Skip to main content

Promptowanie MiniMax H3: poradnik

MiniMax H3.
2K, dźwięk w zestawie, sprawdzone prompt po prompcie.

Poradnik promptowania MiniMax H3 oparty na generacjach z działającego modelu. Sekwencje z czasami, tekst w kadrze, który faktycznie się renderuje, obrazy referencyjne, pierwsza i ostatnia klatka, ignorowane polecenia ruchu kamery oraz reżyseria dźwięku. Są też dwie techniki, dla których nie udało nam się wykazać żadnej różnicy.

Przegląd

Promptowanie MiniMax H3 pozwala generować wideo z opisu tekstowego, z pierwszej i opcjonalnie ostatniej klatki lub z maksymalnie dziewięciu obrazów referencyjnych. W MiniMax H3 każdy materiał powstaje w 2K przy 24 klatkach na sekundę, ze ścieżką stereo w tym samym pliku. Wariant H3 Max, opisany w osobnej sekcji pod koniec poradnika, generuje w 768p lub 480p: za 2 kredyty na sekundę przy 768p albo 1.5 przy 480p. Klipy trwają od 5 do 15 sekund, a pole promptu mieści do 7,000 znaków, więc pełną listę ujęć wraz z udźwiękowieniem zmieścisz w jednym zleceniu.

Ten poradnik powstał na podstawie generacji z działającego modelu, a nie specyfikacji. Każdy klip poniżej pochodzi z tych testów i jest pokazany w rozdzielczości, w której wygenerował go model. Jeśli technika jest warta miejsca w prompcie, znajdziesz dla niej szablon. Jeśli popularna technika nie dała w naszych testach mierzalnej różnicy, piszemy to wprost.

Konkretny tekst podany w prompcie, z dokładnym zapisem

Prompt prosił o planszę tytułową z napisem „CHAPTER ONE”, białymi wersalikami wąskim krojem. Dokładnie to otrzymaliśmy: poprawną pisownię i czysty skład już w jednej generacji.

  • Od 5 do 15 sekund w jednej generacji przy 24fps w obu modelach: 2K na H3, 768p lub 480p na H3 Max.
  • Natywne audio stereo w tym samym pliku: tło dźwiękowe pomieszczenia, efekty synchroniczne, muzyka i mowa.
  • Sześć proporcji od 21:9 do 9:16, w obu modelach i w każdym planie.
  • Do dziewięciu obrazów referencyjnych: pierwszych pięć jest w cenie, każdy kolejny kosztuje 1 kredyt. Możesz też podać pierwszą i ostatnią klatkę ujęcia. H3 Max generuje na podstawie klatek.
  • Prompty do 7,000 znaków. 4 kredyty na sekundę przy 2K i 2.5 przy 768p, plus 4.5 za sekundę wideo referencyjnego. H3 Max: 2 przy 768p i 1.5 przy 480p.

Tryb zależy od tego, co dodasz, a nie od opcji na liście. Bez mediów uruchamiasz text-to-video. Klatka początkowa, opcjonalnie z końcową, oznacza image-to-video. Materiały, które mają być inspiracją, a nie dosłowną klatką, uruchamiają reference-to-video.

Co działa też w innych modelach

Nawyki z Seedance i WAN w większości sprawdzają się też tutaj, ale dwie techniki dały mniej, niż zakładaliśmy. Każdy wiersz poniżej to test porównawczy: ten sam temat, ten sam seed i ta sama długość. Zmienialiśmy tylko testowaną technikę.

