宜博 / 2080tiserver

Commit 5c47845cda4ad5fb7bb67f15d0336bbb1ade3652

Authored by yibo
1 parent 8cf2545d

补 H3 官方案例测试文档 + 提示词写作方法论/benchmark 

整理飞书 H3 使用手册的 26 个官方示范案例（docs/todo/h3-showcase-cases.md，含提交状态追踪），
补充提示词方法论（raylight/h3-prompt-guide.md，含电影摄影术语表、diegetic/non-diegetic
声音分层框架）、跨模型调研（raylight/deep-research-cinematic-prompt.md）和提示词质量打分
benchmark（raylight/h3-prompt-benchmark.md），CHANGELOG 记录本轮踩的坑（自评分数虚高、
避雷词换句式复发、提示词时长要跟实际frames对齐）。配套的 h3-prompt-writer skill 在
.claude/skills/ 下，按项目约定被 gitignore，不随此提交进库。

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Inline Side-by-side
Showing 5 changed files with 894 additions and 0 deletions
CHANGELOG.md
  View file @5c47845
1 1 # 变更记录
2 2  
  3 +## 2026-08-23（晚）— H3 官方案例测试 + 提示词写作 skill（`h3-prompt-writer`）搭建与 benchmark 收敛
  4 +
  5 +**结果**：为了系统性验证 raylight 复现 MiniMax H3 官方案例效果，做了两件事：
  6 +
  7 +1. **官方案例库整理与提交**：从飞书《MiniMax H3 使用手册》抓取 26 个官方示范案例（`docs/todo/h3-showcase-cases.md`），
  8 + 1344×768/300帧（≈12.5s）统一提交测试，22 个已入队串行执行，4 个因 raylight 后端 `GenReq`
  9 + 没有"以视频为基础做编辑"的输入字段（只有 `reference_image_urls`/`first_frame_url`/`last_frame_url`）
  10 + 而无法提交（1.3#4/1.4#1/1.4#2 视频编辑类、1.4#3 缺干净参考图）。
  11 +2. **提示词写作 skill + 质量 benchmark**：新增 `.claude/skills/h3-prompt-writer/`（把用户口语化需求
  12 + 转成规范 H3 提示词再提交），配套调研 `raylight/deep-research-cinematic-prompt.md`（Seedance/Veo/
  13 + Kling 等跨模型提示词工程 + 通用电影摄影术语体系）和打分标准 `raylight/h3-prompt-benchmark.md`
  14 + （10维度、100分制），跑了 8 轮"生成→独立盲测打分→改进 skill"的收敛循环，两个不同题材（产品广告/
  15 + 双角色对白剧情）最终都独立盲测稳定 ≥95 分（96.7/96.7），完整过程记录见
  16 + `h3-prompt-benchmark.md`「2026-08-23 实测收敛记录」。
  17 +
  18 +**被推翻的假设 / 踩过的坑**：
  19 +
  20 +- **自评分数系统性虚高，不可信**：同一版提示词自己打 98.4 分，换一个没有参与生成、只读 benchmark
  21 + 文件的独立 agent 盲打只有 94.6 分。之后每一轮都改用独立盲测，不再信自评。
  22 +- **"改坏了不知道"的典型案例——避雷词从负向句挪到正向句，词根还在**：官方警告"不要写亮度分区类
  23 + 负向词会触发变暗bug"，第一次修复把负向句删了，但正向替代句里又用回了"明暗分区"这个同源词，
  24 + 独立盲测才抓出来——**避雷不能只看"是不是负向句"，要看雷区词本身有没有被带回来**。
  25 +- **提示词文字时长必须和实际提交的 frames 精确对齐，不能照抄案例来源写的"标准时长"**：测试提示词
  26 + 全篇按官方案例常见的"15秒"写分镜时间轴，但实际统一按 300 帧（≈12.5秒）提交——文字比真实生成
  27 + 时长多出 20%，导致结尾分镜被压缩后动作显得拥挤。**这条同样适用于本轮提交的 22 个官方案例本身**
  28 + ——它们原文大多写"15秒"，但都按 300 帧提交，画面节奏和官方原版存在系统性偏差，解读测试结果时
  29 + 要把这个因素算进去，不代表 raylight 复现效果本身有问题。
  30 +- **"负向具体化"这条规则不能只挑一条示范，要求逐条过一遍**：一开始只把"不要卡通风格"具体化成
  31 + "不要色彩过饱和的扁平化渲染"，清单里其它几条（"不要杂乱背景""不要多余道具"）留着没改，独立盲测
  32 + 照样扣分——规则得写成"每一条都要问一遍够不够具体"，不能靠一个例子让执行者自己举一反三。
  33 +
3 34 ## 2026-08-23（下午）— 把实测出的分辨率/帧数上限写进代码强制生效，console 排队/下拉逻辑同步
4 35  
5 36 **结果**：上一条记录探到的4个分辨率真实上限，现在两边代码都强制生效了，不只是写在文档里：
... ...
docs/todo/h3-showcase-cases.md 0 → 100644
  View file @5c47845
  1 +# H3 官方案例库 · 测试进度追踪
  2 +
  3 +来源：飞书《MiniMax H3 模型 - 使用手册》「三、模型亮点能力 & 示例」§1 商用级多场景内容生成
  4 +（https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh ，最近修改 8月11日）。
  5 +
  6 +抓取范围：1.1-1.9 全部九个场景分类，26 个有完整提示词的案例。「2. 原生多模态理解与生成」
  7 +「3. 全能精准编辑与修改」两大类暂未抓取（优先级更低，如需要再补）。
  8 +
  9 +提示词写作方法论（整体公式/四要素/踩坑/官方排错知识）另见 [`raylight/h3-prompt-guide.md`](../../raylight/h3-prompt-guide.md)。
  10 +
  11 +## 测试计划约定
  12 +
  13 +- 目标规格：**1344×768，10-15s**。console 预设里 1344×768 档只有 64f(2.7s)/124f(5s)/243f(10s)/362f(15s)
  14 + 四个帧数选项，10-15s 对应 **243 帧或 362 帧**——本轮统一用 **300 帧（约 12.5s，未在 console 预设里，
  15 + 需要直接调 API 或临时改前端下拉框传入自定义帧数）**，落在区间中点。488 帧以下都在 raylight 已验证
  16 + 的 1344×768 安全区间内（`raylight/notes.md`：412 帧已验证，431 帧才 OOM）。
  17 +- **单条视频实测约 30-55 分钟**（`raylight/README.md`「已知限制」第1条：412帧/1344×768 约55分钟），
  18 + 且 FSDP 集群任何时刻只处理 1 个请求，26 个案例全跑完是**顺序排队、总耗时以天为单位**，不是并行。
  19 +- **参考图缺口（已解决）**：ref2va 案例的参考图已从飞书文档截图/下载并用 `POST /v1/assets` 上传
  20 + 拿到 URL（清单见 `docs/todo/`，上传结果 13 个成功、1 个无干净参考图放弃）。
  21 +- **用户已确认全跑 26 个**（2026-08-23）。其中 22 个已提交，4 个因 raylight 后端不支持"以视频为
  22 + 基础编辑"这种输入方式而跳过（见下方 1.3#4/1.4#1/1.4#2/1.4#3 备注）。
  23 +
  24 +## 进度总览
  25 +
  26 +| 状态 | 数量 |
  27 +|---|---|
  28 +| 已提交/运行中 | 22 |
  29 +| 不支持（当前后端） | 4 |
  30 +| 已完成 | 0 |
  31 +| 失败 | 0 |
  32 +
  33 +**2026-08-23 全部可提交案例已提交完毕**：12 个纯文生 + 13 个 ref2va（参考图从飞书文档截图/下载后
  34 +用 `POST /v1/assets` 上传拿 URL）+ 1 个模式不确定的按纯文生处理，共 26 个中 22 个已入队
  35 +（1344×768，300帧≈12.5s），console 本地队列 `queued=26/running=1` 顺序执行。
  36 +**4 个案例当前后端不支持，未提交**：`raylight/scripts/server.py` 的 `GenReq` 只有
  37 +`reference_image_urls`/`first_frame_url`/`last_frame_url` 字段，没有"以视频为基础做编辑"的输入
  38 +方式，所以 1.3#4（Touch Designer 动效追踪）、1.4#1（十字路口AR世界编辑）、1.4#2（小猫+电钻视频
  39 +增强）这三个视频编辑类案例做不了；1.4#3（平面海报空间穿梭AR）在文档里只找到 MiniMax Hub Agent
  40 +对话截图、没有干净的独立参考图，也跳过。
  41 +
  42 +状态图例：`待提交` `图片待收集`（ref2va 但参考图还没下载）`已提交` `运行中` `已完成` `失败`
  43 +
  44 +---
  45 +
  46 +## 1.1 品牌大片与影视内容
  47 +电影预告片、TVC 广告片、品牌质感大片
  48 +
  49 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  50 +|---|---|---|---|---|---|---|
  51 +| 1 | 望远镜寻 MINIMAX 装置 | ref2va | 图1-4连续关键帧，已上传 | 已提交 | 650895158f07 | |
  52 +| 2 | 史诗级太空歌剧院线短预告 | 纯文生（未确认） | 无/待确认 | 已提交 | 6639b07acc7b | |
  53 +| 3 | 科幻悬疑电影短预告 | ref2va | 图1氛围/图2人物，已上传 | 已提交 | 8715a3af77ef | |
  54 +| 4 | 高级时尚品牌视频（荒漠公路） | ref2va | 图1场景/图2人物/图3包袋/图4logo，已上传 | 已提交 | 164f29247779 | |
  55 +| 5 | 火场胶片时尚短片 | ref2va | 图1质感/图2人物，已上传 | 已提交 | 0b6143fb2b63 | |
  56 +
  57 +<details><summary>提示词原文</summary>
  58 +
  59 +**案例1（望远镜寻 MINIMAX 装置）**
  60 +> 图1至图4连续关键帧，模拟老式望远镜寻MINIMAX装置。开头虚焦手持晃动后快速拉近rack focus至图1，图间望远镜扫视转场（甩动、运动模糊、光学拖影、曝光闪烁）在最模糊处切换并迅速稳定重新对焦。全程固定双圆镜片遮罩（黑色羽化暗角、位置大小边缘虚化绝对一致无变形漂移）仅内部画面运动。图2布料随风克制飘动MINIMAX文字随布面起伏保持可读；图3人物如无意捕捉的时尚路人自然走动转身摆臂；图4人物调整眼镜或微抬下巴展现冷感松弛fashion campaign态度。红字随对焦轻微加载，初现略虚焦低透明度0.3–0.5秒内淡入变清晰（可微小纵向滑入或字距呼吸）切换前淡出或被运动模糊带走，禁旋转弹跳或大幅飞入飞出。Wes Anderson式窥视35mm胶片质感（轻微颗粒、柔和高光晕染、克制色彩、红字点缀），极简高级微带搞怪灵动，严禁新增人物车辆建筑logo，保持原图核心构图与MINIMAX装置不变。
  61 +
  62 +**案例2（史诗级太空歌剧院线短预告）**
  63 +> 节奏更快，宏大但不拖。快速硬切、舰桥震动、强光爆闪、短黑场、跃迁冲击。文字是电影预告片式宽字距标题包装，字体不要纯白，要有克制发光和材质感、微弱边缘辉光。文字动效包含从深空暗部渐入、被星光扫亮、字距展开、残影、微弱发光、黑场闪现。（非完整Prompt，可自行补充细节）
  64 +
  65 +**案例3（科幻悬疑电影短预告）**
  66 +> 写实电影感，高反差光影，节奏紧凑。图1作为整体氛围、风格参考。图2作为主角人物参考。Shot 1 — 超广角建立镜头。巨大圆形宇宙门几乎占满画面，人物只是门前一个很小的背影，站在画面下方偏右。地面潮湿反光，门中心一片黑暗。镜头慢慢向前推进。大标题从黑暗边缘渐入，先模糊后清晰："THE STARS WERE LISTENING" 字体极窄、厚重、全大写，暗红混合铁锈红，带轻微颗粒和雾化边缘。Audio: 深低频脉冲，远处金属轻震，文字清晰时一记轻 hit。→ Hard cut.（非完整Prompt，可自行补充细节）
