短剧镜头视频提示词

references/minimax-h3.md

只在目标档案明确写 target_video_model: minimax-h3 时使用。推荐档案：

{
  "target_video_model": "minimax-h3",
  "video_prompt_dialect": "minimax-h3",
  "video_prompt_language": "en",
  "native_duration_seconds": {"min": 4, "max": 15},
  "supported_generation_modes": ["text", "first_frame", "first_last_frame", "reference"],
  "audio_generation": "same_pass"
}

H3 的结构字段用英文；这不等于把中文对白翻成英文。每句中文对白保持原文并写成 <d>[Chinese] 逐字台词</d>，由稳定说话人 ID 引出。不要在对白前增加外语、语气词或未写入剧本的开场句。

点名 MiniMax H3 只选定模型与方言，不表示创作者选了文生视频。当镜头需要人物、场景、道具或起始构图一致性时， 先按主 Skill 完成真实图片发现与缺口列表。有任何必要图片仍缺失时，不因 H3 同时支持 Base 模式就默默改用文生视频。

Base / 首帧 / 首尾帧

文生视频、首帧和首尾帧使用三段结构：

integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...

• integrated_multimodal_description 按 [Shot 1]、[Shot 2] 写画面、动作、说话人、逐字对白和同步声音； 单镜也保留 [Shot 1]。第一镜不加切镜时间戳，后续切镜用 [Shot 2] At 00:03.500, ...，时间递增且落在本次生成时长内。 小样本观察到切点接近要求，但仍有偏差；交付要求精确时应检查实际切点并在剪辑中调整。
• overall_soundscape 汇总环境声、物理音效和非语言人声，不重复对白；对白事件留在上面的主时间线。 无非画内配乐时写 non_diegetic_music: N/A，不要留空让模型补乐——这一条有实测支撑，见 无对白镜。
• 首帧模式从输入帧的可见姿态开始；首尾帧模式只能到达上游已接受终点，不发明过渡后的新状态。

无对白镜

在 overall_soundscape 写清全镜的环境声、音效或静默。 craft_default：优先描述需要的声轨；必要时可以补「无对白」，不因用了否定句判错。 人物嘴部状态按实际表演写，不能把无对白一律改成全程闭嘴。

无非画内配乐时保留 non_diegetic_music: N/A。小样本中省略这一层出现过额外配乐， 显式写空可作为 H3 的默认写法，不保证所有生成都遵守。 时间线总结只列本镜实际存在的声音层，不照抄包含对白的模板。

选哪一种模式

模式由本镜「输入参考图」里各槽位的 用途 决定，不由“想不想用多模态”决定：

本镜绑定的图	H3 模式	正文结构
没有图，且创作者已明确选择文生视频	Base（文生）	三段
只有一张 用途：起始帧	first_frame	三段
一张 用途：起始帧 + 一张 用途：结束帧	first_last_frame	三段
其他任何组合（起始帧与人物/地点/道具图同时存在，或只有人物/地点/道具图）	reference（full-reference）	六段

REF-... 和 PLAN-... 在这张表里同权：模式由 用途 组合决定，与图片此刻在不在项目里无关。 创作者在 H3 的网页界面里自己挂图时，正文照这张表写，顺序 就是他挂图的次序。

H3 官方另有只给尾帧、由模型推断开场的 L2VA 模式。本套件不使用它：开场由分镜已接受的起点决定， 把它交给模型推断会让 SHOT-... 的起点失去权威。因此 结束帧 只在同时绑定 起始帧 时出现。

第四行是最常见、也最容易写错的一种。H3 的首/尾帧输入与参考输入互斥，所以「起始帧 + 角色板 + 场景板」不能拆成 first_frame 加 reference_image：整组统一走 full-reference，起始帧也以 reference_image 送入，正文按下面的标签编号引用。用哪一种模式在《视频提示词.md》里由 用途 组合读出， 不写进「生成方式」字段——该字段仍只有「文生视频」和「图生视频」两个值。

Full-reference

任何 reference_image、reference_video 或 reference_audio 进入任务时，改用六段结构，段名和正文说明均用英文：

subject_definitions: ...
summary: ...
retention_analysis: ...
detailed_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...

