Skill de prompt MiniMax H3: el formato exacto con el que se entrenó el modelo
Skill de agente que escribe prompts de vídeo MiniMax H3 en el formato de entrenamiento — timestamps de plano, etiquetas de diálogo, campos de soundscape y re…
On this page
Skill de prompt MiniMax H3: el formato exacto con el que se entrenó el modelo
TL;DR
- La skill convierte una idea, una imagen o una referencia de clip en un prompt en el formato de entrenamiento de MiniMax H3, en vez de prosa libre — el README llama a ese formato "la mayor palanca de calidad" del modelo.
- Primero elige uno de cinco modos: T2VA (solo texto), I2VA (imagen como primer frame), FL2VA (primer y último frame), L2VA (imagen como último frame) y Ref2VA (referencias sueltas de estilo, movimiento o voz).
- Copia el formato literal de
references/base-en.txtyreferences/ref-en.txt: tareas de referencia numeradas, timestamps[Shot N] At MM:SS.mmm, movimientos de cámara con tipo + amplitud + velocidad, diálogo en<d>[Language] …</d>y los dos campos obligatorios de soundscape. - Las reglas de duración y proporción están documentadas por interfaz — API directa, rejilla de frames local o proveedor — porque no se transfieren entre superficies.
Qué es y para quién
MiniMax H3 Prompt Writer es una skill de agente para MiniMax H3, el modelo de vídeo omni-modal que genera audio nativo sincronizado — diálogo, efectos de sonido y música — a partir de prompts estructurados en inglés. H3 lee el prompt como un contrato, así que un prompt escrito como prosa suelta desperdicia el modelo.
La skill es para quien ya genera clips en H3 y sigue recibiendo casi-aciertos: número de cortes equivocado, diálogo que se desvía, audio que ignora la escena. En vez de otra lista de consejos, escribe el prompt que el modelo fue entrenado para leer.
Qué hace
El README enumera cinco funciones:
- Enruta la entrada al modo correcto. T2VA para texto puro, I2VA cuando la imagen es el primer frame, FL2VA para primer y último frame, L2VA cuando la imagen es el último frame, Ref2VA cuando las imágenes son referencias sueltas de estilo, movimiento o voz. Hace una sola pregunta de enrutado, y solo cuando el modo es realmente ambiguo.
- Copia el formato de entrenamiento al pie de la letra. Tareas de referencia numeradas, timestamps
[Shot N] At MM:SS.mmm, movimientos de cámara descritos por tipo, amplitud y velocidad, diálogo en<d>[Language] …</d>con IDs de hablante estables, texto en pantalla entre comillas y los dos campos obligatorios de soundscape. - Acierta duración y proporción por interfaz. En la API directa, T2VA exige una proporción concreta mientras I2VA sigue la imagen e ignora una proporción en conflicto. En local, la rejilla de frames es
17*n+5a 24fps. El README es explícito: no hay transferencia de schema entre superficies, y cubre presupuestos de segmento y la alineación de dos decimales que exigen FL2VA y L2VA. - Se autovalida en silencio. Un checklist mecánico corre antes de la salida — línea de alineación, orden de campos, timestamps, etiquetas cerradas, texto entre comillas, presupuesto de longitud — y el usuario solo ve el prompt final.
- Repara fallos en local. Pega lo que salió mal y carga
references/troubleshooting.md, diagnostica síntoma → causa y emite un prompt de reparo que reutiliza el clip bueno como referencia y nombra el defecto con precisión.
Cómo usarla
Copia la carpeta en el directorio de skills de tu agente:
git clone https://github.com/artificialguybr/minimax-h3-prompt-skill.git
cp -R minimax-h3-prompt-skill ~/.claude/skills/El SKILL.md carga bajo demanda y los archivos de referencia cargan de forma perezosa, así que mantén las rutas relativas intactas. Después pide un prompt H3 en la forma que necesites: una escena con duración, proporción e idioma del diálogo; un frame de apertura y otro de cierre para FL2VA; o una reparación para un clip con un defecto concreto.
La salida es solo el prompt formateado — sin comentario, sin bloque de código. Las peculiaridades de entorno ya están incorporadas, como CFG=1 volviendo inútiles los negative prompts y el flujo de trabajar primero en baja resolución.
Qué hay dentro de la skill
El SKILL.md es un enrutador compacto y los archivos de referencia cargan bajo demanda: capacidades y roles de entrada, formato de entrenamiento de T2VA/I2VA/FL2VA/L2VA en base-en.txt y de Ref2VA en ref-en.txt, dirección de plano, audio y voz, formato libre de proveedor alojado, briefing de edición, ejemplos, un archivo de solución de problemas síntoma-causa, un libro de evidencias con 18 fuentes primarias en tres niveles de confianza y hallazgos de comunidad marcados como experimentales. Un linter scripts/lint_prompt.py comprueba el prompt mecánicamente.
Cuándo usarla, cuándo no
Úsala siempre que el prompt tenga que sobrevivir al contacto con H3: escenas multi-plano, diálogo con idioma concreto, efectos de sonido atados a una acción o una ronda de reparación tras un take malo. El formato estructurado es lo que impide que un corte de cinco segundos acabe siendo seis.
No la uses como garantía de clip bueno. El README es honesto: un prompt perfectamente formateado sigue dando takes estocásticos, y la corrección es regenerar de forma selectiva en vez de reescribir todo. Y no cargues un schema de una superficie a otra — el punto de la skill es justamente que API, diffusers/ComfyUI local y proveedores alojados tienen reglas propias, así que un formato que funciona en la API puede estar mal en local.
Sáltala también si generas H3 por un proveedor que acepta prompt libre: el formato references/freeform-en.txt existe para ese caso, con bloques [0s-3s] en vez del formato de entrenamiento.
Qué queda sin verificar
El README marca los hallazgos de comunidad sobre LoRAs locales, niveles de velocidad y encadenado de vídeo largo como experimentales en references/experimental-local.md, separados de los hechos documentados. Todo está documentado por interfaz, con un libro de 18 fuentes primarias en tres niveles de confianza. Trata el archivo experimental como punto de partida, no como especificación.
La skill se construyó siguiendo la estructura de skill-creator y tiene licencia MIT.
Sources
- MiniMax H3 Prompt Writer — repositorio — modos, campos de formato, reglas de duración por interfaz, tabla de estructura y límites honestos citados arriba.
- README.md — comandos de instalación, ejemplos de uso, licencia.
Página del proyecto: MiniMax H3 Prompt Writer
Para el formato por detrás, mira la guía de prompt MiniMax H3 multiescena y, para el costo del modelo por segundo en cada resolución, H3 segundos por resolución.
FAQ
¿Qué modo elegir para una imagen fija? I2VA cuando la imagen es el primer frame, o L2VA cuando es el último. T2VA es solo texto, y Ref2VA acepta referencias sueltas de estilo, movimiento o voz en vez de un frame exacto.
¿La skill escribe el prompt en inglés? Sí. H3 se entrenó con prompts estructurados en inglés, así que el prompt es en inglés incluso cuando el diálogo dentro de las etiquetas <d> está en otro idioma.
¿Por qué la rejilla local es 17*n+5? Porque es la regla de conteo de frames local a 24fps, documentada aparte de los campos de duración y proporción de la API directa, justamente para no transferir regla entre superficies.