  67 +
  68 +**案例4（高级时尚品牌视频，荒漠公路）**
  69 +> 制作一支 16:9 横版高级时尚品牌视频。整体氛围、场景和胶片质感参考图1；包袋资产参考图3；人物资产参考图2；品牌 ending logo 参考图4。这是一支卖衣服和包的时尚 campaign，整体气质要高级、冷感、克制，但剪辑不能无聊，要更灵动、更有时尚节奏。不要像普通剧情片，也不要像电商广告。核心故事依然很简单：荒漠公路和复古车旁，女人回到车尾，打开后备箱，取出黑色包袋，和站在车边的男人有一瞬间的安静关系，然后她拿着包离开。包和服装要自然融入人物行动里，成为角色气质的一部分。
  70 +
  71 +**案例5（火场胶片时尚短片）**
  72 +> 图1是整体质感、氛围参考，图2是人物外表特征参考。生成一支 15 秒 16:9 横版潮流时装短片。保持人物一致：白金色长发、窄黑色复古墨镜、黑色高光漆皮风衣、冷酷自信的时尚表情、火光映在皮衣表面的橙色反射。整体风格是胶片快切时尚广告，融合夜晚火场、黑烟、橙红火焰、VHS 故障、CCTV 广播中断、90 年代模拟胶片颗粒、扫描线、色差、漏光、闪白转场、画面轻微抖动。
  73 +
  74 +</details>
  75 +
  76 +---
  77 +
  78 +## 1.2 视觉创意与内容包装
  79 +创意短片、特效包装、审美 MV、视觉实验、热点内容及社媒素材
  80 +
  81 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  82 +|---|---|---|---|---|---|---|
  83 +| 1 | 悬疑犯罪电影片头 | ref2va | 多张风格参考图(7张)，已上传 | 已提交 | 53de60c7f402 | |
  84 +| 2 | 傍晚厨房手绘发光动画 | 纯文生 | 无 | 已提交 | c0e23beb4132 | |
  85 +| 3 | 深夜自助洗衣店手绘发光动画 | 纯文生 | 无 | 已提交 | 0fe0f2101c44 | |
  86 +| 4 | 手绘2.0，海边小集市指物变手绘 | 纯文生 | 无 | 已提交 | eaf2a1433c41 | |
  87 +
  88 +<details><summary>提示词原文</summary>
  89 +
  90 +**案例1（悬疑犯罪电影片头）**
  91 +> 生成一支15秒16:9横版轻悬疑犯罪电影片头。整体风格参考这些图的视觉语言：复古日系动画片头、硬边剪影、漫画拼贴、非对称分屏、强烈几何色块、英文片头署名、少量日文片假名装饰、爵士犯罪气质。氛围是60%悬疑、40%爵士：神秘、酷、灵动、有都市犯罪感，不恐怖、不沉重，也不要变成欢乐爵士MV。片头动效要像动态图形拼贴：黑底线框先出现，分屏边界快速划出，色块和画格逐块贴入；人物剪影、道具特写、英文署名跟随鼓点依次滑入、弹出、遮罩揭示。不要普通写实剧情动画，要片头包装感。英文署名要清晰可读，允许有动效：细线框先画出，名字从框内滑入，字母逐个出现，被色块遮罩揭示，最后短暂停住。不要新增中文，不要乱码，不要让英文错拼。全片规则：所有英文署名和职位只出现一次。不要重复同一个职位，不要重复同一个人名，不要让同一个人担任多个职位。转场形式要丰富：圆形黑胶遮罩、车门竖切、人物长影擦屏、红线切割、巨大英文字母遮罩、分屏边框重组、色块硬切、画格逐块贴入。所有转场跟随鼓点，干脆、悬疑、灵动、有漫画拼贴感。不要柔和溶解，不要流体转场。BGM：原创15秒片头音乐，60%悬疑、40%爵士。以低音持续音、紧张弦乐拨奏、冷感合成器脉冲、低音鼓、稀疏爵士鼓刷、walking bass片段、低音萨克斯短句和短促铜管点缀组成。前2秒神秘低频和踩镲建立悬疑，第3秒进入低沉鼓点，第6秒加入爵士贝斯律动，第10秒出现短促萨克斯/铜管riff，最后2秒用紧张和弦加鼓点定格。整体神秘、酷、带犯罪感，爵士只占40%，不要太欢快，不模仿任何现有旋律。
  92 +
  93 +**案例2（傍晚厨房手绘发光动画）**
  94 +> 15秒、16:9横向视频。将傍晚小厨房的真人实拍与手绘发光动画融合在一起的影像。夕阳余晖还残留在窗边，生活感十足的小厨房里有一张旧木桌、洗到一半的马克杯、略微起雾的玻璃瓶，以及悬挂着的抹布。画面带有像用智能手机单手拍摄一样的细微手抖、近距离对焦时的犹豫、逆光造成的曝光波动，以及暗部略显粗糙的噪点。不要像广告影像那样精心整理，而是要呈现出像是在家中慌忙拍下某个不可思议事件的自然质感。禁止出现巨大的眼睛、裂开的嘴、獠牙、威吓、扑袭动作、突然黑屏和跳吓。声音只使用厨房室内环境声、抹布摩擦声、马克杯轻微碰撞声、水龙头水滴声、拍摄者的脚步声与轻微呼吸声，以及手绘生物柔和的电子音和小小的叫声。
  95 +
  96 +**案例3（深夜自助洗衣店手绘发光动画）**
  97 +> 15 秒、16:9 横版短视频。实拍深夜自助洗衣店场景，融合手绘发光动画的混合影像。一间小型自助洗衣店，荧光灯微微频闪，店内摆放着运转中的洗衣机、塑料洗衣篮、老旧长椅，地面散落一只袜子，整体空间安静，带着淡淡的怀旧氛围感。手持手机单手拍摄质感，画面抖动明显；白色荧光灯造成曝光忽明忽暗；玻璃表面带有环境反光；镜头靠近物体时对焦存在延迟。画面不要像商业广告一样精致规整，整体质感如同深夜偶然闯入、追着奇异幻象随手拍下的真实纪实感。
  98 +
  99 +**案例4（手绘2.0，海边小集市指物变手绘）**
  100 +> 视频整体 16:9 横向视频，总时长约 10～15 秒，全 4 个镜头，每个镜头约 3 秒，用节奏明快的硬切连接。画面是"海边小集市"的实拍智能手机影像，背景包含浅色摊位、遮阳棚、贝壳饰品、冰饮摊、海风吹动的布帘、远处沙滩和淡蓝色海面，整体氛围明亮、轻快、夏日感强。拍摄者右手以正常、自然、正确的写字握笔姿势拿一支细的青蓝色笔，从画面下部进入，每个镜头只指向一个现实对象，被指到的对象整体变成粗糙手绘 2D 动画，其他背景和未指向元素全部保持实拍。
  101 +
  102 +</details>
  103 +
  104 +---
  105 +
  106 +## 1.3 动态图形、MG动画、AE特效
  107 +官方 Tips：文字容易乱码时，把文字做成图片作为参考图传给 H3，并在提示词里明确说明"这张内容必须按'图片'来理解，不能按'文字'来处理"，能有效降低乱码。
  108 +
  109 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  110 +|---|---|---|---|---|---|---|
  111 +| 1 | MiniMax H3 品牌开场 MG，波形 Logo | ref2va | 图1开场/图2波形logo，已上传 | 已提交 | f703cea7cc5c | |
  112 +| 2 | MiniMax H3 品牌 MG「One becomes everyone」 | 纯文生 | 无 | 已提交 | 194e9bd77da6 | |
  113 +| 3 | 全中文文字动效实验影像 | 纯文生 | 无 | 已提交 | 125751cac1c8 | |
  114 +| 4 | Touch Designer 动效追踪 | ref2va（视频编辑） | @视频1基础素材 | 不支持 | | raylight 后端 GenReq 无"以视频为基础编辑"字段，无法提交 |
  115 +
  116 +<details><summary>提示词原文</summary>
  117 +
  118 +**案例1（MiniMax H3 品牌开场 MG，波形 Logo）**
  119 +> 短片的准确开场画面。完整保留电光蓝背景、左侧白色"MiniMax"、中央浅蓝章鱼Logo和右侧白色"H3"。图片2:章鱼Logo完成线性形变后的目标波形Logo参考，也是后半段贯穿画面的核心图形。严格保持波形Logo的路径结构、弯曲数量、圆角端点和整体比例。生成一支严格15秒、16:9、4K、60fps的MiniMax H3抽象科技MG品牌短片。短片表达H3从专用任务走向通用多模态模型的设计理念：语言、图片、视频和音频不再彼此隔离，而是被同一个上下文、同一套架构和同一根连续线连接起来。整体风格高级、简洁、灵动、有艺术感。采用大面积电光蓝、深黑蓝、浅青色和少量紫色色块，搭配干净的白色粗体文字。画面具有大量负空间，避免复杂图标和信息堆叠。全片的核心运动元素是一根浅蓝色连续线，以及位于线条前端的白色发光节点。
  120 +
  121 +**案例2（MiniMax H3 品牌 MG，「One becomes everyone」）**
  122 +> 为 AI 品牌"MiniMax H3"创作一支15秒高端平面动态图形品牌影片。【必须准确显示的文字】品牌名称：MiniMax H3；品牌 Slogan：Intelligence With Everyone。除以上两组文字外，画面中不得出现任何其他可读文字。【核心创意】"One becomes everyone." 智能从一个微小节点出发，通过连接、共享与共同生长，形成属于每个人的开放智能网络。以三种基础元素建立一套原创品牌视觉系统：一个极小的二维实心圆点／字母"H"所代表的连接桥梁／数字"3"所代表的三层智能轨道。所有圆点、线条、轨道、字形和转场必须由这套基础元素连续演化。每次变化都具有清晰的视觉因果关系，形成统一的品牌视觉 DNA。
  123 +
  124 +**案例3（全中文文字动效实验影像）**
  125 +> 整体为完全黑色背景上的中文动态字体实验影像。画面中只允许出现白色中文文字，以及极少量深红色文字错位或强调。不得出现人物、风景、照片、插画、图标、商品、Logo、3D 物体、英文标题、固定 UI、编号、计时器、边框、网格或任何装饰性图形。这不是普通字幕视频，而是以"中文文字本身"为唯一主角的高密度动态排版短片。文字在漆黑平面上高速出现、放大、旋转、压缩、碰撞、分解、增殖、反转、重组。整体风格像平面设计师制作的中文动态字体实验影像、文字运动 showreel、音乐活动开场视觉。气质黑暗、冷静、锋利、理性、无机质，略带攻击性，但保持高级、克制、统一。
  126 +
  127 +**案例4（Touch Designer 动效追踪）**
  128 +> @视频1为唯一基础素材。严格保持原视频的人物、五官、服装、动作、场景、综合色、镜头运动、时长与帧率完全不变。只在原画面上增加TouchDesigner式动态追踪图形。1. 所有矩形框的彩色填充透明度必须为0%。2. 框内不得出现红色、青色或任何彩色蒙版。3. 框内只能处理原视频相同位置的亮度、灰度、曝光和明暗关系。4. 所有框只能是红色或者青色的完整、简单、连续的闭合矩形，四个顶点没有任何装饰或节点。5. 不允许一个框完整包含另一个框。
  129 +
  130 +</details>
  131 +
  132 +---
  133 +
  134 +## 1.4 AR现实增强创意视频
  135 +通过自然融合现实场景与虚拟内容，快速生成 AR 式品牌创意、巨物营销、户外视觉和社媒传播素材
  136 +
  137 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  138 +|---|---|---|---|---|---|---|
  139 +| 1 | 十字路口 AR 世界编辑 | 视频编辑 | 原视频 | 不支持 | | raylight 后端无视频编辑输入方式 |
  140 +| 2 | 小猫+电钻搞笑视频增强 | 视频编辑 | 原视频 | 不支持 | | raylight 后端无视频编辑输入方式 |
  141 +| 3 | 平面海报空间穿梭 AR（MiniMax Hub + Agent） | ref2va/AR | IMG1-3海报空间图 | 不支持 | | 文档里只找到 Hub Agent 对话截图，没有干净的独立参考图；⚠️本案例本就是 Hub+Agent 完成、非纯prompt单次生成，即使找到图也可能无法完全复现 |
  142 +
  143 +<details><summary>提示词原文</summary>
  144 +
  145 +**案例1（十字路口 AR 世界编辑）**
  146 +> 使用上传的原视频作为唯一视频基础，严格按照原视频的真实镜头、真实手部动作、真实鼠标位置、真实城市十字路口、道路透视、斑马线、建筑、车辆、树木、红绿灯和自然日光来制作。不要重新生成一个新场景，而是在原视频上做 AR 实景合成与世界编辑效果。
  147 +
  148 +**案例2（小猫+电钻搞笑视频增强）**
  149 +> 基于原视频1进行视频增强与特效编辑，保留原始构图、镜头角度、小猫的位置、动作节奏、电钻和电脑的位置关系。整体风格是搞笑短视频、夸张但真实感的生活场景，不要改变小猫的外形，不要替换主体，不要让小猫受伤。
  150 +
  151 +**案例3（平面海报空间穿梭 AR，MiniMax Hub + Agent 案例）**
  152 +> 主角出现在画面里的白色矩形框中，双手扶住框边，先探出头和上半身，然后一只脚踩住下方的白色线条，身体下压蓄力。镜头轻微推近，随后主角借力向上弹出画面。切到 IMG1的空间。主角落在画面中的白色立体字体上方，坐在字体顶部边缘，双腿自然垂下。短暂停顿后，主角转头看向画面右侧的背景人物，形成一次清晰的视线互动。随后主角朝画面右上角抛出一条细白色弹力绳，借力做一次弧线摆荡动作。镜头跟随主角做快速横向移动，保持平面海报空间穿梭感。切到 IMG2 的空间。主角顺着弧线下落，踩到画面中的播放键上方。他用脚或手轻敲播放键，触发一次简洁的按压反馈。最后切到 IMG3.png。主角从播放键位置向画面右侧跑动，回到背景卡片中的原本位置并站定归位。全片使用快速横向跟拍、卡点闪切、轻微推拉和干净的平面空间转场。保持白色、灰色和原图设计元素，不添加血腥、打斗、武器、超级英雄标志或版权角色元素。
