Guia de prompt do MiniMax H3: multi-cena, câmera e diálogo

A maioria dos prompts de H3 é um parágrafo de descrição, e a maioria deles deixa o modelo adivinhar. O modelo foi feito para mais que isso. Ele recebe uma linha do tempo por shot com instruções de câmera, IDs de falantes e blocos de diálogo, e ele mesmo distribui um guia de escrita de prompt no repositório do modelo.

Este guia segue essa estrutura oficial. Você vai pegar os três campos centrais, a sintaxe de shot para clipes multi-cena, o vocabulário de movimento de câmera e o formato de diálogo com voiceover e transições de cena. Tudo abaixo vem da skill de prompt empacotada no repositório do MiniMax H3 e das regras de validação da API.

TL;DR

• Um prompt de H3 tem três campos, nesta ordem: integrated_multimodal_description, overall_soundscape, non_diegetic_music guia de escrita de prompt do H3.
• Multi-cena significa shots numerados: [Shot 1] sem timestamp, depois [Shot 2] At 00:03.500, the camera cuts to... com tempos de corte estritamente crescentes guia de escrita de prompt do H3.
• Movimento de câmera é tipo + amplitude + velocidade, escrito como ação natural: the camera pushes in with small amplitude at slow speed guia de escrita de prompt do H3.
• Diálogo usa IDs de falante estáveis como (S1) e texto dentro de <d>[English] ...</d>. As palavras ficam como estão, sem tradução guia de escrita de prompt do H3.
• O teto do prompt é 7.000 caracteres, contagem de caracteres, não tokens regras de validação do minimax-h3-spec.
• O H3 suporta estável diálogo em 11 idiomas: árabe, chinês, inglês, francês, alemão, italiano, japonês, coreano, português, russo e espanhol README do MiniMax H3 no GitHub.

Os três campos centrais

Todo corpo de prompt de H3 termina nos mesmos três campos, nesta ordem guia de escrita de prompt do H3:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description é o corpo principal. Carrega visuais, ações, shots, falantes, diálogo, canto e áudio diegético ao longo da linha do tempo. Cada detalhe deve corresponder a algo visível ou audível.
• overall_soundscape é de 1 a 4 frases resumindo som ambiente, sons de ação física e sons humanos não verbais em todo o vídeo. Diálogo e música diegética já estão na descrição multimodal, então não repita aqui. Use N/A só para vídeo totalmente silencioso a pedido.
• non_diegetic_music é de 1 a 3 frases de trilha que os personagens não escutam e só a audiência escuta. Foque em instrumentação, andamento, ritmo e dinâmicas. Não adjetivos de humor. Use N/A quando não houver.

O repositório do modelo empacota isso como uma skill instalável, nove skills no total, oito delas geradores de estilo específicos README do MiniMax H3 no GitHub:

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

Funciona em qualquer agente que consiga ler arquivos locais, sem chamadas de API externas README do MiniMax H3 no GitHub.

Multi-cena: a estrutura de shots

Um prompt multi-cena é uma linha do tempo, não uma lista. As regras do guia oficial guia de escrita de prompt do H3:

1. [Shot 1] abre sem timestamp. Declare o estilo geral e a composição inicial primeiro. Âncoras de estilo comuns: Cinematic, live-action, 2D-animated, 3D CG, claymation, watercolor, vintage film.
2. Shots seguintes usam números sequenciais e começam com um tempo de corte estritamente crescente dentro da duração do vídeo: [Shot 2] At 00:03.500, the camera cuts to...
3. Cortes usam frases simples: the camera cuts to, the shot transitions to, the shot changes to. Cross-dissolve, fade ou wipe só quando pedido explicitamente.
4. Cada corte deve introduzir informação nova sobre sujeito, espaço, estado, ponto de vista ou tempo. Se só a distância muda um pouco, use movimento de câmera em vez de corte.

Um exemplo T2VA de dois shots, direto do guia guia de escrita de prompt do 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.