这六段是一条提示词，一次整体提交。 它们是同一个 MOTION-... 的可复制正文，从第一段到最后一段 一起放进那一次生成的提示词框，不是六次生成、也不是只提交第一段。三段结构的 Base / 首帧 / 首尾帧同理。 默认一镜一次生成，下一镜换成它自己那条完整正文；几个镜头装进同一次生成的条件见 多镜容器。

素材标签怎么编号

正文用 <Picture N>、<Video N>、<Audio N> 指向本次 job 的实际素材，<Subject N> 指向可复用的可见内容。 编号按同类素材在本镜「输入参考图」里的 顺序 递增：第 1 张图片是 <Picture 1>，第 2 张是 <Picture 2>， 视频和音频各自从 1 开始。生产端 compiler 按同一顺序附加引用契约，所以文档里手写的编号必须和 顺序 一致； 两套编号不一致时模型会收到互相矛盾的素材说明，而接口不会报错。

因此写 full-reference 正文前，先把本镜的槽位按 顺序 列一遍，例如：

REF-SHOT-START（顺序：1；用途：起始帧）  -> <Picture 1>
REF-XIAOYU-SHEET（顺序：2；用途：身份）  -> <Picture 2>
REF-STUDY-PLATE（顺序：3；用途：地理）    -> <Picture 3>

这份清单不依赖文件路径，只依赖 顺序 和 用途，所以图片由创作者自己挂载时它照样成立： 把上面的 REF- 换成 PLAN-，定位符换成 SHOT-... 或 IMG-...，正文一个字都不用改。 创作者按 顺序 在生成界面里挂图，<Picture N> 就对得上。

PLAN-... 的图套件没有看过，所以 subject_definitions 和 retention_analysis 写的是 这张图按它的 用途 必须保留什么，事实取自《视觉设定.md》和本镜冻结关键帧，而不是对像素的观察结论。 两种槽位的句式相同：用途 决定保留什么，本来就不是看图看出来的。不要因为图没进项目就改写成 「未验证」或省略保留强度——那会让执行端收不到本镜真正的保留要求。

subject_definitions 把每个主体绑到它的标签上，句式为 <Subject 1> is the ... in <Picture 2>, with ...；retention_analysis 逐条写保留强度和出现的镜次， 视觉素材用 fully_preserved、partially_preserved、attribute_transfer、weak_reference， 音频素材用 fully_copy、partially_copy、reference、weak_reference，例如 <Subject 1> (appears in [Shot 1]): fully_preserved - 短发轮廓、连帽外套配色与鞋型保留。 每个标签在六段里保持同一写法，不留下没有定义的标签。

每张图带什么、不带什么

用途 决定这一张在正文里被要求保留什么，具体到哪几项由该槽位自己写下的 控制 范围决定。

需要保留构图时，在 控制 中点名构图、站位或机位高度。 不得控制 记录不应照搬的内容，生成后仍需检查实际参考影响，不能把文字声明当成模型保证。 本镜没有起始帧时，地点图会把景别拉宽，要在 detailed_description 里写具体取景，见 目标模型能力档案。

起始帧 只锚定开场构图与姿态，身份 锚定这个人跨镜不变的长相与体态（角色板同时固定本集造型时， 控制 里会写明）， 地理 只锚定空间关系，造型状态 只锚定服装与损污。把这条差异写进 retention_analysis， 不要让角色板顺带决定构图，也不要让场景板顺带决定人物长相。

角色始终使用同一个说话人 ID；中文对白只出现在 <d>[Chinese] ...</d> 内。禁字幕写进可见文字约束， 与获准的画内文字分开。 Full-reference 的逐字对白与同步声音放在 detailed_description 的对应事件里，overall_soundscape 仍只汇总底声与音效。 不要为了“多模态”把所有资产图都带上；每镜只绑定它真正可见且需要保持的起始帧、人物、地点或关键道具图。

一个完整例子

分镜里的槽位（三张图：本镜起始帧、角色板、场景板）：

- 输入参考图：REF-SHOT002-START（顺序：1）· 剧集/EP001/制作成果/images/SHOT-EP001-002.png《SHOT-EP001-002 起始帧》（用途：起始帧；控制：起始构图、双人站位；不得控制：尚未发生的动作、终态）；REF-XIAOYU-SHEET（顺序：2）· 输入/参考图/小雨定妆.png《小雨定妆照》（用途：身份；控制：脸型、发型剪影、身高比例；不得控制：构图、动作、表情）；REF-STUDY-PLATE（顺序：3）· 输入/参考图/家庭书房.png《家庭书房场景图》（用途：地理；控制：书桌方位、书架墙、灯位；不得控制：人物身份、动作、道具状态）

