MiniMax H3 官方使用手册:一个三段公式,把提示词从描述画面改成给素材派活
- MiniMax 给 H3 出了本使用手册,核心是一个三段公式:参考素材说明 + 核心创意 + 画面过程说明。
- 最有用的是那些具体到反直觉的规矩,想要环绕运镜,别写「环绕运镜」,要写
truck left + pan right。 - 手册最后一节的标题叫「撰写提示词的最佳方式」,内容是:别自己写了。
这份手册值钱在一个三段公式
MiniMax 给 7 月底发布的视频模型 H3 出了一份使用手册,把「提示词到底该怎么写」拆成了一个公式、三个要素和六条踩坑,还附了几十个案例,每个案例都是原始提示词、输入的参考图、生成出来的成片三件套摆在一起。它不讲产品有多强,通篇给的是能直接抄走的写法。
市面上讲 AI 视频提示词的文章,大多停在「要写清主体、场景、动作」这种正确的废话上。这份手册给的是官方自己踩出来的具体规矩:想要环绕运镜,别写「环绕运镜」四个字;不想要背景音乐,得在提示词末尾写一句固定格式的话。这类东西自己试一个月也未必摸得出来。
整份手册的骨架就是这一条公式:
完整提示词 = 参考素材说明 + 核心创意 + 画面过程说明
但先得知道 H3 能吃什么、吐什么
动手写之前有个前提:模型的能力边界直接决定提示词该怎么写。比如提示词上限 7000 字符这一条,就解释了为什么官方给的范例动辄上千字,它是真的鼓励你把话说满。
| 项目 | H3 的规格 |
|---|---|
| 输出时长 | 4-15 秒 |
| 输出帧率 | 24 FPS |
| 输出声音 | 所有结果全部带声音输出,原生双声道 |
| 输出宽高比 | 首/尾帧模式下,遵循用户输入图片的原始长宽比 文生视频模式下,遵循用户指定 21:9、16:9、4:3、1:1、3:4、9:16 范围内的长宽比 全能参考模式下,遵循用户指定上述范围内的长宽比,或选自动模式由 H3 自行判断 |
| 分辨率 | 768p 模式(已开放):输出宽高比在 16:9~9:16 之间时,输出短边 768 像素;否则总面积约 1M 像素,例如 21:9 时为 1536×672。768p 的结果可以升级到 1440p 1440p 模式(官方推荐 👍):宽高比在 16:9~9:16 之间时输出短边 1440 像素;否则总面积约 3.7M 像素,例如 21:9 时为 2976×1248 |
| 首/尾帧入口 | 图片 0、1、2 张;宽高范围 [256, 5760];宽高比 5:2~2:5 范围内 无图片输入时为文生视频模式 |
| 全能参考入口 | 图片 ≤ 9 张,宽高范围 [256, 5760] 视频 ≤ 3 段,单段时长 [2, 15] 秒,总时长 ≤ 15 秒,宽高范围 [256, 5760],宽高比 5:2~2:5 音频 ≤ 3 段,且必须配图片或视频输入,不能单独输入,单段 [2, 15] 秒,总时长 ≤ 15 秒 混合输入的总上限是 12 个文件;无任何输入时为文生视频模式 |
| 输入格式 | 视频:H.264/AVC、H.265/HEVC;视频内音频:AAC、MP3 图片:JPG、JPEG、PNG、WEBP、HEIC、HEIF 音频:WAV、MP3 |
| 传入大小 | 视频单个 50MB;图片单个 30MB;音频单个 15MB(总和不限,限制都在单个素材上);API 请求体 64MB(推荐用 url 传入素材) |
| 提示词上限 | 不超过 7000 字符 |
| 语言支持 | 支持多语言提示词输入与输出 文本转语音(TTS)精准覆盖 11 种语言,包括中文、英语、日语、韩语、法语、德语、西班牙语等 更多语言可衍生探索,如阿拉伯语、泰语、印尼语、印地语等 40 多种语言 适合海外品牌传播、多语种广告、跨语言短片和本地化产品介绍等场景 |
输入这边分两个入口,能力差得很远,选错入口,提示词写得再好也没用:
手册给 H3 划的三大能力
知道模型能干哪几类活,写提示词时才知道该往哪个方向使劲。手册开头给了个官方分类,原话如下:
| 三大能力 | 官方阐释 |
|---|---|
| 原生多模态 理解与生成 | 支持文字、图片、音频、视频等多种输入,理解不同素材中的人物、动作、声音、情绪、镜头、风格与表达意图,并将多种参考信息自然融合,完成从素材理解到完整视听内容生成的一体化创作。 |
| 多模态精准 编辑与控制 | 支持对人物、物体、场景、声音与节奏进行多维度编辑,并具备精细化指令遵循能力。创作者可以在已有内容基础上持续修改和迭代,更准确地落实对画面、声音与内容细节的调整需求。 |
| 商用级多场景 内容生成 | 面向影视、广告、品牌、电商与游戏等真实商业内容场景。它兼顾文字字幕、品牌信息、创意特效、产品展示、UI/UX 动态演示、游戏视觉及风格化表达,帮助创作者和内容团队更快完成创意验证、视觉提案与内容制作。 |
前两项各自还拆了四条细分能力,后面的案例就是按这些条目组织的:
| 原生多模态理解与生成 | 全能精准编辑与修改 |
|---|---|
| 多素材联合参考 文字、图片、音频与视频自由组合,共同参与内容生成 |
角色与物体编辑 替换、删除或增加人物与物体,灵活调整画面主体 |
| 角色、动作与镜头参考 参考主角形象、人物动作、镜头运动与画面构图 |
场景与视觉效果编辑 替换背景、调整光影氛围,并增加或修改视觉特效 |
| 音色迁移与克隆 参考音频音色,丝滑更新角色声音 |
声音、台词与音色修改 替换台词、迁移音色、调整人声及相关声音内容 |
| 氛围与剪辑理解 参考原视频的视觉风格、叙事节奏、声音氛围与整体剪辑感 |
高精度指令控制 准确执行局部修改与细化要求,同时保持未编辑内容相对稳定 |
第一段:先给每个素材派活
这是全篇最需要转过弯来的一处。过去写视频提示词,第一件事是描述画面;现在第一件事变成了逐个交代你上传的每个素材是干什么用的。
两件事:写清编号(按你上传的顺序,@图片1、@音频2、@视频3),写清用途。
官方把「用途」列成了一张词表,一共 13 个标签。这张表本身就可以照抄,写第一段时对着挑就行:
@图片1 提供了xx角色的形象(如果有多个角色,需要能指代清楚),@视频2提供了动作参考。
还有两条补充规则很实在。素材里有特别想保住的特征,明确写出来,一致性会更好。做音频复刻时,如果对白或歌词内容必须保住,官方强烈建议把歌词原文一起补上,比如「@音频1 作为目标视频的音频复刻素材,具体歌词是:'ABCDEFGHIJKLMN'」。
「音色参考」这个标签实际长什么样,看一眼就懂:给一段音频当音色参考,再给一句要说的台词,人物就用那个嗓子把话说出来。
词表最后那个「视频编辑」标签,管的是改片子。最简单的一条提示词就是一句大白话,「把视频中的猫换成狗」:
没传素材的时候,这一整段跳过。
第二段:一句话锁住全片
素材派完活,接着定这条片子是什么。核心创意要用一句话锁住全片,官方要求它必须包含四样东西:主体(谁/什么)、地点(在哪)、事件(在做什么)、题材风格(写实/动画/电影感/广告片……),另外可以补一个特殊运镜(航拍/一镜到底/慢动作)。
一位穿汉服的年轻女子(@图片1)在樱花纷飞的庭院里舞剑,古典国风,电影质感,一镜到底。