Repare no corte em 00:05.000 dentro de um clipe que vai até 15 segundos. O tempo de corte é onde o novo shot começa, não onde o anterior termina. É essa distinção que impede clipes multi-cena de colapsarem em uma única tomada estática.

Movimento de câmera: tipo, amplitude, velocidade

Uma expressão completa de câmera tem três dimensões guia de escrita de prompt do H3:

Amplitude e velocidade são opcionais. Média e normal costumam ser omitidas. Escreva o movimento como uma ação natural em inglês dentro do shot, não como rótulos empilhados no fim da frase guia de escrita de prompt do 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, falantes e voiceover

Falantes recebem IDs estáveis: (S1), (S2). Um falante mantém o mesmo ID entre shots. Personagens que nunca vocalizam não recebem ID. Quando dois falantes numerados falam ao mesmo tempo, use um ID composto como (S1,S2) guia de escrita de prompt do H3.

Na primeira aparição de um falante, estabeleça a identidade a partir do contexto visual e sonoro: tipo de personagem, idade, gênero, dentro ou fora de cena, tom, timbre, ritmo, sotaque. As palavras faladas vão dentro de <d> com a tag de idioma, e cada palavra original e cada pontuação fica como estão. Sem tradução, sem reescrita guia de escrita de prompt do H3:

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

Três regras que pegam a maioria dos prompts de diálogo:

• Voiceover usa a frase exata says in an off-screen voiceover, e os lábios do personagem na tela ficam fechados, declarado explicitamente depois do bloco <d>.
• Uma fala que cruza um corte recebe <scenetrans> nos pontos de conexão nas duas partes, com a nota explícita de que o áudio continua através do corte.
• Fala cortada pelo fim do vídeo recebe <cutoff>.

Texto na tela (faixas, placas, legendas, neon) vai em aspas duplas em inglês, preservado como está: A red neon sign reading "营业中" glows above the doorway. guia de escrita de prompt do H3

Os docs da API esperam o prompt na mesma forma em três partes, sujeito, ação e câmera, som, com tags de falante (S1) e (S2) para diálogo. Um prompt que ignora a estrutura continua sendo um pedido válido. Ele só tende a produzir vídeo pior regras de validação do minimax-h3-spec.

Modos com keyframe: I2VA, FL2VA, L2VA

Quando você anexa imagens, o prompt ganha uma instrução de alinhamento como primeira linha guia de escrita de prompt do H3:

• I2VA (uma imagem, primeiro frame): For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. Depois ancora estilo, sujeitos, composição e cena na imagem antes de descrever o que se desenvolve a partir dela.
• FL2VA (duas imagens, primeira e 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. Descreva o caminho entre os frames, não os frames em si. Single-shot é o padrão para o modelo interpolar continuamente.
• L2VA (uma imagem, último frame): a imagem ancora o momento final. Infira um estado anterior plausível e descreva a convergência para a imagem de referência.

O checkpoint H3-Base-FL2VA aceita zero, uma ou duas imagens de entrada, o que mapeia para os workflows T2V, first/last-frame e first-and-last-frame README do MiniMax H3 no GitHub.

Modo full-reference (Ref2VA)

Ref2VA é o workflow multi-referência: até 9 imagens, 3 clipes de vídeo, 3 clipes de áudio, 12 arquivos no total README do MiniMax H3 no GitHub, regras de validação do minimax-h3-spec. O prompt reescreve em seis seções em ordem fixa: subject_definitions, summary, retention_analysis, detailed_description, overall_soundscape, non_diegetic_music guia de escrita de prompt do H3.

Os rótulos de referência ficam consistentes em todas as seções: <Subject N> para conteúdo visível reutilizável (pessoas, objetos, estilos), <Picture N> para âncoras de frame, <Video N> para estrutura de vídeo inteiro, <Audio N> para áudio copiado guia de escrita de prompt do H3. Um rótulo, um significado, da primeira seção à última.