TechnikaWynik w MiniMax H3Co zaobserwowaliśmy
Dokładny zapis tekstu na ekranieDziała, a generowanie tekstu to mocna strona modeluOba warianty testu dały czystą planszę tytułową bez błędów w pisowni. Podanie dokładnego tekstu nie sprawiło, że tekst się pojawił. Zdecydowało, jakie słowa się pojawiły i jak wyglądał ich skład: wersja opisowa wymyśliła „CHAPTER I” krojem szeryfowym, a wersja z podanym tekstem zwróciła „CHAPTER ONE” zwężonymi wersalikami, zgodnie z poleceniem.
Kolejność: temat, scena, akcja, kamera, dźwiękDziała: daje kontrolę, nie wyższą jakośćProsty, czterowyrazowy prompt też dał udany klip, ale model nakręcił własny film: dwa ustawienia kamery i cięcie. Wersja ze strukturą utrzymała jedno ciągłe ujęcie i wykonała dokładnie jeden zadany najazd.
Etapy w nawiasach z podanym czasemDziała i daje kontrolę nad stanami końcowymiPrzy 10 sekundach już prosta wersja poprawnie wykonała wszystkie trzy działania po kolei. Wersja z czasami dodatkowo osiągnęła wskazane stany końcowe, w tym pustą ławkę po pierwszym etapie.
Zamiana instrukcji dla kamery na jednoznaczny zakazDziała i warto to zapisać„Kadr pozostaje nieruchomy”, z listą ruchów do pominięcia, utrzymało jeden absolutnie stabilny kadr przez cały klip.
Widoczne zachowanie zamiast nazw emocjiDziałaKonkretne sygnały fizyczne, takie jak wzrok wbity w dół, nieruchome palce czy uniesione ramiona, zostały odwzorowane dosłownie i utrzymane przez cały klip. „Wygląda na zaniepokojoną i zdenerwowaną” dało za to standardową grę do kamery.
Pierwsza i ostatnia klatkaDziała i trafia precyzyjniePo dodaniu obu klatek klip zaczął się od dostarczonej klatki początkowej i zakończył dokładnie na dostarczonej klatce końcowej, aż po zwiniętą linę na pustym pomoście.
Przypisz zadanie każdemu obrazowi referencyjnemuOpcjonalnie: H3 sam dobrze łączy materiałyDwie pary, w tym jedna celowo trudna: osoba, produkt na białym tle i pusty pokój. Wariant bez przypisanych ról połączył je równie dobrze: właściwa twarz, właściwa torba, właściwy pokój, a białe tło produktu zostało pominięte bez takiej instrukcji.
Listy wykluczeńDodatkowe zabezpieczenieDwie pary. W obu H3 sam pominął zakazane elementy. Krótka lista wykluczeń to dodatkowe zabezpieczenie, na przykład przed przypadkowymi napisami na witrynach.

W skrócie: struktura, rozpiska czasowa, zakazy ruchu kamery, widoczne zachowanie i dokładny zapis tekstu są warte miejsca w prompcie. Role referencji i listy wykluczeń to dodatkowe zabezpieczenie bez kosztu: H3 już sam łączy referencje i nie zaśmieca scen.

H3 sprawnie łączy referencje bez opisywania ich ról i samo eliminuje niechciane elementy. Obie techniki nic nie kosztują, więc zostaw je jako dodatkowe zabezpieczenie, zwłaszcza gdy dwie referencje łatwo ze sobą pomylić, na przykład dwie osoby lub dwie lokalizacje.

Podstawowa formuła promptu

Temat + Akcja + Scena i otoczenie + Styl wizualny + Kamera + Dźwięk

H3 pewnie wypełnia luki. Nie określisz kamery? Sam przejmie reżyserię, często przechodząc między dwoma ustawieniami w ciągu pięciu sekund. To świetne, gdy chcesz dostać gotowy klip, ale nie wtedy, gdy zależy ci na konkretnym ujęciu. Nazwij to, na czym ci zależy, a resztę pozwól mu wymyślić.

Szablon podstawowy
<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>.
Przykład z testu
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.
Minimum: „Barista przygotowuje kawę.”

Sprawnie, ale to w całości film wymyślony przez model. Wybrał nalewanie latte art w makro, po czym zrobił cięcie do szerokiego ujęcia wymyślonego przez siebie baristy.

Ze strukturą: szablon powyżej

Jedno ciągłe ujęcie. Najazd zgodny z poleceniem, światło z podanej strony, finał na strumieniu espresso. Ten sam seed co w wersji bez dodatkowych wskazówek.