这一段里藏着两条外面很少讲的硬规矩。
H3 默认会切镜。你不说「一镜到底」,它就会自己切。想要一镜到底,得明说。
想要环绕运镜,别直接写「环绕运镜」。官方建议写成 truck left + pan right,或者反方向的 truck right + pan left。
官方还把「题材风格」和「切镜风格」各列了几个具体选项,写的时候直接挑:
题材/风格:写实 / 动画 / 电影感 / 广告片 / 纪录片……
特殊风格列举:赛博朋克 / 霓虹灯美学 / 涂鸦风 等
特殊运镜:航拍 / 一镜到底 / 慢动作……
· 默认会切镜
· 运镜风格:写清即可;注意环绕运镜,建议用 truck left + pan right
或者 truck right + pan left,而非直接说环绕运镜
· 切镜风格:
· 普通切镜(cut)
· 叠化切镜(fade)
· 随着节奏卡点切镜
· 快切
如果任何元素有直接和引用素材的关联,都欢迎用 @图片1 / @音频1 / @视频1 等方式强调。
truck 是整台摄影机横着平移,pan 是机器不动、只把镜头左右转。你端着手机绕一个人转圈的时候,脚在横着走(truck),手腕同时跟着转好让人一直待在画面中间(pan),两个动作叠在一起,看上去就是「环绕」。所以官方让你把这个结果拆成两个具体动作来写,模型反而更懂。
还有一条跟文字有关:你想让视频里出现具体的文字、Logo、标题、按钮文案,必须把原文一字不差写出来。比如「手机屏幕上显示标题:'AI Video Creation',按钮文字为:'Start Now'」。手册里那些满屏文字动效的案例,提示词里都老老实实把每个字写死了:
第三段:按时间轴写想要和不想要
定完全片调性,所以最后才写每一秒发生什么。这一段按时间轴分块,以「切镜」为时间戳,每一块要写六项。
0-3 秒:全景,女子(@图片1)从画面左侧缓步走入樱花庭院(@图片2),背景虚化,没有对白,只有脚步声。 3-8 秒:切镜到女子(@图片1)的中景,她拔出长剑(@图片3),缓缓起势,樱花瓣从树上飘落。镜头推进。 8-12 秒:切镜到特写,剑光一闪,慢动作,樱花被剑气激得四散。 非叙事性音乐:N/A
最后那行就是「不想要」的写法。想让视频里没有背景音乐,光说「不要 BGM」不管用,得写这句:
非叙事性音乐:N/A 或者用英文格式: "non_diegetic_music": N/A
指画面里的人听不见、只有观众听得见的那层音乐,也就是通常说的背景配乐。恐怖片里那段让你手心冒汗的弦乐,戏里的主角是听不见的,它就是非叙事性音乐。跟它相对的是画面里真实存在的声源,比如角色自己打开的收音机。想让 H3 别加那层配乐,就得点它的名字。
另外两条:尽量少写比喻句,多写看得见的画面,H3 擅长的是明确的画面指令,抽象比喻它接不住;有台词就必须写出具体内容,不能只写「她说了句狠话」。
这一段写到极致是什么样?手册里有条提示词一口气要求改四处东西,每一处都写得死死的:
台词跟镜头对不齐,口型就崩
但写分镜还有个官方特意强调的坑。手册在这条后面专门加了句「这个得强调下,很多口型问题会来自于这个」,
台词的长短,必须和每个镜头的长短对得上。别在一个 3 秒的镜头里塞一大段话,官方原话是「会非常影响效果」。
相关的还有三条:
跨镜头的台词,要写明它跨了哪些镜头。H3 能响应 J-cut 和 L-cut,但你得说清楚。
声音和画面故意不在同一时刻切换:一句话还没说完就切到下一个画面,或者下一个场景的声音先响起来、画面才跟上。像看剧时还没看到人,先听见他在门外喊你,声音先到,画面后到。
说话的人是谁、在不在画面里,要交代清楚。手册给了个复杂例子:
一个画外音响起说:Wake up Wake up。之后切镜到一个中年妇女的近景,她是画外音的主人,她继续说道:It's time to go to school!
切镜的时候写清切到什么景别、主体是前面哪个角色,跨镜头的一致性会保持得更好。
三种模式,提示词写法不一样
那么同样一套公式,喂法不同写法也不同。手册把它分成三种模式:
| 模式 | 写法要点 |
|---|---|
| 多模态参考 图+视频+音频一起传 | 每个素材都要写清它的角色:@图片1 锁脸、@视频1 锁动作、@音频1 定情绪 |
| 图生视频 | 只传 1 张图,要说清它是首帧还是尾帧;传首+尾帧两张图时,H3 不会自动加切镜,只补两帧之间的动作、光影和声音 |
| 纯文字生成 | 描述要更具体(主体外观、场景细节、动作都得写清),多用「大全景交代空间 + 中景承载动作 + 特写强调细节」的分层写法 |
中间那条容易踩:很多人传首尾帧是想让 H3 在两张图之间「演一段」,结果发现它老老实实只补了中间的动作,没有任何镜头切换。这是设计如此,不是失败。
官方自己列了六个最常踩的坑
写法讲完了,接着看官方替你总结的错题本。这张表可以直接贴在手边:
| 你的写法 | 怎么改 |
|---|---|
| 只写一段话没分段 | 按三段公式拆开写 |
| 素材上传了但没说用途 | 补一句「@图片1 是 XX 参考」 |
| 想用音乐但说「不要 BGM」 | 这两个矛盾,要么删一个,要么分场景写 |
| 想一镜到底但写了很多分镜 | 全文保持一段情节描述,删掉【镜头 N】结构 |
| 想要主角脸一致但没传图 | 一定要上传人物参考图,并标注「人物参考」 |
| 提示词太短,又没传素材 | 至少写出主体外观 + 场景细节 + 动作 + 风格 |
两条上千字的成品,可以直接抄
但光有规则还不够,官方在手册末尾给了两份写满的范文,都是上千字的完整提示词,结构严格按三段式排。
第一条:大字幕 MV
trap 音乐录像带风格。这条最值得学的是它有一整段「律动规则」,把音乐节拍和画面动作绑死:
hi-hat roll → 快速微震、跳帧、文字细碎重组 snare → 文字猛然放大、画面硬切、人物肩膀下压 808 bass hit → 低频压屏、画面短暂变形、文字纵向拉伸或横向压缩 vocal 关键词 → 嘴型同步、下颌动作、头部点拍、手势推进
第二条:手绘特效
实拍电车车厢与手绘发光动画融合。这条最值得学的是形态连续性要求,一条手绘的线在 15 秒里变了十来次形态(车票→纸燕子→毛毛虫→箭头→小帆船→迷你电车→蜗牛→雨伞→小鱼→晚霞云海),官方要求每次变形都保留上一个形态的痕迹:车票的虚线边、纸燕子的翅膀、毛毛虫的圆点……好让观众觉得这是同一个东西在连续变形,而不是换了个新角色。
它还专门规定了相机的节奏:镜头始终比手绘动画慢半拍,先让动画跑,相机再迟疑着追上去。
这两条上千字的提示词有个共同点:大量篇幅花在「不要什么」上,禁止项写得比想要的还细。手绘那条列了「禁止精密 3D 渲染、禁止广告式整洁构图、禁止字幕标志背景音乐、禁止巨大眼睛和裂嘴、禁止前一个形态消失后新角色凭空出现」,把跑偏的路先堵死。
两条上千字的范文,连素材带成片给全
上一节讲了这两条范文各自最值得学的地方。它们本身就是可以抄改的模板,所以这里把完整原文、用到的参考图和最终成片一并放出,一个字没删。太长的提示词默认只露开头,点一下展开全文。
大字幕 MV