对应的 full-reference 正文（生成方式：图生视频，模式为 reference）：

subject_definitions: <Subject 1> is the elementary-school boy in <Picture 2>, with a round short black haircut and a light grey-blue hooded jacket over a white inner shirt. <Subject 2> is the home study in <Picture 3>, with the desk against the window wall, a full bookshelf on the left and a warm desk lamp. <Picture 1> is the opening composition of this shot.
summary: The boy leans over an open textbook at his desk and stops when he notices the printed map.
retention_analysis: <Picture 1> (appears in [Shot 1]): fully_preserved - overhead framing, desk edge position and the boy's seated placement open the shot exactly as supplied. <Subject 1> (appears in [Shot 1]): fully_preserved - face shape, hair silhouette and the jacket-over-shirt layering stay identical; his pose and expression are set by this shot, not by <Picture 2>. <Subject 2> (appears in [Shot 1]): partially_preserved - desk orientation, bookshelf wall and lamp position are kept; the props on the desk follow this shot.
detailed_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: N/A

三张图各自只负责一件事：<Picture 1> 给构图，<Picture 2> 给身份，<Picture 3> 给地理。 把这条差异写进 retention_analysis，生成后检查身份、构图与地理是否分别保留。

多镜容器：每切一张关键帧

taste_option：几个相邻镜头可以装进同一次 full-reference 生成，每切挂它自己的已接受关键帧。 craft_default：装容器的条件是三条都满足：

• 每个成员镜头都有已接受的起始帧图片（REF-... 或 PLAN-...，用途：起始帧）；缺一张就逐镜生成；
• 成员已接受时长之和在 4–15 秒内，且成员资格与容器算术按 交付形态 的多镜容器记账；
• 容器用一份参考清单：各切关键帧按切的顺序排在前面，共用的身份、地点图接在后面， <Picture N> 按这份清单的 顺序 编号，不照抄逐镜时的编号。

正文第一行、subject_definitions 之前，写一句对齐句把每张关键帧钉到它那一切的起点：

<Picture 1> aligns with the 0.00-second mark as the opening frame of [Shot 1]; <Picture 2> aligns with the 3.00-second mark as the frame of [Shot 2]; <Picture 3> aligns with the 6.00-second mark as the frame of [Shot 3].

detailed_description 里后续各切照常写 [Shot 2] At 00:03.000, ...，秒数与对齐句一致； retention_analysis 为每张关键帧写它负责的那一切。一组 9 秒三切的小样本（要求 3.0/6.0 秒切）： 每切挂关键帧，切点落在 2.88–3.04 / 6.00–6.04 秒，各切与关键帧的构图相似度接近三次逐镜首帧生成， 生成次数为三分之一；只挂第一切的关键帧时，切点偏到 2.92–3.88 / 5.88–6.21 秒，第 2、3 切的构图 明显偏离关键帧，还出现过一次多出来的切。所以没有逐切关键帧时不装容器。

素材数量上限

一次生成最多 1 张首帧、1 张尾帧、9 张 reference_image、3 段 reference_video、3 段 reference_audio； 视频与音频每段 2–15 秒，且各自合计不超过 15 秒。分辨率取 768P 或 2K（MiniMax-H3-Max 另为 480P/768P）。 超过上限时在分镜阶段按重要性取舍，并写明放弃了哪些参考，不在正文里假装它们仍然生效。

本镜还没有起始帧图片时有两条路：由 $short-drama-produce 从 分镜.md 的 SHOT-... 冻结关键帧生成， 拿到真实文件后由分镜 owner 绑成 用途：起始帧 的 REF-...；或者由创作者把该镜的冻结关键帧正文复制到 自己的工具里出图，本轮先记成 PLAN-...（用途：起始帧）、定位符写本镜 SHOT-...。 两种写法本阶段都原样抄入，正文写法相同。

输入参考图 只登记参考图片。连续段需要的上一段实际视频与实际音频不走这个字段，由下面的 「连续段」小节和生产 job 的绑定承担；不要为了凑成一份清单把视频路径塞进 REF-...。

连续段

H3 的首/尾帧模式与 full-reference 模式互斥，不能在同一请求混用 first_frame/last_frame 和 reference_image/reference_video/reference_audio。连续段需要上一段实际视频和实际尾帧时，统一走 full-reference：

• 上一段实际视频：reference_video，正文称 <Video 1>，控制动作、节奏和声音连续；
• 该视频的实际尾帧：reference_image，正文称 <Picture 1>，只作为新段开场的可见姿态与构图锚点。

不要把尾帧标成 first_frame。这不是措辞偏好，而是 H3 官方接口的互斥输入契约。

时长

structural_invariant（执行端契约）：MiniMax-H3 的 duration 必填，为 4–15 的任一整数秒， 并非只有 5/10/15 三档。网页界面或 job 的时长设置要与分镜时长和正文终点一致；写在提示词里的秒数 不能替代生成设置。短动作在合法镜长内完成并保持已接受终点；超过 15 秒的镜头回分镜按闭合状态拆开。 本阶段不偷改镜头秒数。

