MiniMax H3 提示词入门:为什么它这么吃提示词
很多人把 H3 当成 “又一个文生视频模型”,用 Seedance 或可灵那套关键词式写法去喂它,结果声音随机、镜头乱切。原因很简单:H3 是音画一体生成模型,它期望的输入不是关键词列表,而是一份能按秒执行的分镜脚本加声音设计单。 提示词写多细,成片就多稳。
H3 和关键词式提示词的差别
传统视频模型的提示词是 “画面标签”:主体、动作、风格、镜头术语,一行搞定。H3 的提示词是 “时间线描述”:镜头从第几秒切到哪里、谁在说话、说的原话是什么、环境里有什么声音、观众能听到什么音乐。它同时产出画面和声音,所以你必须把 “看得见的” 和 “听得见的” 都写出来,一个字段都不能空。
三个最常见的失败原因
表格
| 症状 | 原因 | 纠正方向 |
|---|---|---|
| 画面还行,声音完全不对路 | 没写整体声景和配乐字段,模型自由发挥 | 每条提示词写满三个核心字段 |
| 镜头切换混乱、内容塞不下 | 没有按时间线写切镜时间 | 用 [Shot N] 加递增时间戳组织正文 |
| 台词口型对不上或被忽略 | 台词没有放进专门的对话标签 | 用 <d>[语言]台词</d> 并给说话人编号 |
提示词的五种类型(按输入模式分)
“提示词分好多种类型” 说的就是 H3 的五种输入模式。先看你手里有什么素材,再决定用哪种写法:
表格
| 类型 | 你提供什么 | 什么时候用 |
|---|---|---|
| T2VA 纯文本 | 只有一段文字描述 | 从零构建完整视听时间线 |
| I2VA 首帧图 | 一张图作为第 0 秒画面 | 用关键帧定调,让画面从图里 “长” 出来 |
| FL2VA 首尾帧 | 首帧加尾帧两张图 | 已知起点和终点,让模型铺中间的路径 |
| L2VA 尾帧 | 一张图作为最后一帧 | 画面要精确落在某个收尾构图上 |
| Ref2VA 多参考 | 多张图、参考视频、参考音频 | 角色场景一致性、声音复用的进阶玩法 |
前四种共用同一套三大字段结构,差别只是开头多一行 “参考图对齐指令”;Ref2VA 用六段式结构,写法完全不同。本专区第 3 篇讲基础模式,第 4 篇讲全参考模式。
写之前的自检清单
☐ 视频总时长明确到秒,所有切镜时间都在时长以内
☐ 每个镜头都写了主体、构图和运镜
☐ 说话的人都编了号,并写了音色、语速等特征
☐ 台词逐字放进对话标签,保留原语言
☐ 整体声景成段写了环境声和动作声
☐ 背景音乐写明了乐器、速度、强弱变化,或明确写 N/A
☐ 画面中出现的文字用引号原样标注
