Skip to main content

MiniMax H3 promptguide

MiniMax H3.
2K, lyd inkludert, testet prompt for prompt.

MiniMax H3 promptguide basert på genereringer med modellen slik den er tilgjengelig nå. Tidsstyrte sekvenser, tekst i bildet som faktisk gjengis riktig, referansebilder, første og siste bilde, kamerabevegelser modellen ikke følger, og regissert lyd. Inkluderer de to teknikkene vi ikke kunne påvise noen effekt av.

Oversikt

MiniMax H3 genererer video fra en tekstprompt, fra et startbilde og et valgfritt sluttbilde, eller fra opptil ni referansebilder. På MiniMax H3 leveres alt i 2K og 24 bilder per sekund, med et stereolydspor i samme fil. Varianten H3 Max, som har en egen seksjon mot slutten, rendrer i stedet i 768p eller 480p, for 2 kreditter per sekund ved 768p eller 1.5 ved 480p. Klippene varer fra 5 til 15 sekunder, og promptfeltet tar opptil 7,000 tegn. Dermed får du plass til en full opptaksliste med lyddesign i én forespørsel.

Denne guiden bygger på genereringer med den aktive modellen, ikke på et spesifikasjonsark. Hvert klipp nedenfor er fra en av disse testene, i oppløsningen modellen leverte. Når en teknikk er verdt ordene, får du en mal. Når en mye gjentatt teknikk ikke ga noen målbar forskjell i testene våre, sier vi det.

Teksten angitt konkret og skrevet helt ut i prompten

Prompten ba om en tittelplakat med teksten «CHAPTER ONE» i smale, hvite versaler. Det var det vi fikk, riktig stavet og pent satt, på én generering.

  • 5 til 15 sekunder i én generering ved 24fps med begge modellene: 2K med H3, 768p eller 480p med H3 Max.
  • Innebygd stereolyd i samme fil: romlyd, foley, musikk og tale.
  • Seks bildeformater fra 21:9 til 9:16, på begge modellene og alle nivåer.
  • Opptil ni referansebilder, de første fem er inkludert, og hvert bilde utover det koster 1 kreditt, eller et startbilde og et sluttbilde for et opptak. H3 Max bruker start- og sluttbilder.
  • Prompter på opptil 7,000 tegn. 4 kreditter per sekund ved 2K og 2.5 ved 768p, pluss 4.5 per sekund med referansevideo. H3 Max koster 2 ved 768p og 1.5 ved 480p.

Modusen bestemmes av det du legger ved, ikke av en nedtrekksmeny. Ingen mediefiler betyr tekst til video. Et startbilde, eventuelt med et sluttbilde, betyr bilde til video. Alt du bruker som referanse i stedet for som et faktisk bilde i klippet, betyr referanse til video.

Hva du kan ta med fra andre modeller

Vanene fra Seedance og WAN fungerer stort sett her også, men to av dem viste seg å ha mindre effekt enn forventet. Hver rad nedenfor ble testet parvis: samme motiv, samme seed, samme varighet. Bare teknikken som ble testet, ble endret.