Oba klipy wyglądają świetnie i to jest wniosek. Ustrukturyzowany prompt daje precyzyjne wykonanie instrukcji ponad jakość, którą H3 dostarcza zawsze. Używaj schematu, gdy ujęcie ma odpowiadać temu, co masz w głowie. Wybierz jedno zdanie, gdy chcesz dać się zaskoczyć.

Rozpiska czasowa i dłuższe klipy

Jeśli klip zawiera więcej niż jedno działanie, rozpisz go na kolejne etapy z czasami. Każdemu przypisz jedną główną zmianę i określ, co ma być widoczne na końcu. To właśnie stan końcowy robi robotę: daje modelowi punkt kontrolny do osiągnięcia zamiast nastroju do podtrzymania.

Szablon rozpiski czasowej
<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>.
Dziesięć sekund, trzy akcje w jednym zdaniu

Sekwencja nadal rozgrywa się we właściwej kolejności. H3 dobrze odczytuje kolejność z opisu, więc zwykły opis nie kończy się tu katastrofą, jak w niektórych modelach.

Dziesięć sekund, te same akcje rozpisane w czasie

Zobacz, jak realizują się zadane stany końcowe: blat jest wyraźnie pusty, gdy koło trafia do stojaka, a po zakończeniu pracy przy szprychach klucz nadal pozostaje w jego dłoni.

Tempo przez pełne piętnaście sekund

Sprawdziliśmy limit 15 sekund z pięcioma etapami po trzy sekundy. Pierwsze cztery pojawiły się we właściwej kolejności i dokładnie na czas. Pro tip: na piętnaście sekund zaplanuj cztery etapy, a finałowi daj najwięcej miejsca.

Piętnaście sekund, pięć etapów z czasami

Centrowanie, otwieranie, wyciąganie ścianek, formowanie rantu: cztery etapy, każdy trafia w swój moment.

  • Na każdy etap ze zmianą rekwizytu lub przekazaniem go komuś przeznacz około czterech sekund. Trzy wystarczą na zmianę kamery, ale na działanie to mało.
  • Daj ostatniemu etapowi najwięcej czasu, a ujęcie, na którym najbardziej ci zależy, umieść w środku.
  • Jedna główna zmiana na etap, żeby każdy etap wybrzmiał wyraźnie.
  • Opisuj stany końcowe jako rzeczy, które widz może wskazać: pustą powierzchnię, narzędzie w konkretnej dłoni, zamknięte już drzwi.

Tekst na ekranie

Czytelny tekst to najmocniejsza, od razu widoczna strona H3 i największa praktyczna różnica względem innych testowanych przez nas modeli wideo. W obu wariantach testu napisy były wyraźne i bez błędów. Prompt decyduje o tym, jakie słowa się pojawią i jak zostaną złożone.

Opisowo: „plansza tytułowa z nazwą rozdziału”

Czysto i bez błędów, ale treść i krój wybrał model: „CHAPTER I” szeryfami.

Dokładny zapis: „CHAPTER ONE”, biały, wąski krój, wersaliki

Dokładnie podany tekst, z żądaną grubością pisma i wielkością liter, wyśrodkowany. Ten sam seed co w wersji opisowej.

Szablon tekstowy
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.
  • Jeśli słowo ma być czytelne, wpisz je wprost. Opis da ci tekst, ale nie twój tekst.
  • Określ styl typografii: wąski krój, wersaliki, szeryfy, szerokie odstępy między literami. H3 stosuje te wskazówki.
  • Wskaż miejsce w kadrze. „Na środku” i „w dolnej jednej trzeciej kadru” działają.
  • Dodaj zdanie z zakazem. Nic nie kosztuje, a w naszych testach to jedyne miejsce, w którym negatywna instrukcja zasłużyła na swoje miejsce.

