Guía de prompts MiniMax H3: multi-escena, cámara y diálogo

La mayoría de los prompts de H3 son un párrafo de descripción que deja al modelo adivinando. El modelo está hecho para más. Acepta una línea de tiempo por shot con instrucciones de cámara, IDs de hablantes y bloques de diálogo, y distribuye su guía de escritura de prompts en el repositorio del modelo.

Esta guía sigue esa estructura oficial: los tres campos centrales, la sintaxis de shot para clips multi-escena, el vocabulario de movimiento de cámara y el formato de diálogo con voiceover y transiciones de escena.

TL;DR

• Un prompt de H3 tiene tres campos, en este orden: integrated_multimodal_description, overall_soundscape, non_diegetic_music guía de escritura de prompts del H3.
• Multi-escena significa shots numerados: [Shot 1] sin timestamp, luego [Shot 2] At 00:03.500, the camera cuts to... con tiempos de corte estrictamente crecientes guía de escritura de prompts del H3.
• El movimiento de cámara es tipo + amplitud + velocidad, escrito como acción natural: the camera pushes in with small amplitude at slow speed guía de escritura de prompts del H3.
• El diálogo usa IDs de hablante estables como (S1) y texto dentro de <d>[English] ...</d>. Las palabras se conservan tal cual, sin traducción guía de escritura de prompts del H3.
• El techo del prompt es 7.000 caracteres, un conteo de caracteres, no tokens reglas de validación de minimax-h3-spec.
• H3 soporta estable el diálogo en 11 idiomas: árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español README de MiniMax H3 en GitHub.

Los tres campos centrales

Cada cuerpo de prompt de H3 termina en los mismos tres campos, en este orden guía de escritura de prompts del H3:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description es el cuerpo principal. Lleva visuales, acciones, shots, hablantes, diálogo, canto y audio diégético a lo largo de la línea de tiempo. Cada detalle debe corresponder a algo visible o audible.
• overall_soundscape es de 1 a 4 frases resumiendo sonido ambiental, sonidos de acción física y sonidos humanos no verbales en todo el vídeo. El diálogo y la música diégética ya viven en la descripción multimodal, así que no los repitas aquí. Usa N/A solo para un vídeo totalmente silencioso a petición.
• non_diegetic_music es de 1 a 3 frases de banda sonora que los personajes no pueden oír y solo puede oír la audiencia. Céntrate en instrumentación, tempo, ritmo y dinámicas. No palabras de ánimo. Usa N/A cuando no la haya.

El repositorio del modelo lo empaqueta como una skill instalable, nueve skills en total, ocho de ellas generadores de estilos específicos README de MiniMax H3 en GitHub:

npx skills add https://github.com/MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing

Funciona en cualquier agente que pueda leer archivos locales, sin llamadas a APIs externas README de MiniMax H3 en GitHub.

Multi-escena: la estructura de shots

Un prompt multi-escena es una línea de tiempo, no una lista. Las reglas de la guía oficial guía de escritura de prompts del H3:

1. [Shot 1] abre sin timestamp. Declara el estilo general y la composición inicial primero. Anclas de estilo comunes: Cinematic, live-action, 2D-animated, 3D CG, claymation, watercolor, vintage film.
2. Los shots siguientes usan números secuenciales y empiezan con un tiempo de corte estrictamente creciente dentro de la duración del vídeo: [Shot 2] At 00:03.500, the camera cuts to...
3. Los cortes usan frases simples: the camera cuts to, the shot transitions to, the shot changes to. Cross-dissolve, fade o wipe solo cuando se pida explícitamente.
4. Cada corte debe introducir información nueva sobre sujeto, espacio, estado, punto de vista o tiempo. Si solo cambia la distancia un poco, usa movimiento de cámara en vez de un corte.

Un ejemplo T2VA de dos shots, directamente de la guía guía de escritura de prompts del H3:

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: <d>[English] First batch of the morning.</d> [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.

overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.