TeknikkResultat på MiniMax H3Dette så vi
Skriv skjermteksten helt utFungerer, og tekstgjengivelse er en klar styrkeBegge testvariantene ga et rent tittelkort med riktig stavemåte. Å skrive ut den nøyaktige teksten var ikke det som fikk teksten til å dukke opp. Det avgjorde hvilke ord som kom, og hvordan de ble satt: Den beskrevne versjonen fant på "CHAPTER I" med en seriffskrift, mens versjonen med nøyaktig tekst ga "CHAPTER ONE" i smale versaler, som bestilt.
Rekkefølgen motiv, scene, handling, kamera, lydFungerer, gir kontroll fremfor kvalitetEn enkel prompt på fire ord ga fortsatt et solid klipp, men modellen laget sin egen film: to oppsett og et klipp mellom dem. Den strukturerte versjonen holdt seg til ett sammenhengende opptak og utførte den ene kamerabevegelsen innover som var bestilt.
Tidsstyrte sekvenser i hakeparenteserFungerer, og gir kontroll over sluttilstandenVed 10 sekunder hadde den enkle versjonen allerede utført alle tre handlingene i riktig rekkefølge. Den tidsstyrte versjonen traff i tillegg de angitte sluttilstandene, inkludert den tomme benken etter første sekvens.
Gjør en kamerainstruks om til et tydelig forbudFungerer, og er verdt ordene"Bildeutsnittet beveger seg aldri", med en liste over bevegelser som skal unngås, holdt utsnittet helt stabilt gjennom hele klippet.
Synlig atferd fremfor følelsesordFungererKonkrete fysiske signaler, som blikket festet nedover, fingre i ro og hevede skuldre, ble fulgt bokstavelig og beholdt gjennom hele klippet. «Hun ser engstelig og nervøs ut» ga i stedet et generisk spill rett mot kamera.
Første og siste bildeFungerer, og treffer presistMed begge bildene startet klippet på det vedlagte åpningsbildet og endte nøyaktig på det vedlagte sluttbildet, helt ned til det oppkveilede tauet på den tomme brygga.
Gi hvert referansebilde én oppgaveValgfritt: H3 kombinerer bildene sømløst på egen håndTo par, inkludert et bevisst krevende med en person, et produkt på hvit bakgrunn og et tomt rom. Testvarianten uten angitte roller kombinerte dem akkurat like godt: riktig ansikt, riktig veske, riktig rom, og den hvite produktbakgrunnen ble utelatt uten beskjed.
Lister over det som skal unngåsValgfri ekstra sikringTo par. H3 holdt de uønskede elementene ute på egen hånd i begge. En kort negativliste gir et siste sikkerhetsnett, for eksempel mot tilfeldig tekst på butikkfasader.

Kortversjonen: Struktur, timing, instrukser mot kamerabevegelse, synlig atferd og tekst skrevet helt ut er alle verdt ordene. Referanseroller og negativlister gir ekstra trygghet uten ekstra kostnad: H3 kombinerer allerede referanser og holder scenene ryddige på egen hånd.

H3 setter referanser rent sammen uten at du må angi roller, og holder uønskede elementer ute på egen hånd. Begge teknikkene koster ingenting, så behold dem som ekstra sikring, særlig når to referanser kan forveksles, som to personer eller to steder.

Grunnformelen for prompter

Motiv + Handling + Scene og omgivelser + Visuell stil + Kamera + Lyd

H3 fyller selvsikkert inn det du utelater. Lar du kameraet være uspesifisert, tar modellen regien selv, ofte med klipp mellom to kameraoppsett i løpet av fem sekunder. Det er en fordel når du vil ha et klipp som ser ferdig ut, og en ulempe når du trenger et bestemt opptak. Beskriv det som betyr noe, og la modellen finne på resten.

Grunnmal
<Subject> <performs the primary action> in <scene and environment>, at <time of day>.
<Light direction, materials, colour, and texture>.
Begin on <opening shot size and framing>, then <the one camera move you want>.
Audio: <the sounds that belong to this action, in the order they happen>.
Testet eksempel
A barista in a narrow espresso bar tamps a portafilter, locks it into the group head, and starts the shot, at sunrise.
Low warm sunlight comes through a window on the left, steam catches the light, brushed steel and matte ceramic surfaces.
Begin on a medium shot of her hands at the machine, then slowly push in to a close-up of the espresso stream.
Audio: the grind of the burr, the clack of the portafilter locking in, the hiss of the pump, and quiet morning room tone.
Enkel: "En barista som lager kaffe."

Solid utført, og helt modellens egen film. Den valgte et makroopptak av lattekunst som helles, og klippet så til et totalbilde av en barista den fant på selv.

Strukturert: malen over

Én sammenhengende tagning. Innkjøringen som ble bestilt, lys fra angitt side og avslutning på espressostrålen. Samme seed som versjonen uten detaljer.

Begge klippene ser flotte ut, og det er nettopp funnet. Den strukturerte prompten gir presis lydighet i tillegg til kvaliteten H3 alltid leverer. Bruk formelen når opptaket må matche det du allerede ser for deg, og en énlinjer når du gjerne lar deg overraske.

Tidsstyrte sekvenser og lengre klipp

For alt som varer lenger enn én enkelt handling, skriv klippet som tidsstyrte sekvenser som følger rett etter hverandre. Gi hver sekvens én hovedendring, og beskriv hva som skal være synlig når den slutter. Det er sluttilstanden som gjør jobben: Den gir modellen et kontrollpunkt å treffe i stedet for en stemning å opprettholde.