Obrazy referencyjne

Dodaj do dziewięciu obrazów, a H3 połączy je w jedno ujęcie: twarz z jednego, produkt z drugiego, lokalizację z trzeciego. H3 samo rozpoznaje rolę każdego obrazu: w obu naszych testach połączyło właściwą twarz, produkt i miejsce bez dodatkowych instrukcji.

Trzy referencje, każda z przypisaną rolą

Image1 to kobieta, Image2 to torba, Image3 to lobby. Do tego jasne polecenie, by nie używać białego tła produktowego ani tła studyjnego.

Te same trzy referencje, bez przypisania ról

Ten sam seed, te same obrazy, jedno proste zdanie. Właściwa twarz, właściwa torba, właściwe pomieszczenie. Oba niechciane tła zniknęły bez osobnego polecenia.

Wcześniejszy test z dwoma obrazami, osobą i lokalizacją, dał ten sam wynik. Odczytujemy to tak: gdy każda referencja pasuje tylko do jednej roli, H3 sam rozpoznaje przypisanie. Opisanie ról nic nie kosztuje i nadal je polecamy. Gdy tylko dwie referencje mogą pełnić tę samą rolę, model musi zgadywać, a jedno zdanie kosztuje mniej niż ponowna generacja.

Szablon z referencjami
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.>

Twarze i włosy pozostały spójne we wszystkich testach referencji. Wskazówka: oprócz pokazania stroju nazwij w prompcie każdą jego część, np. „granatowa kurtka z płótna”, żeby ubiór trzymał się równie mocno.

W PixelDojo materiałami referencyjnymi są obrazy: to najszybszy sposób, by ustalić twarz, produkt i miejsce w jednym ujęciu.

Zaawansowane prompty z referencjami

Wszystko powyżej wystarczy do pojedynczego ujęcia z jedną lub dwiema referencjami. Gdy prompt zawiera kilka materiałów i nazwaną obsadę, potrzebuje systemu oznaczeń i stałego układu. Ta sekcja pokazuje strukturę, której wtedy używamy. Powstała na podstawie dokumentacji modelu, a nie naszej własnej serii testów A/B.

Tokeny referencyjne

Odwołuj się do załączników krótkimi tokenami: Image1, Video1, Audio1. Bez spacji przed numerem. Numer oznacza pozycję przesłanego pliku, więc token wskazuje materiał umieszczony w danym slocie podczas dodawania. Ustal kolejność przed pisaniem i nie zmieniaj numeracji w trakcie promptu. Gdy podmieniasz materiał, zamień plik, nie token.

  • Przypisz każdą postać i każdy głos osobno. „Te dwie kobiety, odpowiednio” to najkrótsza droga do pomylenia ról.
  • Używaj tokena za każdym razem, gdy masz na myśli dany materiał. Powrót do „zdjęcia referencyjnego” w połowie długiego promptu znów zmusza model do zgadywania.
  • Jeden materiał, jedno zadanie. Jeśli jeden obraz ma dostarczyć zarówno twarz, jak i pomieszczenie, wskaż, która część odpowiada za co.
  • Powiedz, co wykluczyć, nie tylko co zachować. Tło studyjne, białe tło produktowe czy znak wodny są częścią pliku, więc trzeba je wykluczyć z nazwy.

Najpierw ustal rolę materiałów

Zanim napiszesz choć słowo, wybierz konkretny zakres kontroli dla ujęcia. Każdy ma inne zasady dotyczące tego, czym mogą sterować referencje. Trzymaj się jednego zakresu na prompt, a każda referencja wykona dokładnie swoje zadanie.