  153 +
  154 +</details>
  155 +
  156 +---
  157 +
  158 +## 1.5 AI 剧情内容创作
  159 +竖屏短剧、漫剧短片、角色演绎及 AI 配音
  160 +
  161 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  162 +|---|---|---|---|---|---|---|
  163 +| 1 | 古装武侠悬疑短剧，竹林 | 纯文生（未确认） | 无/待确认 | 已提交 | 57169e6751d0 | |
  164 +| 2 | 室内家庭争吵短剧（竖屏） | 纯文生 | 无 | 已提交 | 99e771bbb50d | 含具体人物「秦皓瑄」台词/语气要求 |
  165 +| 3 | 海外吸血鬼爱情短剧预告（竖屏） | ref2va | 图1男女主/图2场景，已上传 | 已提交 | 806ab829425c | 720×1280竖屏提交 |
  166 +
  167 +<details><summary>提示词原文</summary>
  168 +
  169 +**案例1（古装武侠悬疑短剧，竹林）**
  170 +> 古装武侠悬疑短剧场景，16:9 横向电影画幅，夜晚竹林，冷蓝、墨绿、灰黑低饱和色调，薄雾弥漫，细雪在空气中飘落。整体氛围清冷、肃杀、克制，有江湖门派办案、秘密情报交接的紧张感。画面真实古装剧质感，浅景深，电影级光影，不要现代元素，不要字幕，不要文字，不要水印。场景：夜晚竹林深处，背景是密集竖向竹竿，远处有冷白雾光透出。前景有虚化竹叶遮挡，形成"林中窥视"的空间层次。冷白侧前方柔光照亮人物面部，背景逆光营造前暗后亮的电影感，浅景深，竹叶、雪花和背景竹林虚化成柔和散景。画面风格：古装武侠电影感，冷蓝墨绿雪夜竹林，浅景深，前景竹叶遮挡，人物面部特写为主，正反打剪辑，节奏克制但紧张。不要字幕、不要平台水印、不要现代服装、不要现代建筑、不要动画感、不要过度磨皮、不要明亮白天、不要喜剧表演。
  171 +
  172 +**案例2（室内家庭争吵短剧，竖屏）**
  173 +> 室内家庭争吵短剧场景，竖屏短剧质感，真实真人表演，中式家庭/小饭馆室内环境，暖色灯光，背景有红色装饰和书法字幅，浅景深，情绪强烈，剪辑节奏紧凑。表演要求：真实短剧表演风格，不要夸张舞台腔。秦皓瑄的语气是愤怒、委屈、急切的反驳；中老年女性的语气是尖锐、强势、咄咄逼人的质问。两人之间有强烈对峙感，节奏逐步升级。画面风格：竖屏9:16，手机短剧质感，真人实拍感，浅景深，室内暖光，中近景为主，频繁正反打剪辑，背景保持生活化，不要科幻、不要古装、不要动画感。画面中不要出现任何字幕、文字、平台水印或贴片。
  174 +
  175 +**案例3（海外吸血鬼爱情短剧预告，竖屏）**
  176 +> 生成一支 15 秒、9:16 竖屏海外真人吸血鬼爱情短剧预告片段。男女主外形参考图1，场景参考图2。保持男女主身份一致，真人质感，高级短剧质感。整体故事：小白花人类女主误入古堡禁区，意外唤醒沉睡的吸血鬼贵族男主。男主发现她身上带着某种与古老战争有关的气息，因此对她产生强烈的控制欲和危险兴趣。女主害怕他，却没有彻底屈服，反抗他的压迫。整体风格：海外 ReelShort / DramaBox 吸血鬼爱情短剧预告感。暗黑浪漫、危险吸引力、宿命感、强控制感、阴郁压迫、高光反转。画面高级、克制、紧凑，像爆款短剧的前 15 秒钩子。不要血腥，不要廉价恐怖，不要万圣节感，不要现代街头感。画幅：9:16 竖屏构图，适合 TikTok / ReelShort / DramaBox。人物以中近景、近景、特写为主，竖屏里要突出脸、眼神、压迫感和关系张力。
  177 +
  178 +</details>
  179 +
  180 +---
  181 +
  182 +## 1.6 产品与电商营销
  183 +产品展示、卖点视频、品牌及投流素材
  184 +
  185 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  186 +|---|---|---|---|---|---|---|
  187 +| 1 | 高级时尚眼镜广告，白棚双模特 | ref2va | 图1模特/图2外貌/图3眼镜，已上传 | 已提交 | 07da34008acc | 720×1280竖屏提交 |
  188 +| 2 | Herman Miller 人体工学椅 360 展示 | ref2va | 图1产品详情/图2产品图，已上传(仅1张) | 已提交 | e18a51206e4b | 文档里图1图2视觉上是同一素材，只上传了1张 |
  189 +| 3 | 北京烤鸭美食产品宣传 | 纯文生 | 无 | 已提交 | 4067993ff824 | |
  190 +
  191 +<details><summary>提示词原文</summary>
  192 +
  193 +**案例1（高级时尚眼镜广告，白棚双模特）**
  194 +> 生成一支 竖屏 9:16 高级时尚眼镜广告片，整体参考所给视频的分镜节奏、剪辑速度、白棚质感和冷峻时尚氛围。画面是极简白棚，无缝白色背景，强烈的高定广告感，干净、简约、帅气、先锋、国际一线时装大片质感。主视觉人物参考图片1，两位全身女模特，一个黑人女模特，一个欧美女模特，保持她们的服装高级感、身体姿态、白棚光影、时装秀场气质和整体冷峻态度。两人都佩戴未来感高级眼镜，眼镜设计参考图3，强调包覆式弧面、锐利几何猫眼/护目镜混合轮廓、镜面反射、流线型镜腿、高级时尚配饰质感。两个人物的外貌细节参考图2。
  195 +
  196 +**案例2（Herman Miller 人体工学椅 360 展示）**
  197 +> 高级办公室Herman Miller黑色人体工学椅360度展示。透气网背特写空气流动可视化。腰部支撑+人体工学曲线工程动画。多维度调节扶手/座椅高度演示。设计师/程序员/创意人员长时间办公场景,姿态舒展自如。久坐不累3D骨骼支撑示意图。空间美学室内陈列。结尾"灵感与舒适同时在线"字样浮现。高端简约、冷色调、专业未来感、慢节奏运镜。产品详情参考图1，产品图参考图2。
  198 +
  199 +**案例3（北京烤鸭美食产品宣传）**
  200 +> 15 秒，16:9 横屏，完整模仿高级感品牌新品发布视频的视觉语言：纯黑背景、棚拍级灯光、超慢速旋转特写、极简巨型无衬线标题、空灵电子配乐。产品是——一只完美烤制的北京烤鸭。字体必须极简、留白充足、统一使用纤细无衬线字体；中文不能有错别字。禁止：卡通风格、杂乱背景、水印。
  201 +
  202 +</details>
  203 +
  204 +---
  205 +
  206 +## 1.7 数字体验与游戏创意
  207 +游戏 UI、网页 UI、产品界面、交互演示、功能展示及体验动效
  208 +
  209 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  210 +|---|---|---|---|---|---|---|
  211 +| 1 | 赛博朋克角色装备切换+UI+场景加载 | ref2va | 图1角色/图2 UI风格，已上传 | 已提交 | cc65b7920cc4 | 精确到秒的分镜时间轴，15s |
  212 +| 2 | 产品官网落地页 UI/UX 滚动演示 | ref2va | 图1产品图，已上传 | 已提交 | 29bc940b434a | |
  213 +| 3 | 网站 UI 标题滑动+汽车灯变色 | 按纯文生提交 | 无（提示词未引用@图片编号） | 已提交 | 5980ff4db7fe | |
  214 +| 4 | 2D 手绘比格犬反应游戏界面 | 纯文生 | 无 | 已提交 | e1fd99e4ab97 | 原案例10s/4:3画幅，本次统一用1344×768/12.5s提交，用于观察分辨率适配效果 |
  215 +
  216 +<details><summary>提示词原文</summary>
  217 +
  218 +**案例1（赛博朋克角色装备切换+UI+场景加载）**
  219 +> 角色参考图1，UI风格参考图2。[0 秒-2 秒] 高角度俯拍。角色坐在高饱和度的亮紫色地面上，参考为图1，抬头看向摄像机。右侧显示游戏菜单 UI：开始新游戏 (START NEW GAME)、继续游戏 (CONTINUE, 高亮显示)、设置 (SETTINGS)、退出游戏 (EXIT GAME)。左上角显示玩家资料 MINIMAX。光标点击"继续游戏"。[2 秒-4 秒] 平滑变焦至她的右臂。UI 面板从右侧滑入，"右臂装备 (RIGHT ARM EQUIPMENT)" 面板出现。选中高亮显示 "幻影之握 (PHANTOM GRIP)"，随后滑动至 "时空之爪 (CHRONOS CLAW)"。她的右手机械地重新配置，手指分开，新的爪状指节锁定到位，青色 LED 灯闪烁得更亮。[4 秒-7 秒] 摄像机平滑地绕到她的左侧。新的 UI 滑入 "武器定制 (ARMAMENT CUSTOMIZATION)" 网格，显示手部、前臂、肘部、上臂组件。选区快速循环切换部件。她的左臂逐段拆解：前臂板脱落，新装甲滑入，肘关节更换，手部重新配置，更换过程中可见暴露的线路和活塞。[7 秒-8.5 秒] 摄像机拉回至中景。确认配置 (CONFIRM CONFIG) 按钮闪烁。点击。所有 UI 面板向内收缩消失。角色双腿解开，调整姿势，现在放松地坐着，单膝立起，义肢手自然抬起并完成配置后的轻微动作展示。[8.5 秒-10 秒] 底部出现加载 (LOADING) 条。从 0% 快速填充至 100%。高饱和度的亮紫色环境开始变暗，阴影从边缘蔓延，温暖的金色光芒渗入。[10 秒-15 秒] 当她起身时，完整的环境在她周围加载。密集的赛博朋克贫民窟显现，霓虹灯闪烁，潮湿的街道反射着光芒，人群涌动，摩托车穿梭，错综复杂的电线，堆叠的建筑向远处的未来派摩天大楼延伸。摄像机稳定在第三人称视角，位于她身后，展示她的背部。HUD 元素淡入，右上角显示小地图，左下角显示生命值和弹药计数器。任务标记出现。她迈步走进街道。
  220 +
  221 +**案例2（产品官网落地页 UI/UX 滚动演示）**
  222 +> 一个网站页面，网站页面UI设计，网站动效，视频展示了流畅的网页向下滚动效果。一个极具爆发力与动感的产品官网风格产品落地页 UI/UX 演示视频，核心展示主体是该产品图片1。页面采用粗犷有力、倾斜的超大号无衬线字体进行张扬的排版。背景有极具速度感的动态光影、暗色碳纤维或运动透气网眼纹理在交织变换。视频展示了节奏紧凑、充满力量感的网页向下滚动效果，以及鼠标悬停时强烈的视觉放大与颜色反转等 UI 交互动作。
  223 +
  224 +**案例3（网站 UI 标题滑动+汽车灯变色）**
  225 +> 模拟网站UI设计，先是上面的标题向下滑动出现，然后是下面的文字栏向上划出，汽车灯由暗变红
  226 +
  227 +**案例4（2D 手绘比格犬反应游戏界面）**
  228 +> 生成一段10秒、4:3 横向构图的游戏视频，整体像一个极简可爱的 2D 手绘反应游戏界面。画面保持固定镜头，不要运镜，不要缩放，背景干净，保留温暖纸张质感和蜡笔/彩铅手绘线条。主角始终是同一只皮皮的小比格犬：圆润 Q 版身体、短腿、大耷拉耳、圆润长吻部、短翘尾巴、半眯慵懒又欠揍的表情。小比格身体可以像橡皮筋一样被夸张拉伸、压扁、拱起和侧闪，但身份和画风始终一致。
  229 +
  230 +</details>
  231 +
  232 +---
  233 +
  234 +## 1.8 硬件、实体工业、具身智能演示
  235 +
  236 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  237 +|---|---|---|---|---|---|---|
  238 +| 1 | 机械臂抓取红色方块 | 纯文生 | 无 | 已提交 | 36aaa07cc9fd | |
  239 +| 2 | 精准替换视频背景为办公室场景 | 视频编辑 | 基于案例1输出 | 不支持 | | raylight 后端无视频编辑输入方式，且依赖案例1先跑完 |
  240 +
  241 +<details><summary>提示词原文</summary>
  242 +
  243 +**案例1（机械臂抓取红色方块）**
  244 +> 固定镜头，机器臂下降，抓起红色方块，向前移动一段距离后放下
  245 +
  246 +**案例2（精准替换视频背景为办公室场景）**
  247 +> 将原视频中的桌面替换为标准办公室工位办公桌，背景整体替换为带有百叶窗与金属文件柜的办公环境。新办公桌的透视比例需与原镜头完全匹配，桌面材质需自然承接原视频的光影投射，边缘阴影与高光方向必须与原场景光源严格一致。背景百叶窗与文件柜的景深虚化程度需与原视频焦点对齐，保持原有空间纵深感。在此过程中，原视频的镜头运动轨迹、机械臂的完整运动时序与速度、画面中其他物品的相对位置与空间遮挡关系、以及整体光照氛围必须保持 100% 不变，确保替换元素与原画面无缝融合。
  248 +
  249 +</details>
  250 +
  251 +---
  252 +
  253 +## 1.9 动画与风格化影像