Mal for tidsstyrte sekvenser
<One line naming the setting and the overall event.>
[0-3 seconds] <Opening shot. One primary change.> End with <a state a viewer could point at>.
[3-7 seconds] <Next shot. One primary change.> End with <a state a viewer could point at>.
[7-10 seconds] <Final shot. One primary change.> End with <the closing state>.
Audio: <what runs underneath, and what happens at the specific moments>.
Ti sekunder, tre handlinger i én setning

Sekvensen spilles fortsatt av i riktig rekkefølge. H3 er god på underforstått rekkefølge, så en enkel beskrivelse er ikke den katastrofen den kan være i enkelte modeller.

Ti sekunder, samme handlinger som tidsstyrte sekvenser

Se hvordan de angitte sluttilstandene treffer: Benken er synlig tom når hjulet står i stativet, og skiftenøkkelen er fortsatt i hånden hans når arbeidet med eikene er ferdig.

Rytme gjennom alle femten sekundene

Vi testet maksgrensen på 15 sekunder med fem tidsstyrte sekvenser på tre sekunder hver. De første fire kom i riktig rekkefølge og nøyaktig til rett tid. Profftips: Planlegg fire sekvenser for femten sekunder, og gi finalen mest plass.

Femten sekunder, fem tidsstyrte sekvenser

Sentrering, åpning, opptrekking av veggene, forming av kanten: fire sekvenser som alle treffer på riktig tidspunkt.

  • Sett av omtrent fire sekunder til hver sekvens som innebærer bytte av rekvisitt eller en overlevering. Tre er nok til en kameraendring, men knapt for en handling.
  • Gi den siste sekvensen mest plass, og legg opptaket du bryr deg mest om, i midten.
  • Én hovedendring per handlingsledd, så hvert ledd kommer tydelig frem.
  • Beskriv sluttilstander som noe seeren kan peke på: en tom flate, et verktøy i en bestemt hånd, en dør som nå er lukket.

Tekst i bildet

Lesbar tekst er det H3 aller tydeligst mestrer, og den største praktiske forskjellen fra de andre videomodellene vi har testet. Begge variantene i testen vår ga ren tekst med riktig stavemåte. Prompten styrer hvilke ord som vises, og hvordan de settes.

Beskrevet: "et tittelkort med navnet på kapittelet"

Rent og riktig stavet, men modellen valgte ordlyd og skrifttype: "CHAPTER I", satt med seriffer.

Skrevet helt ut: «CHAPTER ONE», med smale, hvite versaler

Nøyaktig den angitte teksten, sentrert, med ønsket skriftvekt og store og små bokstaver. Samme seed som versjonen beskrevet over.

Tekstmal
A title card reads "<THE EXACT STRING>" in <weight, case, and family>, <position in frame>.
Do not misspell it, do not add any other text, do not add subtitles.
  • Skal et ord være lesbart, skriv selve ordet. Beskriver du det, får du tekst, men ikke din tekst.
  • Angi typografien: smal skrift, store bokstaver, seriffer, stor bokstavavstand. Modellen følger dette.
  • Si hvor teksten skal stå i bildet. Både «sentrert» og «nedre tredjedel» treffer.
  • Legg til linjen om hva som ikke skal skje. Den koster ingenting, og dette var det eneste stedet en negativ instruks fortjente plassen i testene våre.

Referansebilder

Legg ved opptil ni bilder, så setter H3 dem sammen til ett opptak: et ansikt fra ett, et produkt fra et annet, et sted fra et tredje. H3 finner selv ut hva hvert bilde skal brukes til. I begge testene våre kombinerte den riktig ansikt, produkt og sted uten å få beskjed.

Tre referanser, alle roller angitt

Image 1 er kvinnen, Image 2 er skuldervesken, Image 3 er lobbyen, pluss tydelige instrukser om ikke å bruke den hvite produktbakgrunnen eller studiobakgrunnen.

De samme tre referansene, uten angitte roller

Samme seed, samme bilder, én enkel setning. Riktig ansikt, riktig veske, riktig rom, og begge de uønskede bakgrunnene ble fjernet uten beskjed.

