MiniMax H3 公式ガイド：3 つの公式でプロンプトを「画面描写」から「素材への指示」へ変える

まずは H3 の入出力を把握する

書き始める前に前提があります。モデルの能力の限界が、プロンプトの書き方を左右します。例えばプロンプト上限 7000 文字という仕様は、公式のサンプルが軒並み 1000 字超えである理由を説明しています。公式は本当に「最大限に書くこと」を推奨しているのです。

入力側には 2 つの入口があり、性能が大きく異なります。入口を間違えると、プロンプトが完璧でも意味がありません。

公式が示す H3 の 3 大能力

モデルのできることを把握すれば、プロンプトで何を重視すべきかが見えてきます。ガイド冒頭の公式分類は次の通りです。

最初の 2 項目には、それぞれ 4 つの細分化された能力があります。後のケーススタディはこれらの項目に沿って整理されています。

第一段：最初に素材それぞれに役割を与える

このガイドで最も考え方を切り替える必要がある点です。これまで動画のプロンプトは、まず画面を描写していました。しかし今は、アップロードした素材それぞれの役割を一つずつ説明することが最初の仕事になった。

やるべきことは 2 つ。番号を明記し（アップロード順に、@图片1、@音频2、@视频3）、用途を明記する。

公式は「用途」を 13 個のラベルに分類しています。この表はそのままコピーして使えます。第一段を書くときに選ぶだけでいいです。

@图片1 は◯◯というキャラクターの外見を提供します（キャラクターが複数いる場合は明確に識別できるようにしてください）、@视频2 は動作参照を提供します。

補足ルールも 2 つあります。素材の中で特に保持したい特徴は、明確に書き出すと、一貫性が向上する。音声クローンを行う際に、セリフや歌詞の内容を正確に保持したい場合は、公式は歌詞の原文も併記することを強く推奨している。例えば「@音频1 はターゲット動画の音声クローン素材として。歌詞は 'ABCDEFGHIJKLMN'」という具合です。

「音色参照」ラベルが実際にどう使われるかは、1 つの例を見れば一目瞭然です。音声を音色参照として与え、話すセリフを 1 文指定すると、キャラクターがその声で話します。

ラベル表の最後にある「動画編集」は、映像の修正に使います。最もシンプルなプロンプトは「動画の中の猫を犬に変えて」という 1 文です。

素材をアップロードしない場合は、このセクション全体をスキップします。

第二段：1 文で全体を定義する

素材の役割を決めたら、次にこの動画の内容を定義します。核心となるクリエイティブは 1 文で全体を定義する必要があり、公式は 4 つの要素を含むことを求めています。主体（誰・何が）、場所（どこで）、出来事（何をしている）、ジャンル・スタイル（実写・アニメ・映画的・CM……）。さらに特殊なカメラワーク（空撮・ワンカット・スローモーション）を追加できます。

漢服を着た若い女性（@图片1）が桜の舞う庭で剣を舞う。クラシカルな中国風、映画的な質感、ワンカット。

このセクションには、外部ではほとんど知られていない 2 つの重要なルールがあります。

公式は「ジャンル・スタイル」と「カットスタイル」の選択肢も列挙しています。書くときにそのまま選べます。

ジャンル/スタイル：実写 / アニメ / 映画的 / CM / ドキュメンタリー……
特殊スタイル例：サイバーパンク / ネオン美学 / グラフィティ など

特殊カメラワーク：空撮 / ワンカット / スローモーション……
  · デフォルトではカットが入る
  · カメラワーク：明確に書けば OK。周回カメラワークは「环绕运镜」ではなく、
    truck left + pan right または truck right + pan left を推奨
  · カットスタイル：
    · 通常カット（cut）
    · クロスフェード（fade）
    · リズムに合わせたカット
    · クイックカット

要素が参照素材と直接関連する場合は、@图片1 / @音频1 / @视频1 のような形で強調するのが望ましい。

文字に関するルールもあります。映像内に具体的なテキスト、ロゴ、タイトル、ボタン文言を表示したい場合は、その原文を一字一句書く必要があります。例えば「スマホ画面にタイトル 'AI Video Creation' を表示、ボタンは 'Start Now'」。ガイド内の文字アニメーションのケースでは、プロンプト内で全ての文字を明記しています。

第三段：タイムラインに沿って「欲しいもの」と「欲しくないもの」を書く

全体のトーンを定義したら、最後に毎秒の出来事を書きます。このセクションではタイムラインに沿ってブロック分けし、「カット」をタイムスタンプとして各ブロックに 6 つの項目を書きます。