Zakres kontroliCo kontrolują referencjeCo musi zawierać prompt
Tekst na wideoBez załącznikówCałe ujęcie według podstawowej formuły powyżej.
Pierwsza i ostatnia klatkaDwa obrazy graniczneKtóry obraz otwiera klip, a który go zamyka, oraz jeden ruch, który logicznie prowadzi od pierwszego do drugiego.
Referencje OmniTożsamość, strój, rekwizyty i miejsceJedno jasno nazwane zadanie dla każdego obrazu i cechy, które muszą przetrwać połączenie.
Przenoszenie gry postaciJedno źródłowe wideo dostarcza tylko ruchKonkretny ruch do skopiowania oraz jednoznaczne wykluczenie osób, ubrań i lokalizacji z tego wideo.
Przenoszenie głosuJeden plik audio dostarcza głosKtóra postać mówi tym głosem, że synchronizacja ust ma zostać zachowana i jakie dźwięki pomieszczenia słychać w tle.
Precyzyjna edycjaJeden klip jest nadrzędnyŻe materiał bazowy jest jedynym źródłem, co dokładnie zmienić i co ma pozostać bez zmian.

Zasada wspólna dla wszystkich sześciu: jeden materiał kontroluje jedną rzecz, a wszystko, czego nie powinien kontrolować, zapisujesz wprost. „Użyj referencji” to nie instrukcja, tylko nadzieja.

Ustal stałe elementy przed listą ujęć

Wszystko, co ma pozostać identyczne przez cały klip, umieść nad listą ujęć, w nazwanych sekcjach. Sama lista zawiera wtedy tylko to, co się zmienia. Na górze ustal sześć rzeczy: liczbę postaci, twarze, stroje, rekwizyty, głosy i rozmieszczenie postaci. Wtedy każdy etap przejmie te ustalenia.

Układ sekcji
[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.>

Rozmieszczenie postaci w kadrze to najczęściej pomijany element. Określ, kto gdzie stoi i dokąd patrzy każda osoba, a kierunki spojrzeń pozostaną spójne przy ruchu kamery.

Potem lista ujęć, potem wykończenie

Lista ujęć podlega tym samym zasadom rozpiski czasowej co wcześniej w poradniku: kolejne, nienakładające się przedziały, po jednym głównym zdarzeniu w każdym i określony stan końcowy. Dla każdego przedziału podaj kadrowanie, zachowanie kamery, akcję, ewentualną kwestię dialogową oraz to, co ma być widoczne na końcu. Przy jednej ciągłej akcji zwykły opis nadal wystarczy. Nawiasy służą sekwencjom, nie dekoracji.

Po liście ujęć dodaj sekcje końcowe. Opisują cały klip, a nie pojedynczy etap, dlatego trafiają na dół, gdzie nie zostaną odczytane jako kolejny krok.

  • [GRA AKTORSKA]: widoczne zachowanie, opisane tak jak w sekcji o grze aktorskiej powyżej.
  • [ŚWIATŁO I OBRAZ]: kierunek światła, kontrast, paleta, charakter obiektywu i ziarno.
  • [KAMERA]: jeden ruch, którego chcesz, albo zakazy, które utrzymają kadr nieruchomo.
  • [DŹWIĘK NA PLANIE]: tło, dźwięki zdarzeń po kolei i wszystko, co wykluczasz.
  • [WYKLUCZENIA]: nazwij konkretne błędy, nie ogólne hasła o jakości. Zmiany tożsamości, zmiany ubioru, dodatkowe osoby, niespójne kierunki spojrzeń.
Przykład z pełną strukturą
[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.

Przeczytaj jeszcze raz, zanim wydasz kredyty

  • Czy każdy załączony materiał ma dokładnie jedno nazwane zadanie, a niechciane elementy są wykluczone po nazwie?
  • Czy każda tożsamość, głos, rekwizyt i element do edycji mają dokładnie jedno źródło przypisania? Przy dwóch źródłach model wybierze sam.
  • Czy przedziały czasowe następują po sobie, nie nakładają się i dają dość czasu na przypisaną akcję?
  • Czy sekcje dotyczące kamery, światła i gry aktorskiej nie przeczą temu, co już ustalają referencje?
  • Czy zakazy dotyczą konkretnych błędów, a nie słów typu „złe” czy „niska jakość”?

PixelDojo udostępnia dziś obrazy referencyjne, więc Image1 do Image9 to tokeny, do których faktycznie możesz podpiąć pliki. Zasady użycia Video1 i Audio1 opisujemy tutaj, bo model je rozumie, a reguła jednego zadania na materiał pomaga też utrzymać spójność promptów opartych wyłącznie na obrazach.