Den tidligere testen med to bilder, en person og et sted, ga samme resultat. Vi tolker det slik at H3 fordeler rollene selv når hver referanse bare passer naturlig i én rolle. Det koster ingenting å angi roller, og vi anbefaler fortsatt å gjøre det. Så snart to referanser kan fylle samme rolle, må modellen gjette, og en setning er billigere enn en ny generering.

Referansemal
Use Image 1 for <what it defines>: preserve <the specific features that must survive>.
Use Image 2 for <what it defines>: preserve <the specific features that must survive>.
Use Image 3 for <the location>: <the elements of the set that matter>.
Do not use <the parts of any reference that should not appear, such as a studio backdrop>.
<The action, the light, and the shot.>

Ansikter og hår holdt seg konsistente i alle referansetestene. Profftips: Navngi hvert plagg i prompten i tillegg til å vise det ("en marineblå jakke i kanvas"), så låses antrekket like godt.

På PixelDojo er referansene bilder: den raskeste måten å låse et ansikt, et produkt og et sted til samme opptak.

Avanserte referanseprompter

Alt over er nok for ett enkelt opptak med én eller to referanser. Når en prompt inneholder flere ressurser og navngitte roller, trenger den et system med identifikatorer og et fast oppsett. Denne delen viser strukturen vi bruker til dette, basert på modelldokumentasjonen, ikke vår egen serie med A/B-tester.

Referansekoder

Vis til vedlagte mediefiler med korte referansekoder: Image1, Video1, Audio1. Ingen mellomrom før tallet. Tallet angir plasseringen i opplastingsrekkefølgen, så en kode viser til filen som lå på den plassen da du la den ved. Fastsett rekkefølgen før du begynner å skrive, og bytt aldri nummer midt i prompten. Skal du bytte en mediefil, bytt filen, ikke koden.

  • Knytt hver karakter til riktig stemme, én om gangen. «De to kvinnene, henholdsvis» er den raskeste måten å få dem blandet sammen på.
  • Bruk referansetokenet hver gang du mener den ressursen. Går du tilbake til «referansebildet» halvveis i en lang prompt, må modellen gjette igjen.
  • Én oppgave per mediefil. Hvis ett bilde skal levere både et ansikt og et rom, si hvilken del som leverer hva.
  • Si hva som skal utelates, ikke bare hva som skal beholdes. En studiobakgrunn, en sømløs hvit produktbakgrunn eller et vannmerke er en del av filen og må utelukkes ved navn.

Velg oppgaven først

Før du skriver et eneste ord, bestem hvilken av de avgrensede avtalene opptaket skal følge. Hver avtale har sin egen regel for hva referansene får styre. Hold deg til én avtale per prompt, så gjør hver referanse akkurat sin jobb.

AvtaleDette styrer referanseneDette må prompten si
Tekst til videoIngen vedleggHele opptaket, med grunnformelen over.
Første og siste bildeDe to bildene som definerer start og sluttHvilket bilde som åpner og hvilket som avslutter, pluss én bevegelse som logisk fører fra det ene til det andre.
Omni-referanseIdentitet, klær, rekvisitter og stedÉn tydelig oppgave per bilde, pluss egenskapene som må bevares når bildene kombineres.
Overføring av skuespillÉn kildevideo leverer kun bevegelseHvilken bevegelse som skal kopieres, og en tydelig instruks om å utelate personene, klærne og stedet fra den videoen.
StemmeoverføringÉn lydfil leverer en stemmeHvilken karakter som snakker med den stemmen, at leppesynkroniseringen skal holde, og hvordan rommet høres ut i bakgrunnen.
Målrettet redigeringEtt klipp er hovedreferansenAt originalen er eneste kilde, nøyaktig hvilke endringer som skal gjøres, og hva som ikke skal flyttes.

Regelen bak alle seks: En ressurs styrer én ting, og alt den ikke skal styre, skrives ned. «Bruk referansene» er ikke en instruks, det er et håp.

Lås det som skal ligge fast før opptakslisten

Alt som skal være identisk gjennom hele klippet, hører hjemme over opptakslisten, i egne deler med tydelige navn. Da inneholder opptakslisten bare det som endrer seg. Antall personer, ansikter, antrekk, rekvisitter, stemmer og hvem som står hvor, er de seks tingene du låser øverst, slik at de gjelder for hver sekvens.