【参考素材说明】@图片3:场景视觉风格(街道/夜间/地下空间、压迫感构图、环境层次、影像颗粒)@图片2:文字包装样式(字体质感、图形设计、动态图形排版冲击力)@图片1:人物形象(脸、发型、服装轮廓、比例、气质、整体氛围)只参考指定维度,不直接复制参考图,不出现真实品牌、原参考图 logo/标题/可识别文字。 【核心创意】10秒,16:9 横版 trap MV。两位 fly detective 兄弟搭挡在多个近景地下空间轮流对镜头 rap,全程跟随 trap 鼓点律动、卡点硬切,高反差印刷海报质感的英文块字随 bass hit 压屏出现。地下音乐录像带 + 时尚杂志拼贴 + 高时装质感,兄弟搭档式冷峻 performance。 【画面过程描述】 Shot 1 — 面部极近特写 / 通道压迫感- 场景:狭窄通道或地下入口近景,参考 @图片3- 景别:面部极近特写(脸/眼神/肩颈/衣领局部)- 人物:Detective A 直视镜头开始 rap,眼神冷静锐利- 文字:"TWO FLY" 巨大粗体英文压入画面上下,不遮挡眼睛- 律动:808 bass 砸下,"TWO FLY" 瞬间纵向压缩后回弹;hi-hat roll 时字母边缘高速细碎震动;"fly" 重音处扫描错位- 硬切 Shot 2 — 中近景半身 / 墙面文字背景- 场景:另一处墙面/海报墙近景(和 Shot 1 空间明显不同)- 景别:明显拉到中近景半身- 人物:Detective B 对镜头 rap,肩膀和头部跟 hi-hat 点拍,身体轻微前倾- 文字:"CLUES" 巨大压缩英文在人物身后,被头发/肩膀/服装轮廓自然遮挡- 律动:文字纵向拉伸如海报立起;每个 snare 时文字突然放大、抖动、扫描错位- 硬切 Shot 3 — 手部特写 / 遮挡切换- 场景:金属门边/栏杆/车库墙面/低矮天花局部- 景别:手部近景(手/戒指/袖口/衣服材质为主体)- 人物:Detective A 手势向镜头推进(递线索),脸在后方虚化或局部- 文字:竖排 "BROTHERS" 在前景一侧,被手部短暂遮挡- 律动:"move as one" 时文字被拉成一条长竖条,跟 bass hit 硬切重组- 硬切 Shot 4 — 肩颈特写到面部特写 / 楼梯转角- 场景:楼梯转角/门口阴影/低矮通道- 景别:肩颈和衣领材质特写 → snare 时突然短促推近到面部特写- 人物:Detective B 侧头靠近镜头继续 rap- 文字:"AS ONE" 像杂志标题被声音冲出来,在鼓点上突然放大- 律动:推近时文字位置硬切重排,始终不遮挡眼睛- 硬切 Shot 5 — 半身近景残影 / 车库或混凝土背景- 场景:车库感空间或混凝土背景- 景别:Detective A 半身近景- 人物:主图层嘴型清楚同步,副图层动感残影(复印机错位/帧延迟,脸不变形),手势横向划过镜头- 文字:竖排 "CUT GOLD" 在背景跳帧闪现- 律动:"CUT" 瞬间横向切开画面触发闪白硬切;"GOLD" 压缩成粗重块字后突然回弹- 硬切 Shot 6 — 双人近景分屏 / 色块分割- 场景:地下入口/墙面/栏杆/门框(和 Shot 5 空间明显不同)- 景别:色块切成两/三区,两个 detective 面部特写和半身局部快速硬切交替- 人物:两 detective 在左右轮流表演- 文字:中央出现 "CASE COMPLETE" 粗体短词- 律动:随 808 bass hit 硬切重组,字母先压扁再瞬间拉伸;hi-hat roll 时文字碎片快速跳动;最后重音上出现扫描错位和纸张撕裂感震动- 硬切 Final — 多场景近景 performance montage- 场景:狭窄通道面部特写、墙面中近景、手部特写、楼梯转角肩颈特写、车库半身局部、门口阴影双人近景快速交替- 景别:禁止全身、禁止多人全景,只用近景/中近景/面部特写/手部特写/肩颈特写/半身镜头- 人物:两位 detective 轮流对镜头 rap,嘴型/下颌/呼吸/眉眼/手势都精准卡住 vocal、snare、hi-hat roll、bass hit- 文字:最终主文字 "CASE CLOSED" 巨大压入画面- 律动:每次 bass hit 触发场景硬切或景别硬切;每次 snare 触发文字压屏或图层错位;最后一拍所有场景碎片同步冻结,hard cut to black 【整体要求补充】 ▍影像风格(贯穿全片)- 粗颗粒、轻微胶片抖动、复印纸颗粒、半色调网点、印刷毛边、扫描错位、跳帧残影、高速图层错位- 剪辑节奏极快,只用硬切、跳切、鼓点切、遮挡切、闪白硬切、文字压屏硬切- 不用淡入淡出、不用柔和转场 ▍文字包装(贯穿全片)- 文字是画面主体的一部分,有真实图层关系- 文字可出现在人物前景/中景/背景之间- 人物会遮挡文字,文字也可压过人物局部,但不能遮挡眼睛和主要面部表情- 文字跟随 vocal 重音、snare、hi-hat roll、808 bass hit 出现/震动/拉伸/压缩/错位/撕裂/硬切重组- 风格:粗重压缩无衬线、巨大英文块字、竖向拉伸、横向压缩、纵排英文、弧形标题、黑白红高反差、复印纸颗粒、半色调网点、印刷破损、扫描错位、zine 拼贴感- 文字数量克制:每镜头只 1 个主文字元素,最多少量编号;不要密集小字、不要 logo ▍律动规则(贯穿全片)- hi-hat roll → 快速微震、跳帧、文字细碎重组- snare → 文字猛然放大、画面硬切、人物肩膀下压- 808 bass hit → 低频压屏、画面短暂变形、文字纵向拉伸或横向压缩- vocal 关键词 → 嘴型同步、下颌动作、头部点拍、手势推进- 人物动作、文字动效、场景切换、景别切换必须共同卡点 ▍场景切换(贯穿全片)- 多个近景场景快速硬切- 场景气质统一参考 @图片3,但每个镜头空间要明显不同:狭窄通道、墙面近景、门口阴影、金属/混凝土背景、灯光边缘、海报墙、楼梯转角、低矮天花、车库感空间、地下入口- 不做大远景,不做复杂大场面- 每次切换由 bass hit、snare、vocal 重音或文字压屏触发 ▍景别切换(贯穿全片)- 变化要非常明显:面部极近特写 → 中近景半身 → 手部特写 → 肩颈特写 → 双人近景分屏 → 面部特写 → 半身局部- 不连续使用同一种景别- 每个硬切都让镜头距离/人物朝向/背景空间/文字层级产生明显变化- 镜头可轻微手持、突然推近、短促横移、快速压缩变焦、近距离摇摆- 不变成柔和慢镜头 ▍人物规则(贯穿全片)- 角色:两位 fly detectives / brothers- 保持 @图片1 人物形象的脸、发型、服装轮廓、比例、气质、整体氛围- 真实哑光皮肤、干净高级、自然毛孔、轻微皮肤纹理- 不要油亮 AI 美颜脸- 兄弟搭档式轮流 rap,对镜头有强烈 performance ▍人物表演(贯穿全片)- 声音冷酷、攻击性、松弛但有压迫感,节奏紧、断裂、强拍- 不是静态摆拍,是在表演- 清楚嘴型同步:唇形、下颌、表情、呼吸跟随 vocal- 卡点动作:头部点拍、肩膀下压、手势推进、身体前倾、侧头、转身靠近镜头、手指指向镜头 ▍重要限制(贯穿全片)- 不用全身镜头- 不用多人全景- 不用复杂群像大场面- 全片只用近景/中近景/面部特写/手部特写/肩颈特写/半身镜头- 只表现人物上半身、脸部、手势、衣服材质、表情、嘴型同步、文字包装- 不要求看到完整身体和脚- 不出现真实品牌、原参考图中的 logo、标题或可识别原文字
