输入
- 一段 2–15 秒、展示该运动的参考视频，外加一到三张新主体的图片。
- 检查
- 把参考视频和生成结果并排播放：运动应当一致，而参考视频里的场景和人物不应混进来。
带音效的对白场景
一段 12 秒、16:9 的场景，地点为 [setting]。[character A]（[description A]）和 [character B]（[description B]）隔桌对坐。先是中景双人镜头，然后缓慢推近 [character A]。对白使用 [language]：[character A] 说：“[line 1]”，[character B] 回答：“[line 2]”。音效：第一句台词前出现 [sound effect 1]，回答时底下垫 [sound effect 2]。环境声：[ambience]。口型与每句台词同步；不要音乐，不要字幕。
- 模式
- FL2VA · 纯文本
- 适用场景
- 视频必须开口说话：台词、人声和音效直接写进镜头，而不是剪辑时再加。
- 输入
- 仅需文本。每句台词要短到能在镜头时长内从容说完。
- 检查
- 逐句检查口型同步，确认每个声音都对应正确的说话人，音效出现在提示词指定的位置。
实用技巧
- 先选检查点：帧交给 FL2VA，参考素材交给 Ref2VA。同一次生成不能同时使用两者。
- 上传前先数文件：最多 9 张图片、3 段视频、3 段音频，合计不超过 12 个。
- 把参考片段剪到关键部分。每段视频或音频须为 2–15 秒，同类素材总时长上限 15 秒，所以三段 5 秒的片段就用满了额度。
- 说明每个参考的用途——产品、运动、声音还是配色——以免模型照搬其中的一切。
- 像写分镜表一样写声音：谁说话、什么音效、什么环境声、要不要音乐。要求静音也是一条指令。
- 台词在 MiniMax 列出的 11 种语言中最稳定：阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。
- 先用 768p 打样，只把值得保留的镜头升到 2K；2K 输出需通过 MiniMax 官方 API。
常见问题
- MiniMax H3 最好的提示词结构是什么？
- 先写主体与动作，再写镜头，然后是场景与光线，接着是音频，最后是排除项。在 Ref2VA 模式下，开头先说明每个参考的用途。MiniMax 也在 H3 模型卡上发布了基础模式和参考模式的提示词写作指南。
- 可以在 Imgo 中生成 MiniMax H3 视频吗？
- 暂时不能。H3 尚未进入 Imgo 的在线模型目录，因此显示为待上线。你可以复制这里的提示词，通过 MiniMax 或自己的部署运行，也可以改写后用于 Imgo 已上线的视频模型。
- 为什么我本地跑的 H3 最高只有 768p？
- 开放的 H3-Base 检查点输出 768p。2K 来自 H3-Regenerate-2K，这是 MiniMax 尚未开源的第二道生成环节，因此完整的 2K 流程需通过 MiniMax 官方 API 运行。
- 开放权重可以商用吗？
- 自行部署适用 MiniMax H3 社区许可证。许可范围不包括欧盟、英国、韩国和美国（这些地区的机构可向 MiniMax 申请许可）；年收入超过 2000 万美元的产品需通过 [email protected] 取得 MiniMax 的书面授权；商业产品须在用户界面展示 "MiniMax H3"；协议受香港法律管辖。通过 MiniMax 官方 API 使用则适用其 API 条款。以上仅为摘要，不构成法律意见——上线前请阅读许可证原文。
- 这些提示词能用其他语言写吗？
- 可以。镜头描述可以用任何语言。至于台词，H3 在 MiniMax 列出的 11 种对白语言中最稳定，其他语言的效果则有不同程度的差异。
继续探索
资料来源
审阅于 2026 年 10 月 7 日。模型限制与许可条款可能变动，请以所附原始资料为准。