Seksjonsoppsett
[REFERENCE USE]
Image1 = <one job>. Keep <features>. Ignore <what must not travel>.
Image2 = <one job>. Keep <features>. Ignore <what must not travel>.

[IDENTITY / CONTINUITY LOCKS]
<How many people are in frame, and no more.>
<Each face, tied to its token.>
<Each garment, described in words as well as shown.>
<Each hero prop, and which hand or surface holds it.>

[SCENE]
<Location, time of day, weather, and the light.>

[DIALOGUE]
<Character>: "<the exact line>"

[SCREEN GEOGRAPHY]
<Who is on the left, who is on the right, and what they look at.>

Plasseringen i bildet er det folk glemmer. Beskriv hvem som står hvor, og hvor hvert blikk er rettet. Det holder blikkretningene sammen når kameraet beveger seg.

Så opptakslisten, deretter avslutningen

Opptakslisten følger de samme reglene for tidsstyrte sekvenser som tidligere i guiden: fortløpende tidsintervaller uten overlapp, én hovedhendelse i hvert og en angitt sluttilstand. Gi hvert intervall et bildeutsnitt, en kameraføring, en handling, eventuell dialog og en beskrivelse av situasjonen når intervallet slutter. For én sammenhengende handling fungerer vanlig prosa fortsatt fint. Hakeparenteser er til sekvenser, ikke til pynt.

Avslutt med de overordnede delene etter opptakslisten. De beskriver hele klippet, ikke én enkelt sekvens, så de hører hjemme nederst der de ikke kan tolkes som et steg.

  • [SKUESPILL]: synlig atferd, skrevet som i delen om skuespill over.
  • [LYS OG BILDE]: lysretning, kontrast, palett, objektivpreg og korn.
  • [KAMERA]: den ene bevegelsen du vil ha, eller forbudene som holder bildet i ro.
  • [PRODUKSJONSLYD]: bakgrunnslyden, hendelseslydene i rekkefølge og alt som skal utelates.
  • [NEGATIVER]: navngi konkrete feil, ikke generelle kvalitetsord. Identitet som glir ut, klesskift, ekstra personer, blikkretninger som ikke stemmer.
Gjennomarbeidet eksempel, full struktur
[REFERENCE USE]
Image1 = Nadia, lead. Keep the face, the freckles, and the dark curls tied back. Ignore the grey studio backdrop.
Image2 = Theo, second character. Keep the face, the beard, and the wire-rim glasses. Ignore the office behind him.
Image3 = the record shop interior. Keep the wooden browsing bins, the yellow pendant lights, and the tiled floor.
Video1 = motion source only. Copy the slow turn of the head and the reach across the bin. Do not use its actors, its clothing, or its location.
Audio1 = Nadia's speaking voice. Nadia speaks in this voice. Keep her lip sync accurate to the line below.

[IDENTITY / CONTINUITY LOCKS]
Exactly two people are in frame for the whole clip. No extras, no passers-by.
Nadia has the face from Image1. Theo has the face from Image2.
Nadia wears a rust corduroy jacket over a cream tee. Theo wears a charcoal knit sweater.
The hero prop is one sleeved vinyl record. It stays in Nadia's hands until she passes it to Theo.

[SCENE]
The record shop from Image3, late afternoon. Low sun comes through the front window on the right and the pendant lights are already on.

[DIALOGUE]
Nadia: "This is the pressing I told you about."

[SCREEN GEOGRAPHY]
Nadia stands on the left at the browsing bin. Theo stands on the right by the counter. They look at each other when they speak and at the record when it changes hands.

[SHOT LIST]
[0-4 seconds] Medium two-shot, locked off. Nadia turns her head toward Theo and reaches across the bin. End with the record lifted clear of the bin in her right hand.
[4-8 seconds] Slow push in to a medium close-up on Nadia. She says her line and holds the record up. End with the sleeve fully readable in frame.
[8-12 seconds] Hold the medium close-up, then reframe right as she passes the record. End with the record in Theo's hands and Nadia's hands empty.

[ACTING]
Nadia's gaze stays on Theo through the line and drops to the record as she passes it. Her thumbs stay on the sleeve edges. Theo's shoulders drop as he takes it and he exhales once.