  254 +游戏 CG、角色 PV、动漫 PV、风格化动画、二次元视觉及 IP 内容
  255 +
  256 +| # | 标题 | 模式 | 参考素材 | 状态 | 任务ID | 备注 |
  257 +|---|---|---|---|---|---|---|
  258 +| 1 | 黏土动画狐狸跃崖 | 纯文生 | 无 | 已提交 | 463a684fca8c | |
  259 +| 2 | 国风仙侠 3D 角色 PV | ref2va | 图1分镜/图2人物，已上传 | 已提交 | c456eebc3e2f | |
  260 +| 3 | 乙游男主角色 PV | ref2va | 图2角色身份，已上传(合并图) | 已提交 | a045fe4a60d8 | 截图时未拆分图1/图2，用了含所需人物信息的合并图 |
  261 +
  262 +<details><summary>提示词原文</summary>
  263 +
  264 +**案例1（黏土动画狐狸跃崖）**
  265 +> 黏土动画风格。狂奔的狐狸冲到了悬崖边缘，毫不犹豫地腾空而起，在巨大的熔岩峡谷上方完成了一个极具张力的、慢动作的英雄式飞跃。镜头在半空中从狐狸的腹部下方极速掠过（大动态运镜），完美展现出深渊的恐怖深度，以及狐狸黏土身体在空中极致舒展的动态瞬间。
  266 +
  267 +**案例2（国风仙侠 3D 角色 PV）**
  268 +> 使用图2作为固定人物参考，保持黑色半扎长发、银色镂空发冠、黛蓝发带、浅色层叠汉服、半透明蓝色外袍、深蓝腰封、银色花形扣饰和长流苏一致。使用图1作为镜头分镜、节奏参考。画面为高质量 4K 16:9 国风 3D，电影级仙侠质感，热血、庄严、宿命感强。镜头依次表现分镜中的内容，确保每个分镜之间运镜、切换自然，不能像ppt一样。人物露脸只能是近景或特写，远景只能是背影、侧背或环境空镜，不要正脸远景。
  269 +
  270 +**案例3（乙游男主角色 PV）**
  271 +> 生成一支 乙游男主角色 PV。角色参考图：使用图2作为严格的角色身份参考。请保持同一个角色脸、发型、体型比例、服装设计、材质细节和乙游 CG 质感一致。
  272 +
  273 +</details>
  274 +
  275 +---
  276 +
  277 +## 下一步
  278 +
  279 +1. **22 个案例已全部提交，console 本地队列串行执行中**——不需要再手动干预提交，等队列跑完即可。
  280 + 可用 `curl http://192.168.110.67:8080/v1/backends` 看 `queued`/`running` 数量，或直接打开
  281 + `http://192.168.110.67:8080/task.html/<任务ID>` 看单个任务详情/结果视频。
  282 +2. 每个任务跑完后，把对应行「状态」列改成 `已完成`/`失败`，「备注」列补一句人工观感评价（跟官方
  283 + 案例的示范效果比起来像不像、有没有明显的画面/文字/一致性问题），这是本轮测试真正的目的——
  284 + 不是"跑完就完事"，是要看 raylight 这套本地部署复现官方案例效果的实际差距在哪。
  285 +3. 剩余 4 个不支持的案例（1.3#4/1.4#1/1.4#2/1.4#3）如果之后想补齐，需要先给 raylight-server 加
  286 + "以视频为基础做编辑"的输入能力（目前 `GenReq` 没有这个字段），这是比"跑案例"更大的开发工作，
  287 + 不在本轮范围内。
... ...
raylight/deep-research-cinematic-prompt.md 0 → 100644
  View file @5c47845
  1 +# Deep Research：电影级文生视频提示词工程
  2 +
  3 +调研目的：为 MiniMax H3 提示词质量打分 benchmark 提供依据，补充 `raylight/h3-prompt-guide.md`
  4 +（H3 官方中文方法论）之外的通用摄影语言体系、跨模型结构对比和评估维度。搜索时间：2026-08（网页搜索
  5 +工具）。
  6 +
  7 +---
  8 +
  9 +## 1. Seedance（字节跳动）专项发现
  10 +
  11 +公开资料**比预期丰富**，找到官方/准官方文档和多篇社区指南：
  12 +
  13 +- **基础提示词公式**（BytePlus ModelArk 官方文档、多篇第三方指南一致引用）：
  14 + `主体(Subject) + 动作/事件(Action) + 场景/环境(Scene，可选) + 视觉风格(Style，可选) + 运镜/切镜(Camera Movement/Cut，可选) + 音频(Audio，可选)`，
  15 + **只有主体和事件是必填项**，其余按需补充——这跟 H3"三段公式"（参考素材说明+核心创意+画面过程说明）
  16 + 结构不同但目标一致：都是"先锁定必要信息，再按需分层加细节"。
  17 + 来源：[Dreamina Seedance 2.0 series prompt guide | ModelArk](https://docs.byteplus.com/en/docs/ModelArk/2222480)
  18 +
  19 +- **Seedance 2.5**（2026-07-31 发布，最新旗舰版）：单次生成可到 4K/30秒，支持最多 50 个参考输入
  20 + （30图+10视频+10音频）锁定角色/产品/风格；可多轮续接到 180 秒。
  21 + 来源：[Seedance 2.5 API guide](https://github.com/Anil-matcha/awesome-seedance-2.5-api-prompts)、
  22 + [vidmuse.ai Seedance 2.5 指南](https://vidmuse.ai/blog/seedance-2-5-guide)
  23 +
  24 +- **Timeline Prompting（时间戳提示词法）**：把提示词按时间戳+镜头指令组织，是"把散落镜头剪成真正
  25 + 视频序列"和"随手写一段描述"的分水岭——这个概念不是 Seedance 独有，Veo/H3 都在用，但 Seedance
  26 + 社区文章把它单独提炼成一个技巧名词。
  27 + 来源：[timeline prompting seedance 2 cinematic ai video | MindStudio](https://www.mindstudio.ai/blog/timeline-prompting-seedance-2-cinematic-ai-video)
  28 +
  29 +- **局限**：没找到 Seedance 官方公开的"容易踩的坑"类排错清单（不像 H3 有 Rhea 的评论区问答），
  30 + 多数资料来自第三方博客/SEO站点，权威性不如 H3 手册和 Google Veo 官方博客。
  31 +
  32 +---
  33 +
  34 +## 2. 通用电影摄影/镜头语言词汇体系
  35 +
  36 +这是本次调研最重要的产出，来源以 Google Cloud 官方 Veo 3.1 指南、StudioBinder/Wedio 等专业电影
  37 +制作术语站为主。**这套词汇是模型无关的，H3 中文提示词里同样可以夹用这些英文术语（H3 指南本身也建议
  38 +环绕运镜写成 `truck left+pan right`）。**
  39 +
  40 +### 2.1 景别体系（Shot Size）
  41 +| 英文 | 中文 | 说明 |
  42 +|---|---|---|
  43 +| Extreme wide shot / Establishing shot | 大远景/建立镜头 | 交代整体空间环境 |
  44 +| Wide shot / Full shot | 远景/全景 | 完整主体+大量环境 |
  45 +| Medium shot | 中景 | 主体腰部以上 |
  46 +| Close-up | 近景/特写 | 面部或局部细节 |
  47 +| Extreme close-up | 大特写 | 眼睛、手指等极小局部 |
  48 +| Two-shot | 双人镜 | 两个主体同框 |
  49 +| POV shot | 主观视角镜头 | 第一人称视角 |
  50 +
  51 +### 2.2 运镜术语（Camera Movement）
  52 +| 英文 | 中文/说明 |
  53 +|---|---|
  54 +| Dolly shot（推拉镜） | 摄像机前后移动，改变与主体距离 |
  55 +| Truck / Tracking shot（横移/跟拍） | 摄像机左右平移或跟随主体移动 |
  56 +| Pan（摇镜） | 机位不动，镜头水平转动 |
  57 +| Tilt（俯仰摇镜） | 机位不动，镜头垂直转动 |
  58 +| Crane shot（升降镜） | 摄像机垂直升降，常用于开场/结尾 |
  59 +| Aerial view（航拍） | 高空俯视视角 |
  60 +| Handheld（手持） | 手持摄影，画面有自然抖动 |
  61 +| Steadicam | 稳定器跟拍，平滑但保留运动感 |
  62 +| Whip pan（甩镜） | 极快速摇镜转场，产生动态模糊 |
  63 +| Rack focus（焦点转换/拉焦） | 画面内焦点从一个物体转移到另一个物体 |
  64 +| Dolly zoom（希区柯克变焦） | 推拉镜+反向变焦同时进行，制造空间扭曲感 |
  65 +| Orbital shot（环绕镜头） | 围绕主体旋转，H3 指南建议写成 `truck left+pan right` 具体分解 |
  66 +
  67 +### 2.3 构图/镜头（Composition & Lens）
  68 +| 英文 | 中文/说明 |
  69 +|---|---|
  70 +| Low angle / High angle | 低角度仰拍 / 高角度俯拍 |
  71 +| Dutch angle | 荷兰角/倾斜构图，制造不安感 |
  72 +| Shallow depth of field | 浅景深，主体清晰背景虚化 |
  73 +| Deep focus | 深景深，前后景都清晰 |
  74 +| Wide-angle lens (24-35mm) | 广角镜头，空间感强，人脸近距离易变形 |
  75 +| Telephoto / 85mm lens | 长焦/人像镜头，压缩空间、背景强虚化 |
  76 +| Macro lens | 微距镜头，极小物体特写 |
  77 +| Soft focus | 柔焦 |
  78 +| Bokeh | 背景虚化光斑质感（球面镜头产生圆形bokeh，变形宽银幕镜头产生椭圆形bokeh且有水平眩光） |
  79 +
  80 +### 2.4 光线术语（Lighting）
  81 +| 英文 | 中文/说明 |
  82 +|---|---|
  83 +| Key light（主光） | 最强主光源，塑造主体基本明暗 |
  84 +| Fill light（补光） | 减弱主光造成的阴影 |
  85 +| Back light / Rim light（轮廓光） | 主体背后打光，勾出发光边缘轮廓 |
  86 +| Three-point lighting（三点布光） | 主光+补光+轮廓光的标准布光法 |
  87 +| Practical light（实用光源） | 画面里实际存在的光源（台灯/蜡烛/路灯），增强真实感 |
  88 +| Golden hour（黄金时刻） | 日出/日落前后暖色调、长阴影、柔和光线 |
  89 +| High-key / Low-key lighting | 高调布光（明亮少阴影）/ 低调布光（大面积阴影，戏剧感强） |
  90 +| Practical / Motivated lighting | 光源在画面内有合理来源，而非凭空打光 |
  91 +
  92 +### 2.5 色彩分级/胶片质感（Color & Texture）
  93 +| 英文 | 中文/说明 |
  94 +|---|---|
  95 +| Color grading | 后期调色 |
  96 +| LUT (Look-Up Table) | 调色预设，模拟特定电影/商业片色彩风格；实践建议是按50-70%强度叠加，不要拉满 |
  97 +| Film grain | 胶片颗粒感，柔化数字感、增加质感 |
  98 +| Anamorphic | 变形宽银幕镜头质感：椭圆形bokeh+水平方向镜头眩光条 |
  99 +| High-key / Low-key（也用于调色语境） | 明快/暗调整体基调 |
  100 +
  101 +这套词表可以直接补充进 `h3-prompt-guide.md`，特别是"核心创意"里的"特殊运镜"一栏和"画面过程说明"
  102 +里的镜头描述——H3 官方案例库里其实已经在用（Wes Anderson式35mm胶片质感、rack focus、truck
  103 +left+pan right），但没有给出完整词表，这是可以补的缺口。
  104 +
  105 +---
  106 +
  107 +## 3. 跨模型提示词结构对比