手绘特效
【参考素材说明】无参考素材(纯文字生成视频)。 【核心创意】15 秒,16:9 横版视频。将实拍的傍晚老式电车车厢与手绘发光动画融合:空荡末班电车车厢里,乘客用手机单手临时拍摄,遇到手绘杏橙色发光线在车厢里连续变形(车票→纸燕子→毛毛虫→箭头→小帆船→迷你电车→蜗牛→雨伞→小鱼→整车晚霞云海),最后回到车票碎成纸屑。整体生活感、怀旧、温柔而略带哀愁。 【画面过程描述】 0〜3 秒 - 正向:实拍镜头从拍摄者指尖在起雾车窗上随手画弧线开始。指尖离开,雾痕变成杏橙手绘发光线(蜡笔粉笔混合质感),先贴指尖→绕食指→落掌心卷成车票→被另一手按住→折成扁平纸燕子→沿右侧扶手环飞走。相机慢半拍追,先拍空掌和倒影,再匆忙右晃。 - 反向:不要平稳广告式构图。 3〜6 秒 - 正向:纸燕子绕吊环飞一圈,尾巴勾住扶手环轻晃发出塑料碰撞声。拍摄者伸手想稳扶手环,纸燕子掠手背散成一串手绘逗号→首尾相连聚成发光毛毛虫→沿座椅靠背爬行(留杏橙粉末)→拍摄者弯腰看时拉直成涂鸦箭头→指完塌成小帆船沿座椅缝滑走。相机迟一步推进,运动模糊+短暂失焦。 - 反向:不要新角色出现,所有形态必须首尾相连。 6〜10 秒 - 正向:小帆船滑地板、借电车晃动漂移、拖粉笔灰杏橙线→拍摄者伸脚挡+手捞→船从指鞋间溜过撞半卷车票→卷轴滚动→船被卷入又从另一侧钻出变成 2 节迷你手绘电车(车头保留船尖、车窗像毛毛虫点)→沿地板黑色缝线行驶→冲到路线图下车头一抬变扁平蜗牛(壳像车轮、身体拉长成车票线)→爬上金属立柱、回头抖触角催拍摄者追。 - 反向:不要立体 CG。 10〜13 秒 - 正向:蜗牛触角碰车门按钮→按钮周围亮起杏橙手绘光圈→拍摄者想按→光圈弹开拉长蜗牛→变手绘小雨伞(伞面保留蜗牛壳螺旋和迷你电车窗点)→贴车门玻璃下滑、伞尖敲门缝(门缝街灯变成摇晃发光线)→伞翻面变带铃铛尾巴手绘鱼(鱼身如伞面、尾如车票虚线)→游到下方用尾巴扫拍摄者手腕(留下杏橙手环痕迹)→拍摄者后退撞座椅、镜头一歪再追车厢中央。 - 反向:不要恐怖怪物化、不要扑咬。 13〜15 秒 - 正向:手绘鱼从车门玻璃散开→所有线迹沿窗玻璃、地板木纹、座椅缝、扶手环、路线图、天花板灯罩蔓延→整节车厢变巨大夕阳云海(窗铺晚霞、地板变发光小河、扶手环变圆月、路线图扩散成涂鸦小镇、天花板垂云带)→拍摄者后退伸手→空中云带落掌心变回车票→轻轻颤抖打喷嚏→满车厢晚霞线散成小纸屑→一片贴镜头边缘、另一只慢半拍小纸燕子从座椅缝钻出飞错方向笨拙掉到拍摄者手心→画面在温柔余韵中结束。 - 反向:不要切镜到别的场景、不要凭空的恐怖元素。 【整体要求补充】 ▍手绘动画风格(贯穿全片)- 始终是平面逐帧手绘发光涂鸦,不是立体角色或 CG 生物- 线条粗细、轮廓、填色每帧轻微变化,边缘有蜡笔/粉笔/彩色铅笔/粗糙笔刷/粉彩毛边- 涂色不均,有擦痕、颗粒、手工重画感- 中心色:杏橙、暖橘、淡奶白、少量柔和金- 发光柔和,只在玻璃/金属扶手/旧布座椅/木纹地板边缘留弱光晕,不强烈照亮实拍空间- 每次变形保留前一形态痕迹(雾痕弧线、车票虚线边、纸燕子翅膀、毛毛虫圆点、小帆船船头、迷你电车车窗、蜗牛壳螺旋、雨伞伞面、小鱼尾巴), 让观众感到是同一存在连续变形,不是新角色 ▍相机节奏(贯穿全片)- 始终比手绘动画慢半拍- 动画先逃向扶手环/座椅缝/地板木纹/路线图/车门玻璃/车厢中央,相机再迟疑平移/低头/抬头/前进/后退追- 不提前构图,不让动画稳定居中,不平稳展示电车内饰- 保留:手持手机抖动、电车行驶摇晃、走路追赶的上下起伏、靠近玻璃的短暂失焦、窗外街灯曝光跳动、自然运动模糊- 像拍摄者真的在同一节车厢里一路追着它移动 ▍禁止项(贯穿全片)- 禁止精密 3DCG、毛绒玩具风、三维渲染、平滑霓虹管、均匀矢量线、完成度过高的动态图形- 禁止电影感过强的布光、广告摄影式整洁构图、过度景深虚化- 禁止字幕、标志、背景音乐- 禁止突然切到别的场景- 禁止前形态消失后新角色凭空出现- 禁止巨大眼睛、裂嘴、牙齿、威吓、扑咬、突然黑屏、跳吓、恐怖怪物化- 最后的空间变形必须仍由手绘发光线条构成,可以奇妙梦幻不可思议,但保持温柔、怀旧、可爱、生活化、温柔而略带哀愁。 ▍环境音(贯穿全片)- 只使用老式电车车厢内的真实声音:车轮与轨道的低沉摩擦声、车厢轻微摇晃声、扶手环碰撞声、车门按钮细小机械声、纸质车票摩擦声、布面座椅被碰到的声音、拍摄者小声惊呼和急促脚步声- 手绘动画声音:极轻的粉笔摩擦声、玻璃上滑动的细小刮擦声、柔软电子颤音、短促滑稽的鸣叫声
手册里的 54 条案例,提示词配着素材和成片一条条摆
按手册原来的分区,每条案例都是三件套:提示词原文(一字未改,点「复制」直接拿走)、它用到的输入素材、H3 生成出来的结果。提示词里那句「非完全 Prompt,可自行补充」是官方自己标的,意思是这条不是完整版,可以在它基础上继续加。
品牌大片与影视内容(5 条)
(非完全Prompt,可自行补充) 图1至图4连续关键帧,模拟老式望远镜寻MINIMAX装置。开头虚焦手持晃动后快速拉近rack focus至图1,图间望远镜扫视转场(甩动、运动模糊、光学拖影、曝光闪烁)在最模糊处切换并迅速稳定重新对焦。全程固定双圆镜片遮罩(黑色羽化暗角、位置大小边缘虚化绝对一致无变形漂移)仅内部画面运动。图2布料随风克制飘动MINIMAX文字随布面起伏保持可读;图3人物如无意捕捉的时尚路人自然走动转身摆臂;图4人物调整眼镜或微抬下巴展现冷感松弛fashion campaign态度。红字随对焦轻微加载,初现略虚焦低透明度0.3–0.5秒内淡入变清晰(可微小纵向滑入或字距呼吸)切换前淡出或被运动模糊带走,禁旋转弹跳或大幅飞入飞出。Wes Anderson式窥视35mm胶片质感(轻微颗粒、柔和高光晕染、克制色彩、红字点缀),极简高级微带搞怪灵动,严禁新增人物车辆建筑logo,保持原图核心构图与MINIMAX装置不变。
史诗级太空歌剧院线短预告 (非完全Prompt,可自行补充) 节奏更快,宏大但不拖。快速硬切、舰桥震动、强光爆闪、短黑场、跃迁冲击。文字是电影预告片式宽字距标题包装,字体不要纯白,要有克制发光和材质感、微弱边缘辉光。文字动效包含从深空暗部渐入、被星光扫亮、字距展开、残影、微弱发光、黑场闪现。 (非完整Prompt,可自行补充细节)
科幻悬疑电影短预告 (非完全Prompt,可自行补充) 写实电影感,高反差光影,节奏紧凑。图1作为整体氛围、风格参考。图2作为主角人物参考。 Shot 1 — 超广角建立镜头。巨大圆形宇宙门几乎占满画面,人物只是门前一个很小的背影,站在画面下方偏右。地面潮湿反光,门中心一片黑暗。镜头慢慢向前推进。大标题从黑暗边缘渐入,先模糊后清晰:"THE STARS WERE LISTENING" 字体极窄、厚重、全大写,暗红混合铁锈红,带轻微颗粒和雾化边缘。 Audio: 深低频脉冲,远处金属轻震,文字清晰时一记轻 hit。 → Hard cut. (非完整Prompt,可自行补充细节)