[LIGHT AND IMAGE]
Warm low sun from the right, soft fill from the pendants, deep shadows in the bins. Muted rust and amber palette. Shallow depth of field on a 40mm lens, fine grain.

[CAMERA]
One slow push in and one reframe, both on a tripod head. No handheld, no zoom, no whip pan.

[PRODUCTION SOUND]
Quiet shop room tone, the rustle of sleeves in the bin, one soft card-stock slide as the record leaves its slot, and Nadia's line clean over the top. No music.

[NEGATIVES]
No identity drift between Nadia and Theo. No wardrobe changes. No third person entering frame. No broken eyelines. No subtitles or captions.

Les gjennom før du bruker kredittene

  • Har hver vedlagte ressurs nøyaktig én navngitt oppgave, og er delene du ikke vil ha med, utelukket ved navn?
  • Har hver identitet, stemme, rekvisitt og hvert redigeringsmål nøyaktig én eier? Med to eiere velger modellen selv.
  • Følger tidsintervallene rett etter hverandre, uten overlapp, og gir de nok tid til handlingen?
  • Motsier delene om kamera, lys og skuespill noe referansene allerede har fastlagt?
  • Beskriver de negative instruksene faktiske feil som kan oppstå, i stedet for ord som "dårlig" eller "lav kvalitet"?

PixelDojo tilbyr bildereferanser i dag, så Image1 til Image9 er referansekodene du faktisk kan legge ved. Oppgavereglene for Video1 og Audio1 er dokumentert her fordi modellen forstår dem, og fordi den samme disiplinen med én oppgave per mediefil får prompter med bare bilder til å henge sammen.

Første og siste bilde

Legg ved et startbilde, så animerer H3 videre fra det. Legg ved både et startbilde og et sluttbilde, så fyller modellen inn bevegelsen mellom dem. Det er den mest presise kontrollen modellen tilbyr. I denne modusen bestemmes bildeformatet av bildet, så formatvelgeren ignoreres.

Bare startbilde

Det innsendte bildet beholdes og animeres: Han blir ved stolpen og snur hodet, tauet beveger seg i vinden.

Startbilde og sluttbilde

Samme åpningsbilde. Han går ut til venstre, og klippet ender nøyaktig på det vedlagte sluttbildet, inkludert den tomme bryggen og det oppkveilede tauet.

  • Skriv prompten som bevegelsen mellom de to bildene, ikke som en beskrivelse av ett av dem. Bildene viser allerede hvordan ting ser ut.
  • Bruk det til overganger der du kjenner begge endepunktene: en plakat som får liv, et produkt som roterer til en profilert vinkel, en karakter som forlater et sett.
  • Start- og sluttbilder kan ikke kombineres med referansebilder. Velg det ene eller det andre.

Kameraspråk

H3 forstår filmfaglige begreper direkte og elsker bevegelse: På egen hånd følger modellen handlingen med et levende kamera i rolig bevegelse. Vil du ha et helt statisk opptak, lister du opp bevegelsene den skal droppe. Da holder den bildet fjellstøtt.

Ingen kamerainstrukser

Et kamera som beveger seg naturlig og følger henne mens hun jobber.

"Bildeutsnittet beveger seg aldri", med bevegelsene navngitt

Ett fast bilde gjennom hele klippet. Bare gartneren og vannspruten beveger seg. Samme seed som versjonen uten lyd.

Mal for statisk kamera
Locked-off static <wide / medium / close> shot.
No push in, no handheld, no zoom, no dolly. The frame never moves.

Når du faktisk vil ha kamerabevegelse, navngi én og beskriv hva som endrer seg i bildet. «Kjør sakte inn til et nærbilde av espressostrømmen» ble utført som skrevet. Profftips: Knytt hvert kamerabegrep til den synlige endringen du ønsker, så treffer H3.

Skuespill og følelser

Følelsesord oppsummerer en prestasjon, de beskriver den ikke. Skriv heller det et kamera kan se: hvor blikket går, hva hendene gjør, hvordan pusten går, og hva som holder seg i ro.

"Hun ser engstelig og nervøs ut"

Et generisk spill mot kamera. Fiolinen ligger i fanget hennes, og regien blir til et ansiktsuttrykk i stedet for en handling.