  108 +
  109 +| 模型 | 结构公式 | 特点 |
  110 +|---|---|---|
  111 +| **H3**（MiniMax） | 参考素材说明 + 核心创意 + 画面过程说明（想要/不想要分开写） | 强调素材编号引用（`@图片1`）、显式区分"想要/不想要"、对"不要字幕"这类负向词有已知反效果 |
  112 +| **Seedance**（字节） | 主体+动作(必填) + 场景+风格+运镜+音频(可选) | 极简必填项，其余按需叠加；支持最多50个多模态参考 |
  113 +| **Veo 3.1**（Google，官方） | Cinematography + Subject + Action + Context + Style & Ambiance | 摄影语言放在最前面，强调"镜头语言优先于内容描述"；音频用 Dialogue（引号台词）/SFX/Ambient Noise 三层结构化标注；支持时间戳分段（Timestamp Prompting） |
  114 +| **Runway Gen-4.5** | 描述物理作用力而非外观（"kinetic sculptor"） | 独特强调物理真实感，提示词要像描述"力"而不是"长什么样" |
  115 +| **Kling 2.6** | 时间轴脚本+节拍标记（"audio-visual choreographer"） | 音画同步生成，提示词按节拍分段 |
  116 +| **Sora 2** | 因果链/世界逻辑（"physics simulator"） | 强调因果关系描述，不只是画面堆叠 |
  117 +
  118 +**可以反哺 H3 skill 的结构性差距**：
  119 +1. **H3 指南缺少显式的"负面提示词写法"建议**——Veo 官方指南明确指出"负面提示词要写成具体画面
  120 + （"空旷荒野，没有建筑没有道路"）而不是简单否定（"没有建筑"）"，这条经验可以直接套用到 H3
  121 + 的"不想要"段落，比 H3 手册现有的"不要字幕会反效果"更进一步，形成通用的负向描述写法规范。
  122 +2. **Veo 的音频三层结构（Dialogue引号台词 / SFX具体音效 / Ambient环境声）**比 H3 手册目前
  123 + 给出的"音效在动作旁写一次+整体声景复述一遍"更结构化，可以直接吸收成 H3 skill 里的固定格式。
  124 +3. **Timestamp Prompting 在 Veo/Seedance 都被单独强调为关键技巧**，这与 H3 手册"画面过程说明按
  125 + 时间轴分段"的建议完全一致，说明 H3 现有方法论在这一点上已经和业界最佳实践对齐，不用改。
  126 +
  127 +---
  128 +
  129 +## 4. 音效/声音设计描述方法论补充
  130 +
  131 +- **Diegetic vs Non-diegetic（叙事内/叙事外声音）**是行业标准概念，H3 手册的"非叙事性音乐：N/A"
  132 + 写法正对应 non-diegetic music 这个类别，但 H3 手册没有明确提这对术语，可以在 skill 里补充定义：
  133 + - Diegetic（叙事内/画内音）：脚步声、引擎声、风声、门声、人群声、织物摩擦声——画面里的角色能听到的声音
  134 + - Non-diegetic（叙事外/画外音）：配乐、戏剧性音效强调、旁白——角色听不到，只有观众能听到
  135 + 来源：[Diegetic vs Non-Diegetic Sound | WeVideo](https://www.wevideo.com/blog/diegetic-sound-vs-non-diegetic-sound)
  136 +
  137 +- **三层声音设计框架**（跨模型通用经验）：对话/人声（主要信息层）→ 配乐（情绪/氛围层）→ 音效与
  138 + 环境声（画内/环境层）。H3 手册的"参考素材说明"里已经有"音色参考/音频复用/音频部分复用"这几类，
  139 + 但没有把"声音设计"单独拆成这三层来指导纯文生场景下怎么写声音描述，这是可以补的结构。
  140 +
  141 +- **H3 官方版的 `overall_soundscape` 字段**（开源英文版指南）本质就是"环境声层"，中文版对应写法是
  142 + 在画面过程说明里直接描述环境声。这次调研确认了这套写法和行业通用框架（三层声音设计）是吻合的，
  143 + 不需要推翻，只需要在 skill 里显式点出"分层"这个概念，让描述更系统。
  144 +
  145 +---
  146 +
  147 +## 5. 电影级提示词质量评估维度清单（草案，供 benchmark 打分标准使用）
  148 +
  149 +综合 H3 官方方法论 + Veo/Seedance 结构对比 + 学术文生视频评估框架（FETV/Video-Bench 等强调的
  150 +"文本-视频对齐度"）整理出以下维度，每维度给出可操作的评分参考点：
  151 +
  152 +| 维度 | 权重建议 | 满分参考点 | 扣分信号 |
  153 +|---|---|---|---|
  154 +| **1. 三段公式完整性** | 高 | 参考素材说明（无素材则合理跳过）+ 核心创意（主体/地点/事件/风格/运镜五要素齐全）+ 画面过程说明（想要+不想要）三段都在，结构清晰可辨认 | 缺失某一段且该段本应存在；核心创意五要素缺项 |
  155 +| **2. 视觉具体化程度** | 高 | 全篇用可视化描述（颜色、材质、光影方向、动作细节），无"意会型"抽象比喻 | 出现"仿佛""某种感觉""有灵魂"这类无法转成画面的表达 |
  156 +| **3. 镜头语言专业度** | 中高 | 使用了准确的景别/运镜/光线专业词汇（见本报告第2节词表），且用法符合术语本意 | 术语误用（比如把"环绕运镜"直接照抄不拆解）；全篇零专业术语、只有日常语言 |
  157 +| **4. 时间轴/分镜结构化** | 中高（时长≥10s时应视为必需） | 按 shot 或时间段分段描述，每段包含景别+内容+运镜+动作+音效，段落时长与内容量匹配（无"3秒说一大段台词"这类不匹配） | 整段无分段的流水账描述；分镜时长与内容明显不匹配 |
  158 +| **5. 声音设计分层** | 中 | 区分了对话（如有，引号标注具体台词）/ 配乐（相对时序描述，不写死时间点和分贝数）/ 环境音效（具体声源），非叙事性音乐按需求写明或跳过（不写"不要BGM"又同时描述配乐这种矛盾） | 声音描述笼统（只写"配乐"不说什么音乐）；BGM需求自相矛盾；台词内容不具体 |
  159 +| **6. 约束一致性（正向/负向不矛盾）** | 中 | 正向要求和负向排除之间没有逻辑冲突；负向描述写成具体画面（"空旷荒野无建筑"）而非简单否定词堆砌 | 同时要求"要BGM"和"不要BGM"；负向词简单堆砌（"不要卡通、不要丑、不要低质量"这类空泛否定） |
  160 +| **7. 已知坑规避** | 中（H3特有） | 规避"不要字幕"这类已知反效果负向词；无对白角色主动加"保持安静/嘴巴自然闭合"约束防止乱念白；文字/Logo/台词如需出现则原文写全 | 写了"不要字幕"；无对白场景没做防止自动念白的约束；提到"标题文字"但没写出具体文字内容 |
  161 +| **8. 素材引用规范性**（仅 ref2va/fl2va） | 中（视模式而定，纯文生不适用） | 每个 `@图片N`/`@视频N` 都标注了用途（人物/场景/风格/动作参考等），编号顺序与实际上传顺序一致 | 引用了图片编号但没说用途；编号顺序和上传顺序对不上 |
  162 +| **9. 密度与长度匹配** | 低中 | 提示词长度与视频时长/复杂度匹配（H3案例库里15秒复杂分镜案例通常几百字，简单单镜头案例几十字即可，不是越长越好） | 简单镜头写成大段冗余描述；复杂多分镜场景只写一两句笼统描述 |
  163 +| **10. 输出格式合规性** | 低 | 符合目标模型的技术参数要求（分辨率/时长档位在 raylight 支持范围内、帧数不超过 RESOLUTION_CEILINGS 上限） | 帧数/分辨率组合会被后端拒绝或存在已知OOM风险 |
  164 +
  165 +**打分建议**：每维度按 0-10 打分（或按权重加权百分制），维度 1/2/6/7 是硬门槛型（明显违反直接
  166 +拉低总分或判定不合格），维度 3/4/5/8/9 是质量提升型（做得好加分明显，做不到也不算致命错误），
  167 +维度 10 是技术合规性检查（二元通过/不通过，不参与"质量"评分，但不通过直接导致任务无法提交）。
  168 +
  169 +---
  170 +
  171 +## 信息来源汇总
  172 +
  173 +- [Dreamina Seedance 2.0 series prompt guide | ModelArk](https://docs.byteplus.com/en/docs/ModelArk/2222480)
  174 +- [Seedance 2.5 API guide (GitHub)](https://github.com/Anil-matcha/awesome-seedance-2.5-api-prompts)
  175 +- [Seedance 2.5 Prompt Guide | vidmuse.ai](https://vidmuse.ai/blog/seedance-2-5-guide)
  176 +- [Timeline prompting Seedance 2 | MindStudio](https://www.mindstudio.ai/blog/timeline-prompting-seedance-2-cinematic-ai-video)
  177 +- [Ultimate prompting guide for Veo 3.1 | Google Cloud Blog（官方）](https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3.1)
  178 +- [Mastering Veo 3 | Medium](https://medium.com/@miguelivanov/mastering-veo-3-an-expert-guide-to-optimal-prompt-structure-and-cinematic-camera-control-693d01ae9f8b)
  179 +- [How to Actually Control Next-Gen Video AI | Medium](https://medium.com/@creativeaininja/how-to-actually-control-next-gen-video-ai-runway-kling-veo-and-sora-prompting-strategies-92ef0055658b)
  180 +- [Film Lighting Terms | StudioBinder](https://www.studiobinder.com/blog/film-lighting-terms/)
  181 +- [Basics of Film Lighting | Filmmaking Lifestyle](https://filmlifestyle.com/basics-of-film-lighting/)
  182 +- [Diegetic vs Non-Diegetic Sound | WeVideo](https://www.wevideo.com/blog/diegetic-sound-vs-non-diegetic-sound)
  183 +- [Diegetic vs Non-Diegetic Sound | Lightworks](https://lwks.com/blog/exploring-the-impact-of-diegetic-and-non-diegetic-sounds-in-video)
  184 +- [MiniMax H3 system prompt discussion | Hugging Face](https://huggingface.co/MiniMaxAI/MiniMax-H3/discussions/47)
  185 +- [AI Color Grading | invideo.io](https://invideo.io/blog/ai-color-grading/)
  186 +- [FETV: Fine-Grained Evaluation of Text-to-Video Generation (arXiv)](https://arxiv.org/pdf/2311.01813)
  187 +- [Video-Bench: Human-Aligned Video Generation Benchmark (arXiv)](https://arxiv.org/pdf/2504.04907)
  188 +- [27 Cinematic AI Video Prompts | Luma](https://lumalabs.ai/news/cinematic-ai-video-prompts)
  189 +- [Kling AI Prompt Guide](https://kling.ai/blog/kling-ai-prompt-guide)
... ...
