MiniMax H3 提示詞指南
這份 MiniMax H3 提示詞指南,來自線上正式模型的實際生成測試。涵蓋分段時間、真正能呈現的畫面文字、參考圖片、首尾影格、模型不肯照做的運鏡,以及聲音指令。也收錄兩種我們未能證實有效的技巧。
這份 MiniMax H3 提示詞指南,帶你掌握文字、首幀搭配選用尾幀,以及最多九張參考圖片的影片生成方式。MiniMax H3 一律輸出 2K、每秒 24 格的影片,立體聲音軌也包含在同一個檔案中。本文接近尾聲處會另闢章節介紹 H3 Max,它改以 768p 或 480p 生成,768p 每秒 2 點數,480p 每秒 1.5 點數。影片長度為 5 到 15 秒,提示詞欄位最多可輸入 7,000 個字元,一次請求就能放進完整分鏡表與聲音設計。
本指南根據即時模型的實際生成結果撰寫,不是照著規格表整理。下方每支影片都來自這些測試,並保留模型原始輸出解析度。有效的技巧,我們提供範本;廣為流傳、卻在測試中沒有可量測差異的技巧,我們也直接說清楚。
提示詞要求一張標題卡,以白色窄體全大寫字母顯示「CHAPTER ONE」。一次生成就拿到指定結果,拼字正確,排版乾淨。
模式由你附上的素材決定,不是從下拉選單選。沒附媒體就是文字轉影片。附上首幀,可選擇搭配尾幀,就是圖片轉影片。素材若是作為參考,而非直接作為某一幀畫面,就是參考素材轉影片。
在 Seedance 和 WAN 養成的提示詞習慣,大多可以直接沿用,但其中兩種技巧在這裡的作用比預期小。下表每一列都做了成對測試:相同主體、相同種子碼、相同長度,只改變要測試的技巧。
| 技巧 | MiniMax H3 生成結果 | 實測觀察 |
|---|---|---|
| 逐字指定畫面文字 | 有效,文字呈現確實是強項 | 兩組測試都產出乾淨、拼字正確的標題卡。逐字指定文字不是讓文字出現的關鍵,而是決定出現哪些字、如何排版:描述版自行寫出襯線字體的「CHAPTER I」,逐字指定版則依要求,產出窄體全大寫的「CHAPTER ONE」。 |
| 依主體、場景、動作、鏡頭、音訊排序 | 有效,提升的是控制力,不是品質 | 只用四個字的極簡提示詞,也能產出像樣的影片,但模型會自己編排:兩個鏡位,加上一次剪接。結構化版本則維持一鏡到底,並完成指定的單次推鏡。 |
| 以括號標示定時節拍 | 有效,價值在於落實結束狀態 | 在 10 秒版本中,一般寫法就已經正確完成三個動作的順序。加上時間分段後,還能達成指定的結束狀態,包括第一段結束後空無一人的長椅。 |
| 把鏡頭指令改寫成明確禁令 | 有效,值得寫進提示詞 | 「畫面完全不動」,再列出要避免的運鏡,整支影片就能維持穩如磐石的固定畫面。 |
| 用可見行為取代情緒詞 | 有效 | 明確寫出的肢體線索,例如視線固定朝下、手指不動、肩膀抬起,都會被照字面執行,並維持整支影片。只寫「她看起來焦慮又緊張」,得到的反而是制式的對鏡頭表演。 |
| 首尾影格 | 有效,而且精準到位 | 同時提供首尾影格後,影片從指定的開場畫面開始,最後精準落在指定的結尾畫面,連空碼頭上盤起的繩索都吻合。 |
| 替每張參考圖片分配任務 | 選用:H3 本身就能乾淨合成 | 共做兩組配對測試,其中一組刻意提高難度,包含人物、白底商品與空房間。沒有指定素材用途的那組,合成表現一樣好:臉、包包、房間都正確,商品的白底也不必交代就自動排除。 |
| 排除清單 | 選用的額外防線 | 兩組配對測試中,H3 都自行避開了禁止元素。簡短的負面清單能再加一道防線,例如防止多餘的店面文字出現。 |
重點速讀:結構、時間安排、鏡頭限制、可觀察行為,以及逐字指定文字,都值得寫進提示詞。參考素材的用途與負面清單則是不增加費用的額外保險:H3 本身就能合成參考素材,並讓場景保持乾淨。
不必指定素材分工,H3 就能俐落整合參考素材,也會自行排除不需要的元素。這兩種技巧都不增加成本,留著當作額外保險,尤其當兩份參考素材容易混淆時,例如兩個人或兩個地點。
主體 + 動作 + 場景與環境 + 視覺風格 + 鏡頭 + 音訊
H3 很敢自行補足細節。沒指定鏡頭,它就會自己當導演,常常在五秒內切換兩種鏡位。想要一支完成度高的影片,這很划算;需要精準拍出特定鏡頭時,就不見得。把你在意的部分寫清楚,其餘交給它發揮。
<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>.