Samme sekvens beskrevet som synlig atferd

Blikket festet i gulvet, fingrene knuger fiolinhalsen, skuldrene holdes hevet. Instruksen følges bokstavelig og holder gjennom hele klippet.

Mal for skuespill
<Subject> <is in the situation>.
<What the hands do>, <where the eyes go>, <what the shoulders or posture do>, and <one breath or pause>.
<Shot size>, <camera behaviour>.

Regisser lyden

Hvert klipp leveres med et stereospor, så lyd er noe du regisserer, ikke bare noe du får. Navngi lydene i rekkefølgen de kommer, beskriv hva som ligger under, og si hva som ikke skal være med.

Ingen lydinstrukser

Et sammenhengende lydteppe. Målt over hele klippet ligger det rundt −32 dB med liten variasjon.

Lydene navngitt i rekkefølge, med «ingen musikk»

Samme bilde, men lydsporet er bygd opp av hendelser: stille partier rundt −45 dB, med transienter opp til −23 dB ved slagene og bråkjølingen.

Lydmal
Audio: <what runs underneath for the whole clip>, <the specific event sounds in the order they happen>, and at <the moment> <the sound that marks it>.
No music.

Lydnivåene følger scenen, så stille scener får ekte, naturlig stillhet. Klippene våre ved innsjøen og bak scenen målte rundt −44 dB i gjennomsnitt, omtrent 25 dB under de travle scenene. Sett det endelige lydnivået i redigeringen.

Instrukser om hva som skal unngås

Det du vil utelukke, skriver du rett i prompten som vanlige setninger. H3 holder scenene fri for uønskede elementer på egen hånd, så en kort linje med utelatelser er en ekstra sikring, ikke et krav.

Med negativliste: ingen mennesker, ingen duer, ingen biler, ingen tekst

En tom terrasse, som bestilt.

Samme scene, samme seed, ingen liste over det som skal unngås

Også en tom terrasse: H3 holdt scenen fri for uønskede elementer på egen hånd.

Det tidligere testparet med båten på innsjøen oppførte seg på samme måte. Det praktiske rådet er derfor mer avgrenset enn «negative instrukser er uvanlig effektive»: Bruk dem mot ting modellen gjerne legger til på egen hånd. I testene våre gjaldt det skjermtekst og kamerabevegelse. Ikke regn med at en negativ instruks fjerner et motiv som scenen legger opp til. Hvis en person ikke skal være med i bildet, beskriv et tomt sted i stedet for et sted der personen er forbudt.

Utsnitt, lengde og pris

Seks bildeformater, rendret i 2K på H3: 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Stående format er ekte 1440 x 2560, ikke et beskåret liggende bilde. Derfor lønner det seg å generere innhold til sosiale medier i riktig format fra start, i stedet for å endre utsnittet etterpå.

9:16 i 2K, generert i stående format

En produktreklame skrevet for mobilskjermen: Kameraet løfter seg, kondensen renner, og ingenting er beskåret fra et bredere utsnitt.

InnstillingSpennMerknader
Varighet5 til 15 sekunderHele sekunder. Prisen følger lengden.
OppløsningH3: 2K eller 768p. H3 Max: 768p eller 480pPå H3 tvinger et startbilde frem 2K. På H3 Max beholdes valget ditt i alle moduser.
Kreditter5 per sekund ved 2K, 2,5 ved 768p. H3 Max: 2,5 ved 768p, 2 ved 480p20 kreditter for et 5-sekunders klipp i 2K, 10 med H3 Max ved 768p. 60 for hele 15 sekunder i 2K. En referansevideo legger til 4,5 kreditter per sekund av klippet, og hvert referansebilde utover det femte legger til 1.
PromptlengdeOpptil 7 000 tegnDet er god plass til en full opptaksliste med lyddesign.
BildeformatSeks formaterIgnoreres i førstebildemodus, der bildet bestemmer formatet.

På H3 er hver generering i 2K, så et forkastet klipp koster det samme som et godt. Test uttrykket og lyden med 5 sekunder, og kjør så prompten du liker, på nytt med lengden du trenger. H3 Max er det rimeligere stedet å teste når 768p er nok til å vurdere resultatet.

