MiniMax H3 提示词结构解析:三大核心字段与镜头语法
条 H3 基础模式提示词 =(可选的参考图对齐指令行)+ 空行 + 三个核心字段。三个字段名必须原样使用英文小写、下划线写法,顺序固定:
对齐指令行(只有 I2VA / FL2VA / L2VA 才有,见第 3 篇实战)
integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...
integrated_multimodal_description:沿时间线写的主描述
这是提示词的主体。每个细节都要对应 “看得见或听得见” 的东西:视觉风格、开场构图、人物外观与位置、场景与关键道具、动作与反应、镜头切换、台词和同步的声音。[Shot 1] 开头先用一句声明整体风格和开场构图,常见风格词如 live-action、cinematic、2D-animated、3D CG、claymation、watercolor、vintage film。
从第二个镜头开始,用递增的切镜时间开头:
[Shot 2] At 00:03.500, the camera cuts to...
切镜时间必须严格递增,且全部落在视频时长以内。普通切换用 the camera cuts to、the shot transitions to 这类说法;cross-dissolve、fade、wipe 只在明确需要时使用。每次切镜都应该带来新信息(主体、空间、状态、视角或时间的变化);如果只是距离或角度的微调,优先写运镜而不是切镜。
运镜:类型 + 幅度 + 速度
表格
| 维度 | 常用写法 | 说明 |
|---|---|---|
| 类型 | Zoom In / Zoom Out | 变焦,机位不动 |
| 类型 | Push In / Pull Out | 机位向前 / 向后移动 |
| 类型 | Pan Left / Pan Right | 机位原地水平摇镜 |
| 类型 | Truck Left / Truck Right | 机位水平平移 |
| 类型 | Tilt Up / Tilt Down | 机位原地俯仰 |
| 类型 | Pedestal Up / Pedestal Down | 整机升降 |
| 类型 | Arc Shot / Tracking Shot | 环绕主体 / 跟随运动主体 |
| 类型 | Static Shot / POV | 固定机位 / 主观视角 |
| 类型 | Shake Slightly / Shake Strongly | 轻微 / 剧烈晃动 |
| 类型 | Roll Clockwise / Counterclockwise | 绕镜头轴滚转 |
| 幅度 | with small / large amplitude | 中等幅度默认不写 |
| 速度 | at slow / fast speed | 常速默认不写 |
运镜要写成镜头内的自然英语句子,而不是堆在句尾的标签:
The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
The camera pans right with large amplitude at fast speed, revealing the open doorway.
说话人、台词与画外音
发声的角色用稳定编号 (S1)、(S2),多人齐声合并写 (S1,S2);编号跨镜头保持不变,从不发声的角色不编号。说话人首次出现时给出足够的辨识信息:年龄、性别、音高、音色、语速、口音。说话人描述、编号、动作都放在标签外面,标签内只放语言标记和台词原文,逐字保留、不做翻译:
The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>
画外音固定用 says in an off-screen voiceover,并在画外音之后写明画面人物嘴唇保持闭合。台词跨切镜时,在两段的衔接处使用 <scenetrans> 并写明声音跨镜延续;台词被视频结尾截断时用 <cutoff>。
画面内文字
招牌、字幕、横幅等画面里真实出现的文字,用英文双引号原样保留,不翻译:A red neon sign reading "营业中" glows above the doorway.
overall_soundscape:整体声景
用 1–4 句英文连成一段,概括全片的环境声、物体动作声和非语言人声(风、雨、脚步、织物摩擦、呼吸、笑声)。台词、歌声、剧情内音乐已经写在主描述里,不要在这里重复。只有用户明确要求全程静音时才写 N/A。
non_diegetic_music:画外配乐
用 1–3 句描述只有观众能听到的背景音乐:乐器、速度、节奏、强弱变化。不要写抽象情绪词,也不要解释音乐的功能。角色能听到的音乐(收音机、现场演奏、手机播放)属于剧情内声音,写在主描述里。没有配乐就写 N/A。
语法错误速查
表格
| 错误写法 | 纠正 |
|---|---|
| Shot 1 也加了时间戳 | 首镜不写时间戳,从 Shot 2 起递增 |
| 切镜时间超出视频时长 | 所有时间戳落在时长内并严格递增 |
| 台词被翻译成了英文 | 台词逐字保留原语言,标签里只加语言标记 |
| 风格词堆在句子末尾 | 风格在 [Shot 1] 开头一句声明 |
| 声景里重复台词内容 | 台词只出现在主描述 |
| 配乐写成 “悲伤的音乐” | 写乐器、速度、节奏、强弱变化 |