raylight/h3-prompt-benchmark.md 0 → 100644
  View file @5c47845
  1 +# H3 电影级提示词质量评分 Benchmark
  2 +
  3 +用于评估 `h3-prompt-writer` skill 产出的提示词质量。依据来自 `h3-prompt-guide.md`（H3 官方方法论）
  4 ++ 通用电影摄影语言体系 + Veo/Seedance/Kling 等主流文生视频模型官方提示词指南的综合调研，调研全文见
  5 +[`deep-research-cinematic-prompt.md`](deep-research-cinematic-prompt.md)（调研
  6 +产出，非项目权威文档，仅作依据存档；正式结论已经吸收进本文件和 `h3-prompt-guide.md`）。
  7 +
  8 +## 打分方式
  9 +
  10 +- 满分 100（纯文生模式满分基数 92，最终分 = 实得分 / 92 × 100，因为「8. 素材引用规范性」8分不适用）。
  11 +- **第 10 维「输出格式合规性」是硬性 gate，不计入百分制**：不合规直接判定本次测试不合格，需先修正
  12 + 技术参数（分辨率/帧数），修正后再进入其余 9 维打分。
  13 +- 维度 1/2/6/7 是硬门槛型：这几维任一维度得分低于该维满分的 50%，即使总分凑够 95，也判定不合格
  14 + （防止"总分刷上去但关键维度烂"的情况）。
  15 +- 目标：skill 产出的提示词稳定拿到 **≥95 分**（且不触发硬门槛熔断）才算通过。
  16 +
  17 +## 评分维度
  18 +
  19 +### 1. 三段公式完整性（14分，硬门槛）
  20 +- 参考素材说明处理正确：有素材写清楚每个 `@图片N`/`@视频N` 的用途，无素材合理整段跳过（3分）
  21 +- 核心创意句五要素齐全：主体(1)+地点(1)+事件(1)+题材风格(1)+运镜(1)（5分）
  22 +- 画面过程说明存在且按时间/分镜组织，结构清晰可辨认（3分）
  23 +- "想要"与"不想要"两部分区分清晰，不混写（3分）
  24 +
  25 +### 2. 视觉具体化程度（14分，硬门槛）
  26 +- 全篇无"意会型"抽象比喻（如"仿佛""某种感觉""有灵魂"）：零处扣分满分，每出现一处扣2分（6分）
  27 +- 关键视觉元素（颜色/材质/光影方向/质地/尺寸）有具体可视化修饰，覆盖率高（8分）
  28 +
  29 +### 3. 镜头语言专业度（10分）
  30 +- 使用了准确的景别术语（英文或中文均可，如"中景""close-up"）（2分）
  31 +- 运镜术语具体化拆解，不写笼统的"环绕运镜"这类词（如写成 `truck left+pan right`）（3分）
  32 +- 光线/构图/色彩分级术语覆盖至少2类（如key light、shallow DOF、film grain 任选其二）（3分）
  33 +- 术语用法准确，无误用（如把 dolly 和 pan 混淆）（2分）
  34 +
  35 +### 4. 时间轴/分镜结构化（12分，视频时长≥10s时必需）
  36 +- 按 shot 或时间段分段描述（4分）
  37 +- 每段包含景别+内容+运镜+动作+音效等要素完整，不是单一维度的流水账（4分）
  38 +- 分镜时长与内容量匹配（无"3秒说一大段台词"这类明显不匹配）（4分）
  39 +
  40 +### 5. 声音设计分层（10分）
  41 +- 区分对话（如有，引号标注具体台词内容）/ 配乐 / 环境音效三层，不混为一谈（4分）
  42 +- 配乐用相对时序描述（"某事件后进入/停止"），不写死绝对秒数或分贝数值（3分）
  43 +- 台词具体化到原文，或明确写出"人物不说话"的约束（3分）
  44 +
  45 +### 6. 约束一致性（12分，硬门槛）
  46 +- 正向要求与负向排除之间没有逻辑矛盾（如同时要BGM又说不要BGM）（6分）
  47 +- 负向描述写成具体画面（如"空旷荒野无建筑无道路"）而非简单否定词堆砌（如"不要丑、不要低质量"）（6分）
  48 +
  49 +### 7. 已知坑规避（12分，硬门槛，H3专属）
  50 +- 未出现"不要字幕"这类已知反效果负向词（3分）
  51 +- 无对白角色场景，主动加了"保持安静/嘴巴自然闭合/无口型变化"约束防止自动念白（若场景有角色且不需要
  52 + 说话才适用；场景本就无角色则此项自动满分）（3分）
  53 +- 视频内需要出现的文字/Logo/标题/按钮文案，原文一字不差写出（若不需要文字则此项自动满分）（3分）
  54 +- 未使用已知会诱发"莫名变暗/聚光灯效应"的负向表述（如"压低背景""聚焦暗化"），改用正向曝光一致性
  55 + 描述（3分）
  56 +
  57 +### 8. 素材引用规范性（8分，仅 ref2va/fl2va 模式适用，纯文生模式此项跳过、满分基数改为92）
  58 +- 每个引用编号都标注了用途（人物参考/场景参考/风格参考/动作参考/关键帧等）（4分）
  59 +- 编号顺序与提交时 `reference_image_urls`/`first_frame_url` 实际顺序一致（4分）
  60 +
  61 +### 9. 密度与长度匹配（8分）
  62 +- 提示词长度与视频时长/画面复杂度相称：简单单镜头案例不过度堆砌形容词，复杂多分镜案例不因偷懒
  63 + 只写一两句笼统描述（8分）
  64 +
  65 +### 10. 输出格式合规性（gate，不计分，pass/fail）
  66 +- `width`/`height`/`frames` 组合在 `raylight/scripts/server.py` 的 `RESOLUTION_CEILINGS` 安全范围内
  67 +- 字段类型正确（数值型字段不是字符串等低级错误）
  68 +
  69 +## 打分记录格式
  70 +
  71 +每轮测试用如下表格记录，方便跨轮对比收敛趋势：
  72 +
  73 +| 轮次 | 测试用例 | 模式 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | gate | 总分 | 硬门槛熔断 |
  74 +|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
  75 +
  76 +## 2026-08-23 实测收敛记录（h3-prompt-writer skill v1→v5）
  77 +
  78 +打分者：与生成提示词的 agent 相互独立的评审 agent（不共享上下文，只读 benchmark 文件本身打分），
  79 +避免自评分数虚高。测试用例 A =「北京烤鸭产品广告」（纯文生，产品/无角色场景），
  80 +测试用例 B =「雨夜公寓对峙」（纯文生，双角色对白剧情场景，用于验证 A 上的修复能否泛化到不同题材）。
  81 +
  82 +| 轮次 | 用例 | 自评/盲测 | 总分 | 熔断 | 本轮主要问题 |
  83 +|---|---|---|---|---|---|
  84 +| 1 | A | 自评 | 94.6 | 否 | （首次自评，未发现结构性问题） |
  85 +| 1 | B | 自评 | 95.65 | 否 | |
  86 +| 1 | C（ref2va案例，非正式记录） | 自评 | 95.5 | 否 | |
  87 +| 2（skill改进后） | A v2 | 自评 | 98.4 | 否 | 自评虚高，未发现真实问题 |
  88 +| 2 | A v2 | **独立盲测** | **94.6** | 否 | 负向描述是类别否定非具体画面；展示台材质缺失；静态分镜动作要素偏弱；环境音重复 |
  89 +| 3（针对性修复） | A v3 | 独立盲测 | 94.6 | 否 | 分数不变但问题变了：中段漏写环境音（为避免重复整句删掉）；结尾2秒塞3个动作；负向清单只具体化了1条 |
  90 +| 4（针对性修复） | A v4 | 独立盲测 | 89.1 | 否 | **新发现**：全篇按"15秒"叙事但实际提交300帧≈12.5秒，时长与内容不匹配，末段被压缩后更挤；"固定机位"与"dolly in推近"自相矛盾 |
  91 +| 5（针对性修复） | A v5 | 独立盲测 | **96.7** | 否 | ✅ 达标。时长精确对齐、运镜表述自洽、材质/尺寸具体化到位 |
  92 +| 6（泛化验证，新题材） | B v1 | 独立盲测 | 92.4 | 否 | 环境元素只写了1-2件（漏墙面/家具/窗户）；无对白角色缺"嘴巴自然闭合"约束（skill里已有此规则但生成时漏用）；曝光负向表述踩"亮度分区"雷区边缘 |
  93 +| 7（针对性修复） | B v2 | 独立盲测 | 93.5 | 否 | 环境元素补齐；防念白约束补上；但"亮度分区"雷区词从负向句挪到正向句，词根仍在（本轮新引入） |
  94 +| 8（针对性修复） | B v3 | 独立盲测 | **96.7** | 否 | ✅ 达标。彻底删除"亮/暗+分区"类词汇，改用纯光源物理行为描述；分镜密度问题部分改善（未根治但不影响达标） |
  95 +
  96 +**结论**：两个不同题材（产品广告 / 双角色对白剧情）最终都独立盲测稳定 ≥95 分，判定收敛。过程中
  97 +两次「自评虚高、独立盲测发现真实问题」（轮2的94.6 vs 98.4、以及后续多轮"分数不变/下降但问题在
  98 +变化"）说明自评有系统性偏高风险，**后续用这个 skill 时如果要验证提示词质量，应该用独立的、没有
  99 +参与生成过程的视角重新审视，不要相信生成者自己的质量判断**。收敛过程中最有价值的两个教训：
  100 +(1) 提示词里的时长陈述必须跟实际提交的 `frames/24` 精确对齐，不能照抄案例来源的"标准时长"；
  101 +(2) 想避开一个已知雷区词时，要检查词根本身有没有被换个句式重新带回来，不能只看"这句是不是负向句"。
... ...
