ArtificialGuyBR

Home / Blog / AI video

Skill de prompt MiniMax H3: o formato exato em que o modelo foi treinado

Skill de agente que escreve prompts de vídeo MiniMax H3 no formato de treino — timestamps de plano, tags de diálogo, campos de soundscape e regras de duração…

2 sources cited AI video

On this page

  1. TL;DR
  2. O que é e para quem
  3. O que ela faz
  4. Como usar
  5. O que tem dentro da skill
  6. Quando usar, quando não usar
  7. O que fica sem verificação
  8. Sources
  9. FAQ

Skill de prompt MiniMax H3: o formato exato em que o modelo foi treinado

TL;DR

  • A skill transforma uma ideia, uma imagem ou uma referência de clipe em prompt no formato de treino do MiniMax H3, em vez de prosa livre — o README chama esse formato de "a maior alavanca de qualidade" do modelo.
  • Primeiro ela escolhe um dos cinco modos: T2VA (só texto), I2VA (imagem como primeiro frame), FL2VA (primeiro e último frame), L2VA (imagem como último frame) e Ref2VA (referências soltas de estilo, movimento ou voz).
  • Ela copia o formato literal de references/base-en.txt e references/ref-en.txt: tarefas de referência numeradas, timestamps [Shot N] At MM:SS.mmm, movimentos de câmera com tipo + amplitude + velocidade, diálogo em <d>[Language] …</d> e os dois campos obrigatórios de soundscape.
  • Regras de duração e proporção são documentadas por interface — API direta, grade de frames local ou provedor — porque não se transferem entre superfícies.

O que é e para quem

O MiniMax H3 Prompt Writer é uma skill de agente para o MiniMax H3, o modelo de vídeo omni-modal que gera áudio nativo sincronizado — diálogo, efeitos sonoros e música — a partir de prompts estruturados em inglês. O H3 lê o prompt como um contrato, então um prompt escrito como prosa solta desperdiça o modelo.

A skill é para quem já gera clipes no H3 e continua recebendo quase-acertos: número de cortes errado, diálogo que deriva, áudio que ignora a cena. Em vez de mais uma lista de dicas, ela escreve o prompt que o modelo foi treinado para ler.

O que ela faz

O README lista cinco funções:

  • Roteia a entrada para o modo certo. T2VA para texto puro, I2VA quando a imagem é o primeiro frame, FL2VA para primeiro e último frame, L2VA quando a imagem é o último frame, Ref2VA quando as imagens são referências soltas de estilo, movimento ou voz. Ela faz uma única pergunta de roteamento, e só quando o modo é realmente ambíguo.
  • Copia o formato de treino literalmente. Tarefas de referência numeradas, timestamps [Shot N] At MM:SS.mmm, movimentos de câmera descritos por tipo, amplitude e velocidade, diálogo em <d>[Language] …</d> com IDs de falante estáveis, texto em tela entre aspas e os dois campos obrigatórios de soundscape.
  • Acerta duração e proporção por interface. Pela API direta, T2VA exige uma proporção concreta enquanto I2VA segue a imagem e ignora uma proporção conflitante. Localmente, a grade de frames é 17*n+5 a 24fps. O README é explícito: não há transferência de schema entre superfícies, e ele cobre orçamentos de segmento e o alinhamento de duas casas decimais que FL2VA e L2VA exigem.
  • Se autovalida em silêncio. Um checklist mecânico roda antes da saída — linha de alinhamento, ordem dos campos, timestamps, tags fechadas, texto entre aspas, orçamento de comprimento — e o usuário só vê o prompt final.
  • Repara falhas localmente. Cole o que deu errado e ela carrega references/troubleshooting.md, diagnostica sintoma → causa e emite um prompt de reparo que reaproveita o clipe bom como referência e nomeia o defeito com precisão.

Como usar

Copie a pasta para a pasta de skills do seu agente:

git clone https://github.com/artificialguybr/minimax-h3-prompt-skill.git
cp -R minimax-h3-prompt-skill ~/.claude/skills/

O SKILL.md carrega sob demanda e os arquivos de referência carregam de forma preguiçosa, então mantenha os caminhos relativos intactos. Depois peça um prompt H3 no formato que precisar: uma cena com duração, proporção e idioma do diálogo; um frame de abertura e outro de fechamento para FL2VA; ou um reparo para um clipe com defeito específico.

A saída é só o prompt formatado — sem comentário, sem cerca de código. Peculiaridades de ambiente já estão embutidas, como CFG=1 tornando negative prompts inúteis e o fluxo de trabalhar primeiro em baixa resolução.

O que tem dentro da skill

O SKILL.md é um roteador compacto e os arquivos de referência carregam sob demanda: capacidades e papéis de entrada, formato de treino de T2VA/I2VA/FL2VA/L2VA em base-en.txt e de Ref2VA em ref-en.txt, direção de plano, áudio e voz, formato livre de provedor hospedado, briefing de edição, exemplos, um arquivo de solução de problemas sintoma-causa, um ledger de evidências com 18 fontes primárias em três níveis de confiança e achados de comunidade marcados como experimentais. Um linter scripts/lint_prompt.py confere o prompt mecanicamente.

Quando usar, quando não usar

Use sempre que o prompt precisar sobreviver ao contato com o H3: cenas multi-plano, diálogo com idioma específico, efeitos sonoros amarrados a uma ação ou uma rodada de reparo depois de um take ruim. O formato estruturado é o que impede um corte de cinco segundos de virar seis.

Não use como garantia de clipe bom. O README é honesto nisso: um prompt perfeitamente formatado ainda gera takes estocásticos, e a correção é regerar seletivamente em vez de reescrever tudo. E não carregue schema de uma superfície para outra — o ponto da skill é justamente que API, diffusers/ComfyUI local e provedores hospedados têm regras próprias, então um formato que funciona na API pode estar errado localmente.

Pule também se você gera H3 por um provedor que aceita prompt livre: o formato references/freeform-en.txt existe para esse caso, com blocos [0s-3s] em vez do formato de treino.

O que fica sem verificação

O README marca os achados de comunidade sobre LoRAs locais, faixas de velocidade e encadeamento de vídeo longo como experimentais em references/experimental-local.md, separados dos fatos documentados. Tudo é documentado por interface, com um ledger de 18 fontes primárias em três níveis de confiança. Trate o arquivo experimental como ponto de partida, não como especificação.

A skill foi construída seguindo a estrutura do skill-creator e tem licença MIT.

Sources

  1. MiniMax H3 Prompt Writer — repositório — modos, campos de formato, regras de duração por interface, tabela de estrutura e limites honestos citados acima.
  2. README.md — comandos de instalação, exemplos de uso, licença.

Página do projeto: MiniMax H3 Prompt Writer

Para o formato por trás, veja o guia de prompt MiniMax H3 multicena e, para o custo do modelo por segundo em cada resolução, H3 segundos por resolução.

FAQ

Qual modo escolher para uma imagem parada? I2VA quando a imagem é o primeiro frame, ou L2VA quando é o último. T2VA é só texto, e Ref2VA aceita referências soltas de estilo, movimento ou voz em vez de um frame exato.

A skill escreve o prompt em inglês? Sim. O H3 foi treinado com prompts estruturados em inglês, então o prompt é em inglês mesmo quando o diálogo dentro das tags <d> está em outro idioma.

Por que a grade local é 17*n+5? Porque é a regra de contagem de frames local a 24fps, documentada separadamente dos campos de duração e proporção da API direta, justamente para não transferir regra entre superfícies.