(非完全Prompt,可自行补充) 制作一支 16:9 横版高级时尚品牌视频。整体氛围、场景和胶片质感参考图1;包袋资产参考图3;人物资产参考图2;品牌 ending logo 参考图4。这是一支卖衣服和包的时尚 campaign,整体气质要高级、冷感、克制,但剪辑不能无聊,要更灵动、更有时尚节奏。不要像普通剧情片,也不要像电商广告。核心故事依然很简单:荒漠公路和复古车旁,女人回到车尾,打开后备箱,取出黑色包袋,和站在车边的男人有一瞬间的安静关系,然后她拿着包离开。包和服装要自然融入人物行动里,成为角色气质的一部分。
(非完全Prompt,可自行补充) 图1是整体质感、氛围参考,图2是人物外表特征参考。生成一支 15 秒 16:9 横版潮流时装短片。保持人物一致:白金色长发、窄黑色复古墨镜、黑色高光漆皮风衣、冷酷自信的时尚表情、火光映在皮衣表面的橙色反射。整体风格是胶片快切时尚广告,融合夜晚火场、黑烟、橙红火焰、VHS 故障、CCTV 广播中断、90 年代模拟胶片颗粒、扫描线、色差、漏光、闪白转场、画面轻微抖动。
视觉创意与内容包装(8 条)
(非完全Prompt,可自行补充) 生成一支15秒16:9横版轻悬疑犯罪电影片头。整体风格参考这些图的视觉语言:复古日系动画片头、硬边剪影、漫画拼贴、非对称分屏、强烈几何色块、英文片头署名、少量日文片假名装饰、爵士犯罪气质。氛围是60%悬疑、40%爵士:神秘、酷、灵动、有都市犯罪感,不恐怖、不沉重,也不要变成欢乐爵士MV。片头动效要像动态图形拼贴:黑底线框先出现,分屏边界快速划出,色块和画格逐块贴入;人物剪影、道具特写、英文署名跟随鼓点依次滑入、弹出、遮罩揭示。不要普通写实剧情动画,要片头包装感。英文署名要清晰可读,允许有动效:细线框先画出,名字从框内滑入,字母逐个出现,被色块遮罩揭示,最后短暂停住。不要新增中文,不要乱码,不要让英文错拼。全片规则:所有英文署名和职位只出现一次。不要重复同一个职位,不要重复同一个人名,不要让同一个人担任多个职位。转场形式要丰富:圆形黑胶遮罩、车门竖切、人物长影擦屏、红线切割、巨大英文字母遮罩、分屏边框重组、色块硬切、画格逐块贴入。所有转场跟随鼓点,干脆、悬疑、灵动、有漫画拼贴感。不要柔和溶解,不要流体转场。BGM:原创15秒片头音乐,60%悬疑、40%爵士。以低音持续音、紧张弦乐拨奏、冷感合成器脉冲、低音鼓、稀疏爵士鼓刷、walking bass片段、低音萨克斯短句和短促铜管点缀组成。前2秒神秘低频和踩镲建立悬疑,第3秒进入低沉鼓点,第6秒加入爵士贝斯律动,第10秒出现短促萨克斯/铜管riff,最后2秒用紧张和弦加鼓点定格。整体神秘、酷、带犯罪感,爵士只占40%,不要太欢快,不模仿任何现有旋律。
(非完全Prompt,可自行补充) 15秒、16:9横向视频。将傍晚小厨房的真人实拍与手绘发光动画融合在一起的影像。夕阳余晖还残留在窗边,生活感十足的小厨房里有一张旧木桌、洗到一半的马克杯、略微起雾的玻璃瓶,以及悬挂着的抹布。画面带有像用智能手机单手拍摄一样的细微手抖、近距离对焦时的犹豫、逆光造成的曝光波动,以及暗部略显粗糙的噪点。不要像广告影像那样精心整理,而是要呈现出像是在家中慌忙拍下某个不可思议事件的自然质感。禁止出现巨大的眼睛、裂开的嘴、獠牙、威吓、扑袭动作、突然黑屏和跳吓。声音只使用厨房室内环境声、抹布摩擦声、马克杯轻微碰撞声、水龙头水滴声、拍摄者的脚步声与轻微呼吸声,以及手绘生物柔和的电子音和小小的叫声。
(非完全Prompt,可自行补充) 15 秒、16:9 横版短视频。实拍深夜自助洗衣店场景,融合手绘发光动画的混合影像。一间小型自助洗衣店,荧光灯微微频闪,店内摆放着运转中的洗衣机、塑料洗衣篮、老旧长椅,地面散落一只袜子,整体空间安静,带着淡淡的怀旧氛围感。手持手机单手拍摄质感,画面抖动明显;白色荧光灯造成曝光忽明忽暗;玻璃表面带有环境反光;镜头靠近物体时对焦存在延迟。画面不要像商业广告一样精致规整,整体质感如同深夜偶然闯入、追着奇异幻象随手拍下的真实纪实感。
(非完全Prompt,可自行补充) 风格:dark-pop / cyber-grunge / rap 音乐视频,写实高时装质感,胶片杂志质感,高反差但不廉价。整体参考 90 年代末到 00 年代初独立杂志、复印纸、胶片扫描、地下音乐海报和 zine 拼贴美学。画面有粗颗粒、轻微胶片抖动、半色调网点、印刷毛边和扫描错位。剪辑节奏快,只使用硬切,不使用淡入淡出或柔和转场。 文字包装样式和质感参考图片。
将视频1绿幕背景去除,变成类似视频2的童话感背景,背景元素需要完全匹配视频1的人物动作。修改视频1的人物光线,使之完全匹配背景。
(非完全Prompt,可自行补充) 制作一段 动态海报视频,整体保持原图的画廊白框、内框、红白黑配色、3D 手办感和排版结构不变,文字出来时配上灵动文字出场的音效。
手绘2.0 (非完全Prompt,细节可自行补充) 视频整体 16:9 横向视频,总时长约 10~15 秒,全 4 个镜头,每个镜头约 3 秒,用节奏明快的硬切连接。画面是“海边小集市”的实拍智能手机影像,背景包含浅色摊位、遮阳棚、贝壳饰品、冰饮摊、海风吹动的布帘、远处沙滩和淡蓝色海面,整体氛围明亮、轻快、夏日感强。拍摄者右手以正常、自然、正确的写字握笔姿势拿一支细的青蓝色笔,从画面下部进入,每个镜头只指向一个现实对象,被指到的对象整体变成粗糙手绘 2D 动画,其他背景和未指向元素全部保持实拍。
AR增强现实创意 主角出现在画面里的白色矩形框中,双手扶住框边,先探出头和上半身,然后一只脚踩住下方的白色线条,身体下压蓄力。镜头轻微推近,随后主角借力向上弹出画面。 切到 IMG1的空间。主角落在画面中的白色立体字体上方,坐在字体顶部边缘,双腿自然垂下。短暂停顿后,主角转头看向画面右侧的背景人物,形成一次清晰的视线互动。 随后主角朝画面右上角抛出一条细白色弹力绳,借力做一次弧线摆荡动作。镜头跟随主角做快速横向移动,保持平面海报空间穿梭感。 切到 IMG2 的空间。主角顺着弧线下落,踩到画面中的播放键上方。他用脚或手轻敲播放键,触发一次简洁的按压反馈。 最后切到 IMG3.png。主角从播放键位置向画面右侧跑动,回到背景卡片中的原本位置并站定归位。全片使用快速横向跟拍、卡点闪切、轻微推拉和干净的平面空间转场。保持白色、灰色和原图设计元素,不添加血腥、打斗、武器、超级英雄标志或版权角色元素。
动态图形、MG动画、AE特效(4 条)
(非完全Prompt,细节可自行补充) 短片的准确开场画面。完整保留电光蓝背景、左侧白色“MiniMax”、中央浅蓝章鱼Logo和右侧白色“H3”。 图片2:章鱼Logo完成线性形变后的目标波形Logo参考,也是后半段贯穿画面的核心图形。严格保持波形Logo的路径结构、弯曲数量、圆角端点和整体比例。生成一支严格15秒、16:9、4K、60fps的MiniMax H3抽象科技MG品牌短片。短片表达H3从专用任务走向通用多模态模型的设计理念:语言、图片、视频和音频不再彼此隔离,而是被同一个上下文、同一套架构和同一根连续线连接起来。整体风格高级、简洁、灵动、有艺术感。采用大面积电光蓝、深黑蓝、浅青色和少量紫色色块,搭配干净的白色粗体文字。画面具有大量负空间,避免复杂图标和信息堆叠。全片的核心运动元素是一根浅蓝色连续线,以及位于线条前端的白色发光节点。