Pierwsza i ostatnia klatka

Dodaj klatkę początkową, a H3 ją ożywi. Dodaj początkową i końcową, a model wypełni ruchem przestrzeń między nimi. To najprecyzyjniejsza kontrola, jaką oferuje. W tym trybie proporcje wynikają z obrazu, więc wybór proporcji w interfejsie jest ignorowany.

Tylko klatka początkowa

Podana klatka zostaje zachowana i ożywiona: mężczyzna pozostaje przy słupku i odwraca głowę, lina porusza się na wietrze.

Klatka początkowa i końcowa

Ta sama klatka początkowa. Mężczyzna wychodzi w lewo, a klip kończy się dokładnie na dostarczonej klatce końcowej, z pustym pomostem i zwiniętą liną.

  • Napisz prompt jako opis ruchu między dwiema klatkami, nie jako opis którejkolwiek z nich. Klatki już pokazują, jak wszystko wygląda.
  • Używaj tego do przejść, których początek i koniec znasz: plakat, który ożywa, produkt obracający się do głównego ujęcia, postać opuszczająca plan.
  • Klatki i obrazy referencyjne wzajemnie się wykluczają. Wybierz jedno albo drugie.

Język kamery

H3 rozumie terminologię operatorską i uwielbia ruch: bez dodatkowych wskazówek podąża za akcją żywą, delikatnie poruszającą się kamerą. Chcesz nieruchome ujęcie? Wymień ruchy, których ma unikać, a utrzyma kadr bez drgnięcia.

Bez wskazówek dla kamery

Naturalny ruch kamery, która podąża za nią podczas pracy.

„Kadr pozostaje nieruchomy”, z nazwami ruchów kamery

Jeden nieruchomy kadr przez cały klip. Poruszają się tylko ogrodnik i strumień wody. Ten sam seed co w wersji bez dźwięku.

Szablon nieruchomego ujęcia
Locked-off static <wide / medium / close> shot.
No push in, no handheld, no zoom, no dolly. The frame never moves.

Gdy chcesz ruchu kamery, nazwij jeden i opisz, co zmienia się na ekranie. „Powolny najazd do zbliżenia na strumień espresso” został wykonany zgodnie z opisem. Pro tip: każde określenie ruchu kamery połącz z widoczną zmianą, której oczekujesz, a H3 ją zrealizuje.

Gra postaci i emocje

Słowa określające emocje podsumowują grę aktorską, ale jej nie opisują. Zamiast tego napisz, co zobaczy kamera: gdzie kieruje się wzrok, co robią dłonie, jak zmienia się oddech i co pozostaje nieruchome.

„Wygląda na zaniepokojoną i zdenerwowaną”

Typowa gra do kamery. Skrzypce spoczywają na jej kolanach, a wskazówka przekłada się na wyraz twarzy zamiast na zachowanie.

Ten sam etap opisany przez widoczne zachowanie

Wzrok wbity w podłogę, palce zaciskają się na szyjce skrzypiec, ramiona uniesione. Instrukcja została wykonana dosłownie i utrzymana przez cały klip.

Szablon gry postaci
<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>.

Reżyseria dźwięku

Każdy klip ma ścieżkę stereo, więc dźwięk reżyserujesz, a nie tylko dostajesz. Wymień dźwięki w kolejności, w jakiej się pojawiają. Określ, co słychać w tle i czego ma nie być.

Bez wskazówek dźwiękowych

Ciągłe tło dźwiękowe. Pomiar całego klipu pokazuje poziom około −32 dB z niewielkimi wahaniami.

Dźwięki wymienione po kolei, z dopiskiem „bez muzyki”

Ten sam obraz, ale ścieżka dźwiękowa składa się ze zdarzeń: ciche tło w okolicach −45 dB i transjenty sięgające −23 dB przy uderzeniach i hartowaniu.