raylight/h3-prompt-guide.md 0 → 100644
  View file @5c47845
  1 +# MiniMax H3 提示词撰写方法论（原文抓取，来自飞书使用手册「四、如何更好地使用 H3」）
  2 +
  3 +来源：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh （最近修改 8月11日）
  4 +另有开源用户版指南（英文，字段名不同，如 `integrated_multimodal_description`/`overall_soundscape`/`non_diegetic_music`）：
  5 +- https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md
  6 +- https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md
  7 +文档作者 Rhea 说明：两份指南不冲突，本文档（飞书中文版）是给"海螺/Hub 用户"的更口语化版本，开源版是给本地部署用户、字段名是英文结构化 key。console/raylight 走的是纯 `prompt` 字符串字段，用本文档这套中文写法即可，不需要用开源版的英文字段名结构。
  8 +
  9 +官方案例库（26个带完整提示词的示范案例，按场景分类）见 [`docs/todo/h3-showcase-cases.md`](../docs/todo/h3-showcase-cases.md)。
  10 +
  11 +---
  12 +
  13 +## 1. 撰写提示词的友好建议
  14 +
  15 +### 1.1 整体公式
  16 +
  17 +```
  18 +完整提示词 = 参考素材说明 + 核心创意 + 画面过程说明
  19 +```
  20 +
  21 +### 1.2 四个要素如何描述
  22 +
  23 +#### （一）参考素材说明
  24 +告诉 H3 你上传的每个素材是干什么用的。
  25 +- 写清素材编号：按你上传的顺序，比如 `@图片1`、`@音频2`、`@视频3`
  26 +- 写清每个素材的用途，可选类型：
  27 + - 人物参考（锁定脸/形象）
  28 + - 物体参考（锁定物体）
  29 + - 场景参考（锁定场景）
  30 + - 关键帧（锁定帧，如果有首帧尾帧需求明确提出）
  31 + - 音色参考（锁定音色）
  32 + - 故事版（根据故事版分镜生成镜头内容）
  33 + - 风格参考（根据图片的风格，生成类似的风格内容）
  34 + - 构图参考（根据图片中物体构图，生成对应的构图）
  35 + - 音频复用（生成视频的音频直接复用参考音频素材）
  36 + - 音频部分复用（生成视频某个声音轨道/某个时间段部分复用参考音频素材）
  37 + - 动作参考（锁定动作）
  38 + - 运镜参考（锁定运镜）
  39 + - 视频编辑（对视频某个内容进行增删改）
  40 + - 以及其他要求也可按需写明
  41 +- 没有上传素材时整段跳过
  42 +
  43 +示例：
  44 +> @图片1 提供了xx角色的形象（如果有多个角色，需要能指代清楚），@视频2 提供了动作参考。
  45 +
  46 +**要点**：
  47 +- 如果素材中有非常想要保持的特征，建议明确写出来，这样可以让一致性更好。
  48 +- 在音频复刻/部分复刻中，如果对于人声对白内容/唱歌歌词内容的保持有较高的要求，强烈建议补充具体歌词文本内容。
  49 + 比如：`@音频1 作为目标视频的音频复刻素材，具体歌词是："ABCDEFGHIJKLMN"。`
  50 +
  51 +#### （二）核心创意
  52 +用一句话锁定全片信息，必须包含：
  53 +- **主体**：谁/什么（人/物/动物/其他）
  54 +- **地点**：在哪里
  55 +- **事件**：在做什么
  56 +- **题材/风格**：什么调性（写实/动画/电影感/广告片/纪录片……）
  57 + - 特殊风格举例：赛博朋克/霓虹灯美学/涂鸦风 等
  58 +- **特殊运镜**：要不要特殊镜头（航拍/一镜到底/慢动作……）
  59 + - 默认会切镜
  60 + - 运镜风格：写清即可；**注意环绕运镜，建议用 `truck left+pan right` 或 `truck right+pan left`，而非直接说"环绕运镜"**
  61 + - 切镜风格：普通切镜（cut）/叠化切镜（fade）/随着节奏卡点切镜/快切
  62 +- 如果任何元素有直接和引用素材的关联，都欢迎用 `@图片1`/`@音频1`/`@视频1` 等方式强调
  63 +
  64 +示例：
  65 +> 一位穿汉服的年轻女子（@图片1）在樱花纷飞的庭院里舞剑，古典国风，电影质感，一镜到底。
  66 +
  67 +#### （三）画面过程说明
  68 +按时间轴或故事线分段写，每个分镜/时间段包含两部分：
  69 +
  70 +**想要（画面里要出现什么）**：画面景别 + 内容 + 运镜 + 动作 + 台词 + 音效
  71 +- 以切镜 shot 作为时间戳的分段。每个 shot 内部写好景别、具体内容、shot 内部运镜、人物台词、音效等这个 shot 内的内容
  72 + - **注意台词的长短尽量和镜头长短对齐（这个得强调下，很多口型问题会来自于这个）**
  73 + - 如果一句台词跨 shot，可以用"接着上个 shot 继续说"这样的描述表明是跨 shot 的台词对白
  74 +- 如果任何元素有直接和引用素材的关联，可用 `@图片1`、`@音频1` 等方式强调
  75 +- 如果你希望视频中出现具体文字、Logo、标题、标语、按钮文案等，**一定要把文字原文写出来**。
  76 + 例如：`画面中出现英文："H3"。` 或 `手机屏幕上显示标题："AI Video Creation"，按钮文字为："Start Now"。`
  77 +
  78 +**不想要（视频里不要出现什么）**：
  79 +- 不想要背景音乐时，需明确写明，建议在提示词最后明确写：`非叙事性音乐：N/A`，或使用英文格式 `"non_diegetic_music": N/A`。**注意：想用音乐但同时又说"不要 BGM"是自相矛盾的写法，要么删一个，要么分场景写。**
  80 +- 尽量少写比喻句，多写看得见的画面：写 H3 提示词时，建议尽量使用具体、直接、可视化的描述，少写需要"意会"的句子。因为 H3 更擅长理解明确的画面指令，而不是抽象比喻。
  81 +- 如有台词，必须明确具体内容，比如：`一位穿汉服的年轻女子说："你来了，剑等你好久了。"`
  82 +
  83 +完整示例（分镜时间轴写法）：
  84 +> 0-3 秒：全景，女子（@图片1）从画面左侧缓步走入樱花庭院（@图片2），背景虚化，没有对白，只有脚步声。
  85 +> 3-8 秒：切镜到女子（@图片1）的中景，她拔出长剑（@图片3），缓缓起势，樱花瓣从树上飘落。镜头推进。
  86 +> 8-12 秒：切镜到特写，剑光一闪，慢动作，樱花被剑气激得四散。
  87 +> 非叙事性音乐：N/A
  88 +
  89 +### 1.3 镜头怎么拆
  90 +
  91 +H3 有基础的分镜能力，对切镜点遵从较强。建议：
  92 +
  93 +- **台词**：台词的长短和画面变化内容需要合乎每个 shot 的长短逻辑，尽量不要出现一个 3s shot 说很大一段话的情况，会非常影响效果。
  94 + - H3 能够响应跨 shot（J-cut，L-cut）的台词，只要明确写出一句台词跨了哪些 shot 就可以响应。
  95 + - 对于一个 shot 而言，如果是画面内说话人角色，需写清楚是哪个角色说的；如果是画面外说话人，写清楚是画外说话人。如果发生了画内外因切镜造成的转化，可以明确写出来。
  96 + - 复杂例子：`一个画外音响起说：Wake up Wake up。之后切镜到一个中年妇女的近景，她是画外音的主人，她继续说道：It's time to go to school！`
  97 +- **切镜一致性保持**：切镜时可明确写出切镜到什么景别、具体主体是之前的哪个角色，有助于跨镜头一致性的保持。
  98 +
  99 +### 1.4 三类模式生视频，提示词分别怎么写
  100 +
  101 +#### 模式一：上传多模态素材融合（多模态参考 / ref2va）
  102 +你可以同时上传：人物图 + 动作视频 + 场景图 + 音乐。每个素材都要写清它的角色：
  103 +- `@图片1` → 人物参考（锁脸）
  104 +- `@视频1` → 动作参考（锁动作）
  105 +- `@音频1` → 节奏/情绪参考
  106 +
  107 +示例：
  108 +> @图片1 是人物参考（锁这位女子的脸），@视频1 是动作参考（用里面的舞剑动作），@音频1 是情绪参考（古风配乐）。让这位女子在樱花庭院里按视频里的动作舞剑。
  109 +
  110 +#### 模式二：上传图片生成视频（图生视频 / fl2va）
  111 +- 只上传 1 张图：说清楚是首帧（视频开头画面）还是尾帧（视频结尾画面）
  112 +- 上传 2 张图（首+尾帧）：H3 不会自动加切镜，只补两帧之间的动作、光影、声音
  113 +
  114 +示例：
  115 +> @图片1 是首帧参考图：女子持剑站在樱花树下。让她从持剑起势到舞剑完毕，自然衔接，不要切镜。
  116 +
  117 +#### 模式三：纯文字生成视频（文生视频）
  118 +不依赖任何参考素材，直接根据文字提示词建立主体、场景、动作。这种模式：
  119 +- 文字描述要更具体（主体外观、场景细节、动作描述都要写清）
  120 +- 多用「大全景交代空间 + 中景承载动作 + 特写强调细节」的分层写法
  121 +
  122 +示例：
  123 +> 写实自然纪录片风格，电影级真实光影。清晨的薄雾中，在广阔的湿地芦苇荡里，一只优雅的白鹤单腿站立在浅水中，缓慢转头看向镜头。柔和的逆光，雾气在光束里飘动。
  124 +
  125 +### 1.5 容易踩的坑
  126 +
  127 +| 常见问题 | 怎么改 |
  128 +|---|---|
  129 +| 只写一段话没分段 | 按 3 段公式（参考素材说明+核心创意+画面过程说明）拆开写 |
  130 +| 素材上传了但没说用途 | 补一句「@图片1 是 XX 参考」 |
  131 +| 想用音乐但说「不要 BGM」 | 这两个矛盾，要么删一个，要么分场景写 |
  132 +| 想一镜到底但写了很多分镜 | 全文保持一段情节描述，删掉【镜头 N】结构 |
  133 +| 想要主角脸一致但没传图 | 一定要上传人物参考图，并标注「人物参考」 |
  134 +| 提示词太短（H3 没素材可参考时） | 至少写出主体外观 + 场景细节 + 动作 + 风格 |
  135 +
  136 +---
  137 +
  138 +## 2. 特定风格 · 提示词示意（完整案例，含代码块原文）
  139 +
  140 +### 案例：大字幕 MV（trap MV 风格）
  141 +【参考素材说明】@图片3：场景视觉风格（街道/夜间/地下空间、压迫感构图、环境层次、影像颗粒）@图片2：文字包装样式（字体质感、图形设计、动态图形排版冲击力）@图片1：人物形象（脸、发型、服装轮廓、比例、气质、整体氛围）只参考指定维度，不直接复制参考图，不出现真实品牌、原参考图 logo/标题/可识别文字。
  142 +
  143 +【核心创意】10秒，16:9 横版 trap MV。两位 fly detective 兄弟搭挡在多个近景地下空间轮流对镜头 rap，全程跟随 trap 鼓点律动、卡点硬切，高反差印刷海报质感的英文块字随 bass hit 压屏出现。地下音乐录像带 + 时尚杂志拼贴 + 高时装质感，兄弟搭档式冷峻 performance。
  144 +
  145 +【画面过程描述】（原文按 Shot 1-6 + Final 逐镜头写声音/文字/律动同步细节，节奏点精确到 808 bass/hi-hat/snare，每个 shot 明确景别、空间与前一 shot 的区分、人物动作与文字动效如何随鼓点触发，全程"硬切"转场，禁止全身/多人全景，只用近景系列镜头）——这是本手册里最复杂、最完整的一个分镜脚本示范，写新提示词时可以直接参考这个结构（场景-景别-人物-文字-律动 五要素逐 shot 铺开）。
  146 +
  147 +输出示例：飞书20260730-203458 / 飞书20260730-203504
  148 +
  149 +### 案例：手绘特效（纯文生，实拍+手绘发光动画融合）
  150 +【参考素材说明】无参考素材（纯文字生成视频）。
  151 +