0〜3 秒：全景、女性（@图片1）が画面左から桜の庭（@图片2）にゆっくり歩いて入ります。背景はぼかし、セリフなし、足音のみ。
3〜8 秒：女性（@图片1）の中景にカット。彼女は長剣（@图片3）を抜き、ゆっくりと構えます。桜の花びらが木から舞い落ちます。カメラは前進。
8〜12 秒：クローズアップにカット。剣光が一閃、スローモーション、桜が剣気で四方に散ります。
非物語音楽：N/A

最後の行が「欲しくないもの」の書き方だ。映像に BGM を入れたくない場合、「不要 BGM」と言うだけでは不十分で、次のように書く必要があります。

非物語音楽：N/A

または英語フォーマット：
"non_diegetic_music": N/A

もう 2 つルールがあります。比喩表現は避け、目に見える画面を書くこと。H3 が得意とするのは明確な画面指示であり、抽象的な比喩は理解できません。セリフがある場合は具体的な内容を書くこと。「彼女は強い口調で何か言った」だけでは不十分です。

このセクションを極限まで書くとどうなるか。ガイドには一度に 4 箇所の修正を要求するプロンプトがあります。それぞれが詳細に指定されています。

セリフとカットがずれると、口元が崩れる

しかし、絵コンテには公式が特に強調する落とし穴があります。ガイドはこの項目に特に「強調したい。多くの口元の問題はこれが原因だ」と注記している。

関連ルールはあと 3 つ。

カットをまたぐセリフは、どのカットにまたがるかを明記します。H3 は J カットや L カットに対応していますが、明確に指示する必要があります。

話している人が誰で、画面に写っているのかを明確にします。公式は複雑な例を示しています。

ナレーションが聞こえる：Wake up Wake up。その後、中年女性のクローズアップにカット。彼女がナレーションの主で、続けて言う：It's time to go to school！

カット時に、切り替わる画角と、主体が前のどのキャラクターかを明記すると、カットをまたいだ一貫性が保たれる。

3 つのモードでプロンプトの書き方が変わる

同じ公式でも、入力方法によって書き方が異なります。公式はこれを 3 つのモードに分けています。

真ん中の項目は落とし穴になりやすい。先頭+末尾の 2 枚を入力し、H3 に「2 枚の間で演技させる」つもりが、実際には 2 枚の間の動きを補完するだけで、カメラの切り替えは一切入りません。これは仕様であり、失敗ではありません。

公式が自ら挙げた、よくある 6 つの落とし穴

書き方の説明が終わったら、公式がまとめた失敗例を見てみよう。この表は手元に置いておくと便利です。

1000 字超の完成例 2 つ。そのまま使える

ルールだけでは足りません。公式はガイド末尾に 2 つの完全なサンプルを掲載しています。どちらも 1000 字を超える完全なプロンプトで、構造は厳密に 3 段構成です。

1 つ目：大きな字幕の MV

trap ミュージックビデオのスタイル。このサンプルで最も学ぶ価値があるのは「グルーヴのルール」セクションで、音楽のビートと画面の動きを完全に同期させている。

ハイハットロール → 高速の微振動、フレームスキップ、テキストの細かな再構成
スネア → テキストが急に拡大、画面のハードカット、人物の肩が沈む
808 ベースヒット → 低音が画面を圧迫、画面が一瞬変形、テキストが縦に伸びるか横に圧縮
ボーカルキーワード → リップシンク、顎の動き、頭の縦振り、ジェスチャーの推進

2 つ目：手描き特殊効果

実写の電車の車内と手描きの光るアニメーションを融合。このサンプルで最も学ぶ価値があるのは形態の連続性の要求だ。1 本の手描きの線が 15 秒間で 10 回以上形態を変える（切符→紙のツバメ→毛虫→矢印→小舟→ミニ電車→カタツムリ→傘→小魚→夕焼けの雲海）。公式は毎回の変形で前の形態の痕跡を残すことを要求しています。切符の点線、紙のツバメの翼、毛虫の丸い点……これにより、視聴者は「同じものが連続して変形している」と感じ、「別の新しいキャラクターに変わった」とは感じません。

さらにカメラのリズムも指定しています。カメラは常に手描きアニメーションより半拍遅れます。アニメーションが先に動き、カメラがためらいながら追いかけます。