Szablon dźwięku
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.

Poziom dźwięku dopasowuje się do sceny, więc ciche sceny brzmią naprawdę cicho i naturalnie. W naszych klipach znad jeziora i zza kulis średni poziom wyniósł około −44 dB, czyli mniej więcej 25 dB poniżej głośnych scen. Docelową głośność ustaw w montażu.

Wskazówki wykluczające

Wykluczenia wpisuj bezpośrednio w prompt, zwykłymi zdaniami. H3 samo utrzymuje sceny bez zbędnych elementów, więc krótka lista zakazów to dodatkowe zabezpieczenie, nie konieczność.

Z listą wykluczeń: bez ludzi, bez gołębi, bez samochodów, bez tekstu

Pusty taras, zgodnie z poleceniem.

Ta sama scena, ten sam seed, bez listy wykluczeń

Tu też pusty taras: H3 samo utrzymało scenę bez zbędnych elementów.

Wcześniejsza para z łodzią na jeziorze zachowała się tak samo. Praktyczna rada jest więc bardziej konkretna niż „wykluczenia są wyjątkowo skuteczne”: używaj ich do rzeczy, które model lubi dodawać sam. W naszych testach były to tekst na ekranie i ruch kamery. Nie licz na to, że wykluczenie usunie postać, której obecność wynika ze sceny. Jeśli w kadrze nie ma być człowieka, opisz puste miejsce, zamiast opisywać miejsce z zakazem obecności ludzi.

Kadr, długość i koszt

Sześć proporcji renderowanych w 2K na H3: 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16. Pion to prawdziwe 1440 na 2560, a nie przycięty kadr poziomy. Dlatego materiały do social mediów warto od razu generować w docelowym formacie, zamiast później zmieniać kadrowanie.

9:16 w 2K, generowane w pionie

Reklama produktu rozpisana pod ekran telefonu: kamera unosi się, krople kondensacji spływają, a nic nie jest przycięte z szerszego kadru.

UstawienieZakresUwagi
Czas trwaniaOd 5 do 15 sekundPełne sekundy. Koszt rośnie wraz z długością.
RozdzielczośćH3: 2K lub 768p. H3 Max: 768p lub 480pW H3 klatka początkowa wymusza 2K. W H3 Max wybrana rozdzielczość zostaje zachowana w każdym trybie.
Kredyty5 za sekundę przy 2K, 2,5 przy 768p. H3 Max: 2,5 przy 768p, 2 przy 480p20 kredytów za 5-sekundowy klip w 2K, 10 na H3 Max przy 768p. 60 za pełne 15 sekund w 2K. Film referencyjny dodaje 4,5 kredytu za sekundę klipu, a każdy obraz referencyjny powyżej piątego dodaje 1.
Długość promptuDo 7 000 znakówPełna lista ujęć wraz z opisem dźwięku mieści się bez problemu.
Proporcje kadruSześć proporcjiIgnorowane w trybie pierwszej klatki, gdzie kształt obrazu wyznacza zdjęcie.

W H3 każda generacja powstaje w 2K, więc odrzucony klip kosztuje tyle samo co udany. Przetestuj obraz i dźwięk na 5 sekundach, a potem uruchom sprawdzony prompt z docelową długością. H3 Max to tańsze miejsce na takie testy, gdy 768p wystarcza do oceny.

H3 czy H3 Max

H3 Max to wariant MiniMax H3 zoptymalizowany pod szybkość. Rozumie ten sam język promptów co wszystko powyżej i nadal tworzy własny zsynchronizowany dźwięk. Przyjmuje pierwszą klatkę i opcjonalnie ostatnią, generuje od 5 do 15 sekund w tych samych sześciu proporcjach kadru i szybko renderuje za 2 kredyty za sekundę przy 768p lub 1,5 przy 480p.

MiniMax H3 w 2K, test z 2026-08-03: 25 kredytów za 5 sekund (20 według aktualnej ceny)

Jedno ciągłe ujęcie z najazdem wskazanym w prompcie, od jej dłoni do strumienia espresso. 2560 na 1440.