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.
完成度不錯,但完全是模型自己的作品。它先選了拉花注奶的微距鏡頭,再切到自行創造的咖啡師遠景。
一鏡到底。按要求推近,光線從指定側打入,最後停在濃縮咖啡流出的畫面。與精簡版使用相同種子碼。
兩支影片都很好看,而這正是測試結論。結構化提示詞是在 H3 原有的畫質之上,再加上精準執行指令的能力。鏡頭必須符合你腦中的畫面時,就用這套公式;樂於接受驚喜時,一句話就夠。
只要不只一個動作,就把影片寫成連續的時間段。每段只安排一個主要變化,並交代結束時畫面應該呈現什麼。真正發揮作用的是結束狀態:它給模型一個必須達成的檢查點,而不是一種要持續維持的氣氛。
<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>.
動作仍依正確順序展開。H3 擅長理解隱含順序,單純描述不會像在某些模型上那樣失控。
看看指定的結束狀態如何落實:輪子放上支架後,工作檯明確清空;輻條作業結束時,扳手仍握在他手中。
我們測試了 15 秒長度上限,安排五個節拍,每個三秒。前四個都按順序準時完成。實戰技巧:十五秒安排四個節拍,把最多時間留給收尾。
定中心、開孔、向上拉起坯壁、塑出杯口:四個段落,每個都準時到位。
清晰可讀的文字,是 H3 最突出的強項,也是它與我們測過的其他影片模型之間,最有感的實用差異。測試中的兩組都產生了清楚、拼字正確的文字。提示詞決定的是出現哪些字,以及如何排版。
畫面乾淨、拼字正確,但用詞與字體由模型決定:襯線字體的「CHAPTER I」。
指定字串完整呈現,字重、大小寫與置中位置都符合要求。種子碼與描述版相同。
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.
最多附上九張圖片,H3 就能合成同一個鏡頭:從一張取臉孔、另一張取產品、第三張取場景。H3 會自行判斷每張圖的用途:我們的兩次測試都不必交代,它就把正確的臉孔、產品與地點組合在一起。
Image1 是女子、Image2 是肩背包、Image3 是大廳,並明確要求不要使用商品的白色背景或攝影棚背景。
相同種子碼、相同圖片,只寫一句簡單指示。臉對、包對、房間也對,兩種不需要的背景都沒特別交代就被去除了。
前面以人物與地點兩張圖片進行的測試,結果也一樣。我們的解讀是,只要每份參考素材都只有一個合理的對應角色,H3 就會自行完成分配。寫明用途不增加費用,我們仍建議加上,因為只要兩份素材都可能對應同一個角色,模型就得猜。多寫一句,總比重跑一次便宜。
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.>
所有參考素材測試中,臉孔與髮型都保持一致。實用技巧:除了提供圖片,也在提示詞裡寫出每件服裝,例如「深藍色帆布外套」,讓服裝也鎖得一樣牢。
在 PixelDojo,參考素材採用圖片,是把指定臉孔、商品與場景鎖進同一個鏡頭的最快方式。
以上技巧足以處理搭配一到兩份參考素材的單一鏡頭。當提示詞包含多份素材與具名角色,就需要代號系統與固定版型。本節就是我們處理這類需求的架構,依據模型文件撰寫,而非來自我們自己的 A/B 系列測試。
用精簡標記指向附加素材:Image1、Video1、Audio1。數字前不要留空格。數字代表上傳順序,因此標記指向的,就是附加素材時該位置的檔案。動筆前先固定順序,不要寫到一半重新編號。要換素材,就替換檔案,不要換標記。
動筆前,先決定這個鏡頭要採用哪一種明確的分工規則。每種規則都會限定參考素材能控制哪些部分。一組提示詞只用一種規則,每份參考素材就能各司其職。
| 分工規則 | 參考素材控制項目 | 提示詞必寫內容 |
|---|---|---|
| 文字轉影片 | 未附任何素材 | 使用上方核心公式描述整個鏡頭。 |
| 首尾影格 | 起訖兩張圖片 | 哪張圖片開場、哪張收尾,再加上一個能合理串起兩者的動作。 |