H3 eller H3 Max

H3 Max er en ytelsesoptimalisert variant av MiniMax H3, bygget for fart. Den forstår det samme promptspråket som alt over, og lager fortsatt sin egen synkroniserte lyd. Den tar et første bilde med et valgfritt siste bilde, lager klipp på 5 til 15 sekunder i de samme seks bildeformatene og rendrer raskt til 2 kreditter per sekund ved 768p eller 1,5 ved 480p.

MiniMax H3 i 2K, testet 2026-08-03 med 25 kreditter for 5 sekunder (20 med dagens pris)

Én sammenhengende tagning med innkjøringen prompten ba om. Den åpner på hendene hennes og slutter på espressostrålen. 2560 × 1440.

H3 Max ved 768p, omtrent 24 sekunder, testet 2026-09-01 til 10 kreditter (også dagens pris)

Samme prompt. Her ble det også én sammenhengende tagning med innkjøring, fra hendene hennes til espressostrømmen. Den synlige forskjellen er bildestørrelsen: 1344 x 768 mot 2560 x 1440.

Bilde til video på H3 Max beholder 768p-nivået, 10 kreditter

Et startbilde flytter ikke H3 Max opp på et dyrere prisnivå slik det gjør med H3. I denne kjøringen iscenesatte modellen avsløringen under lokket: Den lukket etuiet i løpet av de første to sekundene mens kameraet gikk i bane rundt, og åpnet det igjen fra en ny vinkel. Kjøringen ved 480p med samme stillbilde og samme prompt gjorde ikke dette i det hele tatt. Se derfor på avsløringen som noe modellen kan få til, ikke noe den alltid gjør.

InnstillingMiniMax H3H3 Max
Oppløsning2K eller 768p768p eller 480p
Kreditter per sekund5 ved 2K, 2,5 ved 768p, pluss 4,5 per sekund med referansevideo og 1 per referansebilde utover det femte2,5 ved 768p, 2 ved 480p
5-second clip20 kreditter ved 2K, 12,5 ved 768p10 kreditter ved 768p, 7,5 ved 480p
Startbildets effekt på prisenKrever 2K, så bilde-til-video koster 20 kreditter for 5 sekunderIngen. Oppløsningen du velger, beholdes
Referansebilder, video og lydOpptil ni bilder, tre videoer, tre lydfilerStøttes ikke. Kun start- og sluttbilder
Varighet5 til 15 hele sekunder5 til 15 hele sekunder
BildeformaterSeks, fra 21:9 til 9:16Seks, samme liste
Målt genereringstidOmtrent 205 sekunder for et 5-sekunders bilde-til-video-klipp den 2026-08-2624 to 33 seconds across three 5-second runs on 2026-09-01

Velg H3 Max for å teste en prompt før du betaler 2K-prisen, for klipp til sosiale medier og produktklipp der 768p er nok, og for alle bilde-til-video-jobber der 2K-prisen svir. Hold deg til MiniMax H3 når du skal levere i 2K, eller når opptaket trenger referansebilder, referansevideo eller referanselyd.

Sjekkliste før generering

  • Er kameraet spesifisert? For et statisk bilde, list opp bevegelsene som skal unngås.
  • Er all tekst som skal vises i bildet, skrevet ordrett, med stil og plassering angitt?
  • Er skuespillet beskrevet som atferd kameraet kan fange, i stedet for som en følelse?
  • Har hver tidsstyrte sekvens én hovedendring og en sluttilstand seeren kan peke på?
  • Har siste sekvens nok plass? Gi finalen mest tid.
  • Er lyden beskrevet i riktig rekkefølge, og er uønsket lyd utelukket?
  • Hvis du har lagt ved referanser, er egenskapene som må bevares, både beskrevet med ord og vist?
  • Er lengden riktig? Du betaler per sekund uansett, 5 ved 2K eller 2.5 på H3 Max ved 768p. Test derfor prompten med 5 sekunder først, og vurder å teste på H3 Max før du kjører i 2K.

Testet 2026-08-03 med den aktive modellen på PixelDojo: 24 genereringer, kjørt som sammenlignbare par med samme seed og én endret variabel. Når en teknikk ikke ga noen målbar forskjell, sier guiden det rett ut i stedet for å gjenta rådet.