H3 Max przy 768p, około 24 sekund, test z 2026-09-01 za 10 kredytów, tyle wynosi też obecna cena

Ten sam prompt. Model również utrzymał jedno ciągłe ujęcie z najazdem, zaczynając od jej dłoni i kończąc na strumieniu espresso. Widoczna różnica to rozmiar klatki: 1344 na 768 wobec 2560 na 1440.

Image-to-video w H3 Max zachowuje 768p, 10 kredytów

Klatka początkowa nie przenosi H3 Max na droższy poziom cenowy, jak dzieje się to w H3. W tej generacji model zainscenizował odsłonięcie zawartości: przez pierwsze dwie sekundy zamykał etui, podczas gdy kamera je okrążała, a potem otworzył je ponownie z nowego kąta. Generacja w 480p z tym samym obrazem i promptem w ogóle nie zainscenizowała tego ruchu. Traktuj więc takie odsłonięcie jako coś, co model potrafi, a nie coś, co robi zawsze.

UstawienieMiniMax H3H3 Max
Rozdzielczość2K lub 768p768p lub 480p
Kredyty za sekundę5 przy 2K, 2,5 przy 768p, plus 4,5 za sekundę filmu referencyjnego i 1 za każdy obraz referencyjny powyżej piątego2,5 przy 768p, 2 przy 480p
5-second clip20 kredytów przy 2K, 12,5 przy 768p10 kredytów przy 768p, 7,5 przy 480p
Wpływ klatki początkowej na kosztWymusza 2K, więc generacja z obrazu do wideo kosztuje 20 kredytów za 5 sekundBrak. Wybrana rozdzielczość zostaje zachowana
Referencyjne obrazy, wideo i audioDo dziewięciu obrazów, trzech wideo i trzech nagrań audioBrak obsługi. Tylko klatki
Czas trwaniaOd 5 do 15 pełnych sekundOd 5 do 15 pełnych sekund
Proporcje kadruSześć, od 21:9 do 9:16Sześć, ta sama lista
Zmierzony czas generowaniaOkoło 205 sekund na 5-sekundowy klip z obrazu do wideo, 2026-08-2624 to 33 seconds across three 5-second runs on 2026-09-01

Sięgnij po H3 Max, by sprawdzić prompt, zanim zapłacisz za 2K, do klipów produktowych i do social mediów, gdy wystarcza 768p, oraz do zadań image-to-video, w których największą barierą jest stawka za 2K. Zostań przy MiniMax H3, gdy oddajesz materiał w 2K lub gdy ujęcie wymaga obrazów, wideo albo audio referencyjnego.

Sprawdź przed generacją

  • Czy kamera jest określona? Przy nieruchomym ujęciu wymień ruchy, których ma unikać.
  • Czy każdy tekst na ekranie jest wpisany dokładnie, z określonym stylem i położeniem?
  • Czy gra postaci jest opisana jako zachowanie widoczne dla kamery, a nie jako emocja?
  • Czy każdy etap z podanym czasem ma jedną główną zmianę i stan końcowy, który widz może wskazać?
  • Czy ostatni etap ma dość miejsca? Daj finałowi najwięcej czasu.
  • Czy dźwięki są wymienione w kolejności, a niechciane elementy wykluczone?
  • Jeśli dodajesz materiały referencyjne, czy cechy, które muszą zostać zachowane, są też opisane słowami?
  • Czy długość jest właściwa? W obu przypadkach płacisz za sekundę: 5 przy 2K lub 2.5 w H3 Max przy 768p. Najpierw sprawdź prompt na 5 sekundach i rozważ test w H3 Max przed generowaniem w 2K.

Testy przeprowadziliśmy 2026-08-03 na działającym modelu w PixelDojo: 24 generacje w dopasowanych parach, z tym samym seedem i tylko jedną zmienioną zmienną. Jeśli technika nie dawała mierzalnej różnicy, piszemy to wprost, zamiast powielać zalecenia.