El tiempo de corte es donde empieza el nuevo shot, no donde termina el anterior. Esa distinción impide que los clips multi-escena colapsen en una toma estática.

Movimiento de cámara: tipo, amplitud, velocidad

Una expresión completa de cámara tiene tres dimensiones guía de escritura de prompts del H3:

Amplitud y velocidad son opcionales. Medio y normal suelen omitirse. Escribe el movimiento como una acción natural en inglés dentro del shot, no como etiquetas apiladas al final de la frase guía de escritura de prompts del H3:

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.
The camera holds a static shot as the runner exits the frame.

Diálogo, hablantes y voiceover

Los hablantes reciben IDs estables: (S1), (S2). Un hablante mantiene el mismo ID entre shots. Los personajes que nunca vocalizan no reciben ID. Cuando dos hablantes numerados hablan a la vez, usa un ID compuesto como (S1,S2) guía de escritura de prompts del H3.

La primera vez que aparece un hablante, establece la identidad desde el contexto visual y sonoro: tipo de personaje, edad, género, dentro o fuera de escena, tono, timbre, ritmo, acento. Las palabras habladas van dentro de <d> con la etiqueta de idioma, y cada palabra original y cada puntuación se quedan tal cual. Sin traducción, sin reescritura guía de escritura de prompts del H3:

The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>

Tres reglas que atrapan la mayoría de los prompts de diálogo:

• Voiceover usa la frase exacta says in an off-screen voiceover, y los labios del personaje en pantalla se quedan cerrados, declarado explícitamente después del bloque <d>.
• Una línea que cruza un corte recibe <scenetrans> en los puntos de conexión en ambas partes, con la nota explícita de que el audio continúa a través del corte.
• Habla truncada por el final del vídeo recibe <cutoff>.

El texto en pantalla (carteles, letreros, subtítulos, neones) va entre comillas dobles en inglés, conservado tal cual: A red neon sign reading "营业中" glows above the doorway. guía de escritura de prompts del H3

Un prompt que ignora la estructura sigue siendo una petición legal. Solo tiende a producir vídeo peor reglas de validación de minimax-h3-spec.

Modos con keyframe: I2VA, FL2VA, L2VA

Cuando adjuntas imágenes, el prompt gana una instrucción de alineación como primera línea guía de escritura de prompts del H3:

• I2VA (una imagen, primer frame): For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. Después ancla estilo, sujetos, composición y escena en la imagen antes de describir lo que se desarrolla a partir de ella.
• FL2VA (dos imágenes, primera y última): How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video. Describe el camino entre los frames, no los frames en sí. Single-shot es el defecto para que el modelo interpole continuamente.
• L2VA (una imagen, último frame): la imagen ancla el momento final. Infiera un estado anterior plausible y describe la convergencia hacia la imagen de referencia.

El checkpoint H3-Base-FL2VA acepta cero, una o dos imágenes de entrada, lo que mapea a los workflows T2V, first/last-frame y first-and-last-frame README de MiniMax H3 en GitHub.

Modo full-reference (Ref2VA)

Ref2VA es el workflow multi-referencia: hasta 9 imágenes, 3 clips de vídeo, 3 clips de audio, 12 archivos en total README de MiniMax H3 en GitHub, reglas de validación de minimax-h3-spec. El prompt se reescribe en seis secciones en orden fijo: subject_definitions, summary, retention_analysis, detailed_description, overall_soundscape, non_diegetic_music guía de escritura de prompts del H3.

Las etiquetas de referencia se mantienen consistentes en todas las secciones: <Subject N> para contenido visible reutilizable (personas, objetos, estilos), <Picture N> para anclas de frame, <Video N> para estructura de vídeo completo, <Audio N> para audio copiado guía de escritura de prompts del H3. Una etiqueta, un significado, de la primera sección a la última.