(非完全Prompt,细节可自行补充) 为 AI 品牌“MiniMax H3”创作一支15秒高端平面动态图形品牌影片。 【必须准确显示的文字】品牌名称:MiniMax H3 品牌 Slogan:Intelligence With Everyone 除以上两组文字外,画面中不得出现任何其他可读文字。 【核心创意】“One becomes everyone.” 智能从一个微小节点出发,通过连接、共享与共同生长,形成属于每个人的开放智能网络。 以三种基础元素建立一套原创品牌视觉系统: 一个极小的二维实心圆点 字母“H”所代表的连接桥梁 数字“3”所代表的三层智能轨道 所有圆点、线条、轨道、字形和转场必须由这套基础元素连续演化。每次变化都具有清晰的视觉因果关系,形成统一的品牌视觉 DNA。
全中文文字动效 (非完全Prompt,细节可自行补充) 整体为完全黑色背景上的中文动态字体实验影像。画面中只允许出现白色中文文字,以及极少量深红色文字错位或强调。不得出现人物、风景、照片、插画、图标、商品、Logo、3D 物体、英文标题、固定 UI、编号、计时器、边框、网格或任何装饰性图形。这不是普通字幕视频,而是以“中文文字本身”为唯一主角的高密度动态排版短片。文字在漆黑平面上高速出现、放大、旋转、压缩、碰撞、分解、增殖、反转、重组。整体风格像平面设计师制作的中文动态字体实验影像、文字运动 showreel、音乐活动开场视觉。气质黑暗、冷静、锋利、理性、无机质,略带攻击性,但保持高级、克制、统一。
Touch Designer动效 (非完全Prompt,细节可自行补充) @视频1为唯一基础素材。严格保持原视频的人物、五官、服装、动作、场景、综合色、镜头运动、时长与帧率完全不变。只在原画面上增加TouchDesigner式动态追踪图形。 1. 所有矩形框的彩色填充透明度必须为0%。 2. 框内不得出现红色、青色或任何彩色蒙版。 3. 框内只能处理原视频相同位置的亮度、灰度、曝光和明暗关系。 4. 所有框只能是红色或者青色的完整、简单、连续的闭合矩形,四个顶点没有任何装饰或节点。 5. 不允许一个框完整包含另一个框。
AI 剧情内容创作(3 条)
非完全提示词,可自行补充 古装武侠悬疑短剧场景,16:9 横向电影画幅,夜晚竹林,冷蓝、墨绿、灰黑低饱和色调,薄雾弥漫,细雪在空气中飘落。整体氛围清冷、肃杀、克制,有江湖门派办案、秘密情报交接的紧张感。画面真实古装剧质感,浅景深,电影级光影,不要现代元素,不要字幕,不要文字,不要水印。场景:夜晚竹林深处,背景是密集竖向竹竿,远处有冷白雾光透出。前景有虚化竹叶遮挡,形成“林中窥视”的空间层次。冷白侧前方柔光照亮人物面部,背景逆光营造前暗后亮的电影感,浅景深,竹叶、雪花和背景竹林虚化成柔和散景。画面风格:古装武侠电影感,冷蓝墨绿雪夜竹林,浅景深,前景竹叶遮挡,人物面部特写为主,正反打剪辑,节奏克制但紧张。不要字幕、不要平台水印、不要现代服装、不要现代建筑、不要动画感、不要过度磨皮、不要明亮白天、不要喜剧表演。
非完全提示词,可自行补充 室内家庭争吵短剧场景,竖屏短剧质感,真实真人表演,中式家庭/小饭馆室内环境,暖色灯光,背景有红色装饰和书法字幅,浅景深,情绪强烈,剪辑节奏紧凑。表演要求:真实短剧表演风格,不要夸张舞台腔。秦皓瑄的语气是愤怒、委屈、急切的反驳;中老年女性的语气是尖锐、强势、咄咄逼人的质问。两人之间有强烈对峙感,节奏逐步升级。画面风格:竖屏9:16,手机短剧质感,真人实拍感,浅景深,室内暖光,中近景为主,频繁正反打剪辑,背景保持生活化,不要科幻、不要古装、不要动画感。画面中不要出现任何字幕、文字、平台水印或贴片。
非完全提示词,可自行补充 生成一支 15 秒、9:16 竖屏海外真人吸血鬼爱情短剧预告片段。男女主外形参考图1,场景参考图2。保持男女主身份一致,真人质感,高级短剧质感。整体故事:小白花人类女主误入古堡禁区,意外唤醒沉睡的吸血鬼贵族男主。男主发现她身上带着某种与古老战争有关的气息,因此对她产生强烈的控制欲和危险兴趣。女主害怕他,却没有彻底屈服,反抗他的压迫。整体风格:海外 ReelShort / DramaBox 吸血鬼爱情短剧预告感。暗黑浪漫、危险吸引力、宿命感、强控制感、阴郁压迫、高光反转。画面高级、克制、紧凑,像爆款短剧的前 15 秒钩子。不要血腥,不要廉价恐怖,不要万圣节感,不要现代街头感。画幅:9:16 竖屏构图,适合 TikTok / ReelShort / DramaBox。人物以中近景、近景、特写为主,竖屏里要突出脸、眼神、压迫感和关系张力。
产品与电商营销(2 条)
(非完全Prompt,可自行补充) 生成一支 竖屏 9:16 高级时尚眼镜广告片,整体参考所给视频的分镜节奏、剪辑速度、白棚质感和冷峻时尚氛围。画面是极简白棚,无缝白色背景,强烈的高定广告感,干净、简约、帅气、先锋、国际一线时装大片质感。主视觉人物参考 图片1,两位全身女模特,一个黑人女模特,一个欧美女模特,保持她们的服装高级感、身体姿态、白棚光影、时装秀场气质和整体冷峻态度。两人都佩戴未来感高级眼镜,眼镜设计参考图3,强调包覆式弧面、锐利几何猫眼/护目镜混合轮廓、镜面反射、流线型镜腿、高级时尚配饰质感。两个人物的外貌细节参考图2。
产品功能理解及视觉展示 (非完全Prompt,可自行补充) 高级办公室Herman Miller黑色人体工学椅360度展示。透气网背特写空气流动可视化。腰部支撑+人体工学曲线工程动画。多维度调节扶手/座椅高度演示。设计师/程序员/创意人员长时间办公场景,姿态舒展自如。久坐不累3D骨骼支撑示意图。空间美学室内陈列。结尾"灵感与舒适同时在线"字样浮现。高端简约、冷色调、专业未来感、慢节奏运镜。产品详情参考图1,产品图参考图2。
数字体验与游戏创意(5 条)
角色参考图1,UI风格参考图2。 [0 秒-2 秒] 高角度俯拍。角色坐在高饱和度的亮紫色地面上,参考为图1,抬头看向摄像机。右侧显示游戏菜单 UI:开始新游戏 (START NEW GAME)、继续游戏 (CONTINUE, 高亮显示)、设置 (SETTINGS)、退出游戏 (EXIT GAME)。左上角显示玩家资料 MINIMAX。光标点击“继续游戏”。 [2 秒-4 秒] 平滑变焦至她的右臂。UI 面板从右侧滑入,“右臂装备 (RIGHT ARM EQUIPMENT)” 面板出现。选中高亮显示 “幻影之握 (PHANTOM GRIP)”,随后滑动至 “时空之爪 (CHRONOS CLAW)”。她的右手机械地重新配置,手指分开,新的爪状指节锁定到位,青色 LED 灯闪烁得更亮。 [4 秒-7 秒] 摄像机平滑地绕到她的左侧。新的 UI 滑入 “武器定制 (ARMAMENT CUSTOMIZATION)” 网格,显示手部、前臂、肘部、上臂组件。选区快速循环切换部件。她的左臂逐段拆解:前臂板脱落,新装甲滑入,肘关节更换,手部重新配置,更换过程中可见暴露的线路和活塞。 [7 秒-8.5 秒] 摄像机拉回至中景。确认配置 (CONFIRM CONFIG) 按钮闪烁。点击。所有 UI 面板向内收缩消失。角色双腿解开,调整姿势,现在放松地坐着,单膝立起,义肢手自然抬起并完成配置后的轻微动作展示。 [8.5 秒-10 秒] 底部出现加载 (LOADING) 条。从 0% 快速填充至 100%。高饱和度的亮紫色环境开始变暗,阴影从边缘蔓延,温暖的金色光芒渗入。 [10 秒-15 秒] 当她起身时,完整的环境在她周围加载。密集的赛博朋克贫民窟显现,霓虹灯闪烁,潮湿的街道反射着光芒,人群涌动,摩托车穿梭,错综复杂的电线,堆叠的建筑向远处的未来派摩天大楼延伸。摄像机稳定在第三人称视角,位于她身后,展示她的背部。HUD 元素淡入,右上角显示小地图,左下角显示生命值和弹药计数器。任务标记出现。她迈步走进街道。