| 全方位參考 | 角色身分、服裝、道具與地點 | 每張圖片指定一個任務,並列出合成後必須保留的特徵。 |
| 表演轉移 | 一支來源影片只提供動作 | 點名要複製的動作,並明確排除該影片中的人物、服裝與地點。 |
| 聲音轉移 | 一個音訊檔提供聲音 | 哪個角色使用該聲音說話、嘴型要同步,以及底層的室內環境聲。 |
| 指定修改 | 以一支影片為主 | 指定母版為唯一來源,逐項列出修改內容,以及所有不得更動的項目。 |
六種用法背後只有一個原則:一份素材只控制一件事,不該由它控制的部分都要寫清楚。「使用參考素材」不是指令,只是許願。
整支影片都必須一致的設定,放在分鏡清單上方,分區標示。分鏡清單只寫會改變的內容。主體數量、臉孔、服裝、道具、聲音,以及每個人的站位,這六項先在上方鎖定,所有段落就能沿用。
[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.>
畫面中的空間關係最常被忽略。說清楚誰站哪裡、每個人的視線看向何處,才能在鏡頭移動時維持視線連貫。
分鏡清單沿用本指南前面的定時節拍規則:時段連續且不重疊,每段只有一個主要事件,並寫明結束狀態。每段都要交代取景、鏡頭行為、動作、台詞,以及結束時的狀態。若只有一個連續動作,直接用一般敘述就好。括號是用來安排段落,不是裝飾。
分鏡清單之後,再用收尾區塊作結。這些內容描述的是整支影片,而非某一個段落,所以放在最下方,才不會被讀成一個步驟。
[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.
PixelDojo 目前開放圖片參考,因此 Image1 到 Image9 才是你實際能附加素材的標記。這裡也記錄 Video1 與 Audio1 的任務規則,因為模型讀得懂,而且「一份素材只負責一件事」的原則,也正是純圖片提示詞能穩定運作的關鍵。
附上首影格,H3 就會從那個畫面開始生成動態。再加上尾影格,就能補齊兩者之間的動作,這是模型提供最精準的控制方式。此模式的畫面比例由圖片決定,比例選單的設定不會生效。
提供的影格內容被保留並動了起來:他留在柱子旁轉頭,繩索隨風晃動。
同一張開場畫面。他向左走出畫面,影片最後精準落在提供的尾幀,空蕩的碼頭與盤起的繩索都完整保留。
H3 直接看得懂攝影術語,也很愛運鏡:不特別限制時,它會用靈活、輕柔移動的鏡頭跟隨動作。想要固定鏡位,就列出不要出現的運鏡,它就能把畫面穩穩鎖住。
鏡頭自然移動,跟著她工作的動作走。
整支影片維持同一個固定鏡位。只有園丁與噴灑的水在動。與無聲版使用相同種子碼。
Locked-off static <wide / medium / close> shot. No push in, no handheld, no zoom, no dolly. The frame never moves.
想讓鏡頭移動時,就指定一種運動,並描述畫面會如何改變。「緩慢推近,直到濃縮咖啡液流的特寫」就確實照指令執行。實戰技巧:每個鏡頭術語都搭配你想看到的畫面變化,H3 就能做到。
情緒詞是表演的摘要,不是表演本身的描述。改寫成攝影機看得見的內容:視線落在哪裡、雙手做什麼、呼吸如何變化、什麼部位保持不動。
一般的對鏡頭表演。小提琴放在她腿上,指令最後只化成表情,沒有轉成具體動作。
視線盯著地板、手指緊握小提琴琴頸、雙肩聳起。模型逐項照做,並維持整支影片。
<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>.
每支影片都自帶立體聲音軌,所以聲音不是被動接收,而是由你下指令。依發生順序列出聲音,說清楚底下持續鋪什麼,也說清楚哪些聲音不該出現。
持續鋪底的背景聲。整支影片量測下來約為 −32 dB,變化很小。
畫面相同,但音軌由具體事件構成:安靜段落的底噪約為 −45 dB,敲擊與淬火發生時,瞬間峰值可達 −23 dB。
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.