Una trampa documentada en las reglas de validación: una petición ref2va con el bloque de referencias vacío se acepta, se cobra y se renderiza como text-to-video plano. Nada en la respuesta avisa de que faltaban las referencias reglas de validación de minimax-h3-spec.

Límites prácticos

El techo de 7.000 caracteres es generoso. Tocar ese límite suele significar que algo se está concatenando en bucle, no que el prompt se quedó sin sitio reglas de validación de minimax-h3-spec.

Para el contexto de hardware de lo que cuestan estos prompts a renderizar en local, ve la guía de VRAM y GPU de MiniMax H3. Las restricciones de duración y resolución que marcan el ritmo de un clip multi-escena están en cuántos segundos genera de verdad H3. El setup de ComfyUI para ejecutar estos prompts en local está en la guía de MiniMax H3 en ComfyUI.

Common errors and fixes

FAQ

Cómo hacer prompt en MiniMax H3? Usa la estructura de tres campos: integrated_multimodal_description con shots numerados y tiempos de corte, overall_soundscape en 1-4 frases, non_diegetic_music en 1-3 frases. Manténlo por debajo de 7.000 caracteres guía de escritura de prompts del H3, reglas de validación de minimax-h3-spec.

¿Puedes dar ejemplos de prompts de MiniMax H3? El repositorio del modelo trae una skill de escritura de prompts con casos resueltos para T2VA, I2VA, FL2VA y L2VA, incluyendo una escena de panadería de dos shots con diálogo y un corte a 00:05.000 README de MiniMax H3 en GitHub, guía de escritura de prompts del H3.

¿Cuáles son algunos consejos para MiniMax H3? Declara estilo y composición en el Shot 1, da a cada corte un timestamp estrictamente creciente, escribe el movimiento de cámara como tipo + amplitud + velocidad dentro de una frase natural y mantén el diálogo tal cual dentro de las etiquetas <d> con IDs de hablante estables guía de escritura de prompts del H3.

¿Cómo funciona MiniMax H3? Es un sistema omni-modal que toma contexto unificado de texto, imagen, vídeo y audio y genera vídeo con audio estéreo nativo de hasta 15 segundos en 2K. La estructura de prompt existe porque el modelo está entrenado para seguir líneas de tiempo a nivel de shot post de lanzamiento de MiniMax H3, model card de MiniMax H3.

¿MiniMax H3 hace vídeos multi-escena en una generación? Sí, hasta 15 segundos. Usa shots numerados con tiempos de corte dentro de la duración. Para historias más largas, genera segmentos de 8 segundos y encadena, ya que 8 segundos es la única duración exacta de la rejilla guía de escritura de prompts del H3, reglas de validación de minimax-h3-spec.

¿Qué idiomas soporta el diálogo de H3? Soporte estable para 11 idiomas: árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español. Idiomas adicionales funcionan en grados variables README de MiniMax H3 en GitHub.

Sources

• MiniMax-AI/MiniMax-H3 (GitHub) — Specs del modelo (24 fps, estéreo 32 kHz, 11 idiomas de diálogo), límites de entrada FL2VA/Ref2VA, skill h3-prompt-writing instalable.
• Guía de escritura de prompts del H3 (base-en.txt) — Tres campos centrales, sintaxis de shot/corte, tabla de movimiento de cámara, IDs de hablante, reglas de diálogo y voiceover, casos T2VA/I2VA/FL2VA/L2VA.
• minimax-h3-spec: Validation rules — Límite de 7.000 caracteres del prompt, forma esperada del prompt, degradación silenciosa del Ref2VA.
• MiniMax API: Video Generation — Parámetros de duración y resolución, límites de entrada de referencias.
• MiniMaxAI/MiniMax-H3 (Hugging Face) — Model card: contexto omni-modal, 15s en 2K, audio estéreo nativo.
• Post de lanzamiento de MiniMax H3 — Resumen oficial de capacidades: instrucciones multimodales complejas, audio estéreo, 2K.