(非完全Prompt,可自行补充) 一个网站页面,网站页面UI设计,网站动效,视频展示了流畅的网页向下滚动效果。一个极具爆发力与动感的产品官网风格产品落地页 UI/UX 演示视频,核心展示主体是该产品图片1。页面采用粗犷有力、倾斜的超大号无衬线字体进行张扬的排版。背景有极具速度感的动态光影、暗色碳纤维或运动透气网眼纹理在交织变换。视频展示了节奏紧凑、充满力量感的网页向下滚动效果,以及鼠标悬停时强烈的视觉放大与颜色反转等 UI 交互动作。
(非完全Prompt,可自行补充) 模拟网站UI设计,先是上面的标题向下滑动出现,然后是下面的文字栏向上划出,汽车灯由暗变红
(非完全Prompt,细节可自行补充) 生成一段10秒、4:3 横向构图的游戏视频,整体像一个极简可爱的 2D 手绘反应游戏界面。画面保持固定镜头,不要运镜,不要缩放,背景干净,保留温暖纸张质感和蜡笔 / 彩铅手绘线条。主角始终是同一只皮皮的小比格犬:圆润 Q 版身体、短腿、大耷拉耳、圆润长吻部、短翘尾巴、半眯慵懒又欠揍的表情。小比格身体可以像橡皮筋一样被夸张拉伸、压扁、拱起和侧闪,但身份和画风始终一致。 视频是一个“按方向键躲手掌”的快节奏小游戏操作流程。画面底部始终有一排手绘方向箭头 UI,箭头包含上、下、左、右四种方向。每个操作节拍开始时,对应方向箭头迅速变成实心高亮,并出现手绘圆圈涟漪、短促放射线、小星星或爪印反馈。顶部保留轻量手绘 HUD:左上角三个小爱心,顶部中间一条细细的手绘进度条,右上角一个小骨头图标和少量涂鸦装饰。装饰要稀疏可爱,不要遮挡主角、手掌或方向箭头。不要出现任何可读文字,不要现代电子 UI,不要真实摄影效果。 核心玩法规则: 图1,当底部“上”箭头高亮时,手掌从画面下方向上伸出,小比格必须向上拱起身体躲开,身体形成夸张半圆桥。 图2,当底部“下”箭头高亮时,手掌从画面上方向下压来,小比格必须压低身体贴地躲开,前半身扁平,后半身翘起。 图3,当底部“右”箭头高亮时,手掌从画面右侧水平伸入,小比格必须向左拉长身体躲开,耳朵甩飞,前爪抓地。 图4,当底部“左”箭头高亮时,手掌从画面左侧水平伸入,小比格必须向右滑行躲开,身体像弹簧一样压缩侧闪。 所有手掌方向、箭头高亮方向、小比格躲闪动作必须一一对应,不能错位。
(非完全Prompt,细节可自行补充) 使用 Image 1 作为精确的 UI / 布局 / 界面风格参考。 Image 1 中的鼠标光标也作为精确的鼠标样式参考:鼠标光标必须保持 Image 1 里的大小、形状、比例、半透明质感、柔和发光边缘和精致高级感。不要生成过大的系统默认鼠标,不要生成粗糙黑白箭头,不要生成多个鼠标。 使用 Images 2–5 作为精确的灵宠参考,并按以下方式映射: Image 2 = card A = MIRRA POD Image 3 = card E = LANTERN Image 4 = card F = MOSS MITE Image 5 = card C = VELI KIT 生成一个 15 秒、16:9 横版视频。 镜头完全固定,不要推拉、摇移或切镜头。 保持 Image 1 的界面结构、排版、面板、字体层级、图标、圆角、卡片网格和整体构图稳定、优雅、清晰可读。 界面气质是高级、极简、梦幻的数字灵宠图鉴。 不要新增无关文字,不要乱码,不要 UI 扭曲,不要界面漂移。 整体风格: 梦雾、柔焦、微绒、半透明、轻发光、高级极简。 四只灵宠都要非常可爱、灵动、软萌、有灵气。 动作要干净、精致、有互动感。 界面本身保持稳定,只动画化鼠标、选中态、主标题、当前主展示灵宠和少量技能特效。
硬件、实体工业、具身智能演示(2 条)
固定镜头,机器臂下降,抓起红色方块,向前移动一段距离后放下
精准替换场景背景 改背景的提示词:将原视频中的桌面替换为标准办公室工位办公桌,背景整体替换为带有百叶窗与金属文件柜的办公环境。新办公桌的透视比例需与原镜头完全匹配,桌面材质需自然承接原视频的光影投射,边缘阴影与高光方向必须与原场景光源严格一致。背景百叶窗与文件柜的景深虚化程度需与原视频焦点对齐,保持原有空间纵深感。在此过程中,原视频的镜头运动轨迹、机械臂的完整运动时序与速度、画面中其他物品的相对位置与空间遮挡关系、以及整体光照氛围必须保持 100% 不变,确保替换元素与原画面无缝融合。
动画与风格化影像(6 条)
(非完全Prompt,可自行补充) 黏土动画风格。 狂奔的狐狸冲到了悬崖边缘,毫不犹豫地腾空而起,在巨大的熔岩峡谷上方完成了一个极具张力的、慢动作的英雄式飞跃。镜头在半空中从狐狸的腹部下方极速掠过(大动态运镜),完美展现出深渊的恐怖深度,以及狐狸黏土身体在空中极致舒展的动态瞬间。
(非完全Prompt,可自行补充) 使用 图2作为固定人物参考,保持黑色半扎长发、银色镂空发冠、黛蓝发带、浅色层叠汉服、半透明蓝色外袍、深蓝腰封、银色花形扣饰和长流苏一致。使用 图1作为镜头分镜、节奏参考。画面为高质量 4K 16:9 国风 3D,电影级仙侠质感,热血、庄严、宿命感强。镜头依次表现分镜中的内容,确保每个分镜之间运镜、切换自然,不能像ppt一样。人物露脸只能是近景或特写,远景只能是背影、侧背或环境空镜,不要正脸远景。
(非完全Prompt,可自行补充) 生成一支 乙游男主角色 PV。 角色参考图: 使用图2作为严格的角色身份参考。请保持同一个角色脸、发型、体型比例、服装设计、材质细节和乙游 CG 质感一致。
(非完全Prompt,可自行补充) 镜头:第一人称视角 · 眼平高度 · 手持游戏镜头 画面: 画面模拟玩家正在操作一款现代战争 FPS 游戏,双手持突击步枪在军事基地外围缓慢推进。 玩家沿着掩体旁的道路向前移动,准星扫过前方通道,短暂停顿后向远处目标点开火几发,随后继续向前压进,像普通玩家实机操作画面。 光线: 现代军事基地的冷色自然光与烟雾火光交织,画面写实清晰,金属枪械和战场尘雾有 3A 游戏质感。 运镜: 镜头随玩家移动产生轻微手持晃动,先缓慢前进,再小幅左右观察,开火时有轻微后坐力抖动,最后继续稳定向前推进。
人机互动游戏 (非完全Prompt,可自行补充) 使用第一张图作为首帧,第二张图作为严格尾帧,生成一段乙游视觉小说界面转场视频。 整体感觉:高端中文乙游恋爱互动界面,演出前后台的暧昧瞬间,从“选择来看他的演出”自然过渡到“韩序被女主的话吸引,露出饶有兴趣的反应”。UI 文字、选项、对话框都以乙游式精致方式出现,转场丝滑,情绪暧昧但克制。