MiniMax-H3-Max 是另一型号：5–15 秒、480P/768P，仅支持文生和首/尾帧，不支持 full-reference。 不能把本页 H3 的参考音频路径或 4 秒下限套到 Max。

对白容量与自然语速

craft_default：按 对白预算 先核对完整发声需要多久， 再给主时间线安排开口、停顿与落点。分镜镜长够长但开口太晚，一样会赶词。 H3 中文小样本可参考约 4.1 个可发声字/秒；用实际可发声区间估算，生成后核对台词完整性。 样本出现过赶词与静默截断，不能据此确定通用截断阈值。 口语语言、声线与语速描述放在 <d> 外；<d> 内只放语言标签和逐字台词，不放秒数或表演指令。 稳定说话人用 (S1)、(S2)；full-reference 中说话人物同时写 <Subject N> (Sx)。

无参考音频时，以自然语言交代说话方式、开口 cue、句间停顿和说完后的动作；文本估时区间只留在镜头说明中， 不把每个词硬塞进小数秒槽。实际有音频对齐依据或已接受的精确时点时，才据此细化声音时序。 H3 官方接口未提供独立 speech_rate 参数，也没有公布「中文每秒固定几字」的可靠公式； 提示词中的语速与时机是生成指导，不能当作秒级执行保证。仅追加“自然语速”无法补上缺失的发声时间。

同一次生成内，已接受的对白跨切镜时可以用 <scenetrans> 并声明声音连续；它不会增加总时长，也不能 保证两个独立 job 的音频无缝衔接。<cutoff> 表示视频结束时有意截断发声，只用于剧本已要求的截断， 不用于处理装不下的完整台词。

说话人绑定

craft_default：说话人第一次出现时，在 <d> 外交代他在画内还是画外、以及音色（年龄、性别、高低）， 台词跟在他的可见动作句后面（仍只出现一次），不集中列在正文末尾： <Subject 1> (S1), the boy on-screen with a clear high voice, opens his mouth and calls out: <d>[Chinese] ...</d>。 台词期间画里还有别人的正脸时，把那个人明写成不说话： The messenger does not speak; his lips remain completely closed.——与官方画外音写法 while his lips remain completely closed 是同一句式。

一镜实测（远处小孩喊一句，近处骑手不说话，骑手在台词期间仍正对镜头）：现行写法 3 次中 2 次口型落在骑手、 小孩闭嘴；加上述两条后 3 次全部落在小孩。19 条样本的发声基频都在儿童区间——模型没有选错声音， 只是把口型放到画面里最显眼的正脸上。骑手已出画或背对时，两种写法 12 次全部正确。所以分镜能安排时， 先让不说话的人出画或背身；不能时才靠这两条兜底，生成后仍核对口型落在谁脸上。

有配音或参考音频时

craft_default：已有同句同表演音频时，先测实际发声与停顿，再确定镜长。没有现成音频仍可按文本估计 写提示词，不为完成本阶段自动调用 TTS 或生成服务。

• 只参照音色、情绪或说话方式：使用 reference；它会重新表演本镜台词，不能拿参考音频的文件长度 当作新台词时长，也不携带参考音频里无关的原话。
• 已接受完整声音轨原样复用：fully_copy 表示整条最终音轨；只用对白层或片段并另加环境声时使用 partially_copy，写清源片段与目标时间的对应。复用用到的发声区间要完整容纳，不为适配镜长压缩语速。
• 参考音频走 full-reference，配合至少一张参考图或一段参考视频；每段音频 2–15 秒，最多三段、合计 不超过 15 秒。图片改用 reference_image，不能与 first_frame/last_frame 混用。

fully_copy 等是官方提示词的复用意图，不是逐样本一致的验收证明。生成后核听逐字内容、语速、停顿、 尾音完整性与口型；项目需要精确锁定已有音轨时，以后期保留该音轨并核对画面同步作为最终依据。

Context-IR 的作用

H3-Context-IR 把多模态输入增强成结构化提示词，本身不生成视频，且仍要求调用方先给出 4–15 秒的 duration。它不能代替对白预算。若执行端使用该服务，检查增强后的逐字台词、声音时间线与原时长一致， 不因使用官方增强就跳过容量检查。

官方依据（2026-09-07 核对）：

• Base 提示词指南：对白位置、说话人、语速描述、切镜时间戳与跨镜发声。
• Full-reference 指南：六段结构、音频引用与复用语义。
• 视频生成 API：必填时长、型号差异和输入模式互斥。
• 官方 CLI 的 H3 指南：音频配合视觉参考，声音对齐与生成后检查。
• Context-IR API：提示词增强和独立的时长输入。