Uma armadilha documentada nas regras de validação: um pedido ref2va com o bloco de referências vazio é aceito, cobrado e renderizado como text-to-video puro. Nada na resposta avisa que as referências faltaram regras de validação do minimax-h3-spec.

Limites práticos

O teto de 7.000 caracteres é generoso. Batê neles geralmente significa que algo está sendo concatenado em loop, não que o prompt esgotou o espaço regras de validação do minimax-h3-spec.

Para o contexto de hardware do que esses prompts custam para renderizar localmente, veja o guia de VRAM e GPU do MiniMax H3. As restrições de duração e resolução que definem o ritmo de um clipe multi-cena estão em quantos segundos o H3 realmente gera. O setup do ComfyUI para rodar esses prompts localmente está no guia do MiniMax H3 no ComfyUI.

Common errors and fixes

FAQ

Como fazer prompt no MiniMax H3? Use a estrutura de três campos: integrated_multimodal_description com shots numerados e tempos de corte, overall_soundscape em 1-4 frases, non_diegetic_music em 1-3 frases. Mantenha abaixo de 7.000 caracteres guia de escrita de prompt do H3, regras de validação do minimax-h3-spec.

Você pode dar exemplos de prompt do MiniMax H3? O repositório do modelo traz uma skill de escrita de prompt com casos resolvidos para T2VA, I2VA, FL2VA e L2VA, incluindo uma cena de padaria de dois shots com diálogo e corte em 00:05.000 README do MiniMax H3 no GitHub, guia de escrita de prompt do H3.

Quais são algumas dicas para o MiniMax H3? Declare estilo e composição no Shot 1, dê a cada corte um timestamp estritamente crescente, escreva movimento de câmera como tipo + amplitude + velocidade dentro de uma frase natural e mantenha o diálogo como está dentro das tags <d> com IDs de falante estáveis guia de escrita de prompt do H3.

Como o MiniMax H3 funciona? É um sistema omni-modal que recebe contexto unificado de texto, imagem, vídeo e áudio e gera vídeo com áudio estéreo nativo de até 15 segundos em 2K. A estrutura de prompt existe porque o modelo é treinado para seguir linhas do tempo por shot post de lançamento do MiniMax H3, model card do MiniMax H3.

O MiniMax H3 faz vídeo multi-cena em uma geração? Sim, até 15 segundos. Use shots numerados com tempos de corte dentro da duração. Para histórias mais longas, gere segmentos de 8 segundos e emende, já que 8 segundos é a única duração exata da grade guia de escrita de prompt do H3, regras de validação do minimax-h3-spec.

Quais idiomas o diálogo do H3 suporta? Suporte estável para 11 idiomas: árabe, chinês, inglês, francês, alemão, italiano, japonês, coreano, português, russo e espanhol. Idiomas adicionais funcionam em graus variados README do MiniMax H3 no GitHub.

Sources

• MiniMax-AI/MiniMax-H3 (GitHub) — Specs do modelo (24 fps, estéreo 32 kHz, 11 idiomas de diálogo), limites de entrada FL2VA/Ref2VA, skill h3-prompt-writing instalável.
• Guia de escrita de prompt do H3 (base-en.txt) — Três campos centrais, sintaxe de shot/corte, tabela de movimento de câmera, IDs de falante, regras de diálogo e voiceover, casos T2VA/I2VA/FL2VA/L2VA.
• minimax-h3-spec: Validation rules — Limite de 7.000 caracteres do prompt, forma esperada do prompt, degradação silenciosa do Ref2VA.
• MiniMax API: Video Generation — Parâmetros de duração e resolução, limites de entrada de referência.
• MiniMaxAI/MiniMax-H3 (Hugging Face) — Model card: contexto omni-modal, 15s em 2K, áudio estéreo nativo.
• Post de lançamento do MiniMax H3 — Resumo oficial de capacidades: instruções multimodais complexas, áudio estéreo, 2K.