情景式演绎 (非完全Prompt,可自行补充) 主角是图1,电影级、写实画风,实拍现实画风。 正面近景拍摄视角,画面只聚焦于男主与女主的上半身。女主面部视频中基本不露出,她身穿露腰露背的红色连衣裙,只偶尔出现肩颈、手臂、腰线、裙摆和手部细节;男主身穿剪裁极佳的黑色高级定制衬衣。场景是在图2暧昧氛围的红黑色调室内,整体光线昏暗、低饱和、奢华、克制,后景微微虚化,红丝绒沙发、黑金大理石边几、暖色低光源共同营造成熟暧昧的约会氛围。 画面发生在图2的红丝绒沙发前。男主坐在红丝绒沙发上,姿态慵懒而从容,身体微微后靠,衣料质感高级、细腻。沙发旁是一张奢华的黑金大理石边几,上面放着一个精美的水晶玻璃杯,杯内盛着琥珀色威士忌和几块正在慢慢融化的冰块,杯身隐约可见细腻水珠。画面中能听到冰块轻轻碰撞玻璃杯的声音、雪茄燃烧的细微声、室内轻微空气流动声、衣料摩擦声与克制的呼吸声。
多素材联合参考(3 条)
参考剪辑 图1图2图3图4图5图6,严格参考示例视频视频1的镜头节奏、转场风格及音乐
保持视频1中的建筑、行人和整体环境为真实世界风格不变。仅将视频1画面中的树木、轿车转化为 3D 像素或体素积木风格 (Minecraft style),风格参考图1。像素化物体的运动轨迹需正常,且保留真实环境的阴影和透射光。整体效果参考视频2
@图片1 镜头先快速推进到咖啡表面的奶泡、可可粉颗粒和深色咖啡液体纹理细节,让咖啡表面的颗粒、泡沫和液体涟漪逐渐覆盖全屏,遮挡住其他东西。镜头保持真实微距质感,极浅景深,细小粉末在逆光中缓慢飘落,表面纹理像细沙与流体之间的过渡。避免画面开裂,在咖啡粉颗粒、奶泡起伏、液体旋涡与@图片2 中沙丘沙脊、风蚀纹理、扬沙颗粒高度相似的瞬间,自然无痕转化为沙漠地貌,然后镜头继续向前推进,展示出@图片2 的沙丘全貌。严格避免画面开裂,不要黑屏,不要硬切,不要明显特效,不要拼接感,整体真实、安静、克制,像同一种颗粒材质从咖啡微观表面自然变成宏观沙漠世界。一镜到底,中间不要出现拼接。
角色、动作与镜头参考(4 条)
角色动作融合参考 图1的人物动作、表情与表演节奏严格参考输入视频1 男生站在画面中右侧的水槽前把洗好的盘子递给画面左侧的女生,随后转身突然用右手向画面左侧边缘的女生甩出洗洁精泡沫。女生受到惊吓后立刻反击,两人开始开心地互相向对方泼洒泡沫并闪躲,伴随着大笑
动作参考 人物参考视频1的动作,表演街舞,人物参考图1 图2
运镜参考 提示词:参考视频1的希区柯克镜头运动,让视频2中的人物唱歌,歌声和唱歌表演参考视频3
动作参考,DIY表情包 参考视频1进行动作模仿。固定机位全景镜头,正视频中三个穿西装的男人替换为三只高度写实的水豚。水豚必须严格遵循原视频的运动轨迹:依次迅速趴到地板上,然后最左边的水豚跳到中间位置,中间位置的水豚翻滚到最左边,接着中间的水豚翻滚到最右边,最右边的水豚跳跃到中间,最后中间水豚跳跃到另外两只背上,堆叠成金字塔形状。保持原有的固定机位不变。确保水豚的毛发质感和光影与环境融合
音色克隆与迁移(1 条)
角色说话:Follow the wind, live free.Leave worries behind, enjoy the moment,音色参考音频1
角色与物体编辑(3 条)
把视频中的猫换成狗
画面左边增加一个穿着相同团队制服的人,动作与旁人保持一致
精准换人物与细节 视频1中最后面的小孩换成 图1中的金毛狗, 视频1中最左边小孩穿的卡其色外套改成图2中的牛仔外套
场景与视觉效果编辑(3 条)
将视频1绿幕背景去除,变成类似视频2的童话感背景,背景元素需要完全匹配视频1的人物动作。修改视频1的人物光线,使之完全匹配背景。
替换光影 参考视频,改变光照,改成夜晚
实拍景色替换 视频1窗外的场景改成图1
声音、台词与音色修改(1 条)
将视频1女生说的话:“我们之间不可能在一起的,不是不爱,是我们真的走不到最后的”。改成音频1的台词:“别走了,好吗?这一次,我们不要放开彼此”,并略微调整对应的表演
高精度的指令遵循(4 条)
将参考视频中的报纸替换为一本绿色封皮的书;人物所坐的椅子改为红色沙发;去掉人物佩戴的墨镜,保留清晰面部;移除汽车燃烧效果,使车辆保持正常状态;人物从怀里拿出的照片改为一个黑色小本子;同时在画面左侧增加一棵树
参考视频,将视频开头出现的易拉罐饮料替换为可口可乐;背景中原本发光的“全家”便利店招牌修改为“互惠”招牌;视频结尾塑料袋中的所有零食也统一替换为可口可乐易拉罐,最后结尾人物的台词从“买了一些小零食”变成了“买了一堆可乐”
两位魔术师站在舞台上面向观众表演"互换"魔术: 两人同时挥动魔杖,一阵烟雾升起。烟雾散去后,两人的西装颜色互换,左边的人穿白色西装,右边的人现在穿黑色西装,但两人手套颜色不变。 两人鞠躬致谢,身后的红色幕布拉上,从深红色渐变为深蓝色
创意理解+文字特效 在视频1中两个人周围加上图片1 这种橙黄色的手绘涂鸦,随着视频1中两人靠近,手绘涂鸦越来越多,从小的火花变成很明亮的光芒,在视频1中两个人亲吻时,手绘涂鸦出现粉红色的笔触
写提示词这活,也能整个交给 Agent
那么最省事的路是什么?手册最后一节的标题叫「撰写提示词的『最佳方式』」,答案有点出人意料:别自己写了。
在 MiniMax Hub(它家集合了文本调研、多媒体制作和无限画布的 Agent 平台)里,用大白话说出想法就行,「我想做一个雨夜追逐的电影感短片」,或者「帮我把这张人物图生成一段有情绪转折的视频」。Agent 会理解创作意图、整理参考素材、补全镜头设计、优化提示词,再调模型完成生成。
这一节写得挺坦诚:花大量时间研究提示词结构、镜头语言、素材引用方式和声音设计,本身就是门槛。前面那些规矩你学会了当然更好,学不会也有人替你写。
MiniMax 官方手册把 H3 提示词拆成三步:先给素材派活,再定调,最后按秒写画面
MiniMax 自己写的 H3 视频提示词手册,公式、素材标签、两条反直觉写法,一页带图讲完。
↓ 一页读完 · 有一张会动的图
MiniMax 给 H3 出的官方手册,核心是一条公式:参考素材说明 + 核心创意 + 画面过程说明,三段一段都不能少。给的是反直觉的具体规矩,不是「写清主体场景动作」这类正确废话。
提示词怎么写由 H3 的能力边界定。两个输入入口能力差很多,选错入口,提示词写得再好也没用。
首/尾帧入口只传 0-2 张图;全能参考入口能吃图/视频/音频,但音频不能单独传,必须配图片或视频。
这是最大的转弯点:过去先描述画面,现在先给每个素材派活。小互给素材编号(按上传顺序 @图片1),再从 13 个官方用途标签里挑一个。
想保住的特征(脸型、口音)明确写出来,一致性更好。
素材派完活,一句话锁住全片,主体、地点、事件、风格缺一不可;再按镜头时间戳写清楚景别、内容、运镜、动作、台词、音效。不说清楚,H3 默认会切镜。
truck 是摄影机整体横移,pan 是镜头原地左右转,叠在一起看着像绕人转了一圈。
「非叙事性音乐」就是背景配乐,画面里的人听不见,只有观众听得见。
手册特意强调:台词长短要跟镜头长短对齐,别在 3 秒近景里塞一大段话。
规矩摞起来,写一条像样的提示词不轻松。手册最后一节标题是「撰写提示词的最佳方式」,内容是别自己写了,在 MiniMax Hub 里说出想法,Agent(自动帮你干活的 AI 程序)就接手整理素材、设计镜头、优化提示词。
+ pan right
N/A
口型问题都来自这个。
「最佳方式」