音量會跟著場景走,所以安靜場景真的會呈現自然的安靜。我們的湖畔與後台影片平均音量約為 −44 dB,比熱鬧場景低約 25 dB。最終響度請在剪輯時設定。
排除項目直接寫進提示詞,用一般句子表達即可。H3 本來就會讓場景保持乾淨,所以簡短的排除指令是最後一道防線,不是必要條件。
依照要求,露台空無一人。
同樣是空無一人的露台:H3 自己就讓場景保持乾淨。
前面那組湖上小船的配對測試也是如此。因此,實際建議比「負面提示詞特別有效」更精確:用它限制模型愛自行加入的元素,在我們的測試中就是畫面文字與鏡頭運動。別指望負面提示詞能移除場景暗示會出現的主體。如果畫面不該有人,就描述一個空無一人的地方,而不是描述某個地方再禁止人物出現。
H3 的六種長寬比皆以 2K 輸出:21:9、16:9、4:3、1:1、3:4、9:16。直式是真正的 1440 × 2560,不是橫式裁切,社群素材值得直接用原生比例生成,不必事後重構畫面。
專為手機螢幕設計的產品廣告:鏡頭上升、凝結水珠滑落,不是從寬幅畫面裁切而來。
| 設定 | 範圍 | 備註 |
|---|---|---|
| 片長 | 5 至 15 秒 | 以整秒計算,費用隨片長增加。 |
| 解析度 | H3:2K 或 768p。H3 Max:768p 或 480p | H3 只要附上首幀,就會強制輸出 2K。H3 Max 則在所有模式下都保留你選擇的解析度。 |
| 點數 | 每秒:2K 為 5,768p 為 2.5。H3 Max:768p 為 2.5,480p 為 2 | 5 秒 2K 影片需 20 點數,H3 Max 的 768p 則需 10 點數。完整 15 秒 2K 影片需 60 點數。使用參考影片時,生成影片每秒加收 4.5 點數;參考圖片超過第五張後,每張加收 1 點數。 |
| 提示詞長度 | 最多 7,000 字元 | 完整的分鏡清單加上聲音設計,都能輕鬆寫進去。 |
| 畫面比例 | 六種比例 | 首幀模式下不生效,畫面比例由圖片決定。 |
H3 每次生成都是 2K,廢片和好片的成本一樣。先用 5 秒測試畫面與聲音,再用滿意的提示詞生成需要的長度。只要 768p 足以判斷效果,H3 Max 就是更省點數的測試選擇。
H3 Max 是 MiniMax H3 針對效能調校、主打速度的版本。它讀得懂上面所有提示詞寫法,也一樣會自行生成同步音訊。支援首影格,並可選擇加入尾影格;同樣提供六種畫面比例,可生成 5 至 15 秒影片,快速輸出,768p 每秒 2 點數,480p 每秒 1.5 點數。
一鏡到底,依提示詞要求推近,從她的雙手開場,以濃縮咖啡流出的畫面收尾。2560 × 1440。
使用相同提示詞。它同樣維持一鏡到底並向前推進,從她的雙手開場,最後收在濃縮咖啡液流。肉眼可見的差別是畫面尺寸:1344 × 768,對比 2560 × 1440。
加入首影格不會像 H3 一樣,讓 H3 Max 跳到較高的計費級距。這次生成安排了開蓋揭曉的動作:前兩秒先合上盒子,同時讓鏡頭環繞,再從新角度重新打開。使用同一張靜態圖片與同一組提示詞的 480p 測試,完全沒有安排這段動作,所以這是模型做得到的效果,不是每次都會做的效果。
| 設定 | MiniMax H3 | H3 Max |
|---|---|---|
| 解析度 | 2K 或 768p | 768p 或 480p |
| 每秒點數 | 2K 為 5,768p 為 2.5,另加參考影片每秒 4.5,參考圖片超過第五張後每張加 1 | 768p 為 2.5,480p 為 2 |
| 5-second clip | 2K 為 20 點數,768p 為 12.5 點數 | 768p 為 10 點數,480p 為 7.5 點數 |
| 起始影格對計費的影響 | 強制使用 2K,因此圖片轉影片 5 秒需 20 點數 | 無。保留你選擇的解析度 |
| 參考圖片、影片、音訊 | 最多九張圖片、三支影片、三段音訊 | 不支援,僅支援首尾幀 |
| 片長 | 5 至 15 秒,以整秒設定 | 5 至 15 秒,以整秒設定 |
| 畫面比例 | 六種,從 21:9 到 9:16 | 六種,清單相同 |
| 實測生成時間 | 2026-08-26 測試,5 秒圖片轉影片約需 205 秒 | 24 to 33 seconds across three 5-second runs on 2026-09-01 |
想先驗證提示詞,再付 2K 的費用,就用 H3 Max。社群與商品影片只要 768p 就夠,或圖片轉影片的 2K 費率讓你吃不消,也適合選它。需要交付 2K,或鏡頭需要參考圖片、參考影片、參考音訊時,就繼續用 MiniMax H3。
於 2026-08-03 使用 PixelDojo 上的即時模型測試:共生成 24 次,以相同種子碼配對測試,每次只改一個變因。技巧若沒有帶來可量測的差異,本指南會直接說明,不照單全收。