  152 +【核心创意】15 秒，16:9 横版视频。将实拍的傍晚老式电车车厢与手绘发光动画融合：空荡末班电车车厢里，乘客用手机单手临时拍摄，遇到手绘杏橙色发光线在车厢里连续变形（车票→纸燕子→毛毛虫→箭头→小帆船→迷你电车→蜗牛→雨伞→小鱼→整车晚霞云海），最后回到车票碎成纸屑。整体生活感、怀旧、温柔而略带哀愁。
  153 +
  154 +【画面过程描述】原文按 0~3s / 3~6s / 6~10s / 10~13s / 13~15s 五段，每段写"正向"（要出现什么，形变链条严格首尾相连）和"反向"（不要出现什么，比如"不要平稳广告式构图""不要立体CG""不要恐怖怪物化、不要扑咬""不要切镜到别的场景、不要凭空的恐怖元素"）。这是"正向+反向约束成对写"这种写法的完整范例。
  155 +
  156 +输出示例：海螺_视频_15秒，16_9横版_539178623442698249
  157 +
  158 +---
  159 +
  160 +## 3. 撰写提示词的「最佳方式」：把任务交给专业的合作伙伴
  161 +
  162 +如果不想花大量时间研究提示词结构、镜头语言、素材引用方式和声音设计，可以直接在 MiniMax Hub 里用 H3 创作视频。
  163 +
  164 +**MiniMax Design** 是集合了「文本调研 + 多媒体制作 + 无限画布」的 AI Agent 生产平台，不需要把每个镜头、景别、运镜、声音都写得非常专业，只需要用自然语言描述想法，例如："我想做一个雨夜追逐的电影感短片"或"帮我把这张人物图生成一段有情绪转折的视频"，Agent 会理解创作意图、整理参考素材、补全镜头设计、优化提示词，并调动合适的生成能力完成视频创作。
  165 +
  166 +下载地址：国内 https://design.minimaxi.com/ ，海外 https://design.minimax.io/
  167 +
  168 +（这条路径依赖 MiniMax 官方 Hub/Design 产品，跟我们自己部署的 raylight/h3-console 不是一回事，这里只作为"提示词工程可以外包给 Agent"的方法论参考，不能直接用在我们自己的 console 上。）
  169 +
  170 +---
  171 +
  172 +## 附：评论区里的高价值排错知识（来自文档作者 Rhea 的官方答疑，原文摘录）
  173 +
  174 +这些是用户实际踩坑后 Rhea 给出的针对性解法，比正文更具体，写 skill 时应重点参考：
  175 +
  176 +1. **人物总是无意义地"念台词"/自己说话的问题**：
  177 + - 正向约束：人物全程保持安静，嘴巴自然闭合，没有说话或对话，面部只有轻微自然表情
  178 + - 负向约束：无对白、无人声、无念白、无口型变化、无自言自语
  179 + - 避免"对着镜头、交谈、讲述、激动表达、嘴唇微动"等容易触发说话的描述，也尽量少用引号和台词格式
  180 + - 给人物安排持续且明确的动作（专注观察、低头阅读、转身行走），只有"人物站着看镜头"时更容易自行补出讲话行为
  181 + - 特写仍不稳定时，改成侧脸、背影或中远景，能明显降低无意义口型
  182 + - 如果只是不需要声音，可以直接关闭音频生成或后期静音
  183 +
  184 +2. **音效/配乐的出现时间、持续时间、音量控制**（这是给开源版英文字段的建议，但思路对 console 中文 prompt 同样适用）：
  185 + - 音效：在画面描述的对应动作旁写一次，再在整体声景描述里按事件顺序复述一遍
  186 + - 配乐：用"某事件之前无音乐——事件发生时进入——某事件后完全停止"这种相对时间点描述，不要写秒数
  187 + - 音量：用相对混音描述（比如"轻微""逐渐增强"），不要写百分比或 dB 数值
  188 +
  189 +3. **字幕顽固出现，写了"不要字幕"也没用**：Rhea 的建议是反直觉的——**不要在提示词里写"不要字幕"这种负向词**，去掉这句反而更容易不出字幕（负向提示对字幕这个属性可能不生效甚至有反效果，暂无解释原因，官方还在优化中，2026-08-11 前仍未解决）。
  190 +
  191 +4. **背景音乐"禁止不掉"**：确认写法是 `non_diegetic_music: N/A`（这是英文字段名，中文版对应写法是提示词最后写"非叙事性音乐：N/A"）。
  192 +
  193 +5. **画面莫名变暗/出现聚光灯效果（背景暗人物亮）且提示词里没写相关内容**：这是 H3 已知的不稳定问题（其他模型不会出现）。建议：去掉光照负向词，删除"压低背景、亮度分区、聚焦暗化、突出主体明暗、背景突变暗"等负向表述，保留"人物与背景曝光统一、亮度稳定"的正向约束。Rhea 承认即使这样改了，问题仍可能部分复现，官方在跟进优化。
  194 +
  195 +6. **参考图编号约定（开源 ComfyUI 节点专用，console 场景一般用不到，但记录备查）**：ComfyUI 里 `MiniMax H3 Reference to Video` 节点内部图片编号从 0 开始（`ref_image_0`/`ref_image_1`），但提示词里要用从 1 开始、带尖括号的写法：`ref_image_0 → <Picture 1>`，`ref_image_1 → <Picture 2>`，不要写字段全称、`image_0` 或 `image_1`。
  196 +
  197 +7. **首尾帧给相同图片做循环视频，但输出尾帧会变化，做不成循环**：文档里没有给出解法，是已知未解决的问题，测试首尾帧循环类案例时要留意这个限制，别预期一定能做出完美循环。
  198 +
  199 +8. **视频扩图/去字幕做二创**：官方确认"不可以"，H3 不支持这个方向的编辑。
  200 +
  201 +9. **视频人物替换时，无法保持全视频被替换人物的一致性**：Rhea 未给出通用解法，遇到时需要提供具体 video ID/task ID 由官方定位，暂无自助修复方法，测试视频编辑类案例时要留意这个已知限制。
  202 +
  203 +---
  204 +
  205 +## 附：电影摄影专业词汇表（补充自跨模型调研，完整来源见 `deep-research-cinematic-prompt.md`）
  206 +
  207 +H3 中文提示词里可以直接夹用这些英文术语，H3 官方案例本身也在用（Wes Anderson式35mm胶片质感、rack
  208 +focus、`truck left+pan right`）。写提示词时至少覆盖两类（比如运镜+光线，或光线+构图）。
  209 +
  210 +### 景别（Shot Size）
  211 +| 英文 | 中文 | 说明 |
  212 +|---|---|---|
  213 +| Extreme wide shot / Establishing shot | 大远景/建立镜头 | 交代整体空间环境 |
  214 +| Wide shot / Full shot | 远景/全景 | 完整主体+大量环境 |
  215 +| Medium shot | 中景 | 主体腰部以上 |
  216 +| Close-up | 近景/特写 | 面部或局部细节 |
  217 +| Extreme close-up | 大特写 | 眼睛、手指等极小局部 |
  218 +| Two-shot | 双人镜 | 两个主体同框 |
  219 +| POV shot | 主观视角镜头 | 第一人称视角 |
  220 +
  221 +### 运镜（Camera Movement）
  222 +| 英文 | 说明 |
  223 +|---|---|
  224 +| Dolly shot（推拉镜） | 摄像机前后移动，改变与主体距离 |
  225 +| Truck / Tracking shot（横移/跟拍） | 摄像机左右平移或跟随主体移动 |
  226 +| Pan（摇镜） | 机位不动，镜头水平转动 |
  227 +| Tilt（俯仰摇镜） | 机位不动，镜头垂直转动 |
  228 +| Crane shot（升降镜） | 摄像机垂直升降，常用于开场/结尾 |
  229 +| Aerial view（航拍） | 高空俯视视角 |
  230 +| Handheld（手持） | 手持摄影，画面有自然抖动 |
  231 +| Steadicam | 稳定器跟拍，平滑但保留运动感 |
  232 +| Whip pan（甩镜） | 极快速摇镜转场，产生动态模糊 |
  233 +| Rack focus（焦点转换/拉焦） | 画面内焦点从一个物体转移到另一个物体 |
  234 +| Dolly zoom（希区柯克变焦） | 推拉镜+反向变焦同时进行，制造空间扭曲感 |
  235 +| Orbital shot（环绕镜头） | 围绕主体旋转，H3 指南建议写成 `truck left+pan right` 具体分解，不要只写"环绕运镜" |
  236 +
  237 +### 构图/镜头（Composition & Lens）
  238 +| 英文 | 说明 |
  239 +|---|---|
  240 +| Low angle / High angle | 低角度仰拍 / 高角度俯拍 |
  241 +| Dutch angle | 荷兰角/倾斜构图，制造不安感 |
  242 +| Shallow depth of field | 浅景深，主体清晰背景虚化 |
  243 +| Deep focus | 深景深，前后景都清晰 |
  244 +| Wide-angle lens (24-35mm) | 广角镜头，空间感强，人脸近距离易变形 |
  245 +| Telephoto / 85mm lens | 长焦/人像镜头，压缩空间、背景强虚化 |
  246 +| Macro lens | 微距镜头，极小物体特写 |
  247 +| Bokeh | 背景虚化光斑质感 |
  248 +
  249 +### 光线（Lighting）
  250 +| 英文 | 说明 |
  251 +|---|---|
  252 +| Key light（主光） | 最强主光源，塑造主体基本明暗 |
  253 +| Fill light（补光） | 减弱主光造成的阴影 |
  254 +| Back light / Rim light（轮廓光） | 主体背后打光，勾出发光边缘轮廓 |
  255 +| Three-point lighting（三点布光） | 主光+补光+轮廓光的标准布光法 |
  256 +| Practical light（实用光源） | 画面里实际存在的光源（台灯/蜡烛/路灯），增强真实感 |
  257 +| Golden hour（黄金时刻） | 日出/日落前后暖色调、长阴影、柔和光线 |
  258 +| High-key / Low-key lighting | 高调布光（明亮少阴影）/ 低调布光（大面积阴影，戏剧感强） |
  259 +
  260 +### 色彩分级/胶片质感（Color & Texture）
  261 +| 英文 | 说明 |
  262 +|---|---|
  263 +| Color grading | 后期调色 |
  264 +| LUT | 调色预设，模拟特定电影/商业片色彩风格 |
  265 +| Film grain | 胶片颗粒感，柔化数字感、增加质感 |
  266 +| Anamorphic | 变形宽银幕镜头质感：椭圆形bokeh+水平方向镜头眩光条 |
  267 +
  268 +## 附：声音设计分层框架（Diegetic / Non-diegetic）
  269 +
  270 +行业标准概念，H3 手册的"非叙事性音乐：N/A"写法对应的就是 non-diegetic music 这一类：
  271 +
  272 +- **Diegetic（叙事内/画内音）**：脚步声、引擎声、风声、门声、人群声、织物摩擦声——画面里的角色能
  273 + 听到的声音。**每个 shot 只要有动作，就应该配一句画内音描述**，不要漏掉，哪怕是"转盘缓慢转动的
  274 + 轻微机械声"这种小细节。
  275 +- **Non-diegetic（叙事外/画外音）**：配乐、戏剧性音效强调、旁白——角色听不到，只有观众能听到。
  276 +
  277 +写声音设计时按三层描述：**对话（人声，主要信息层，如有需引号写出原文）→ 配乐（情绪/氛围层，
  278 +non-diegetic，用相对时序描述）→ 音效与环境声（diegetic，画内/环境层，跟随动作逐 shot 写）**。
  279 +只写配乐、漏掉画内环境声是常见疏漏，会让画面显得"哑"。
  280 +
  281 +## 附：负向描述写法
  282 +
  283 +负向描述要写成**具体画面**而不是简单否定词堆砌：写"空旷荒野，没有建筑没有道路"，不要只写"没有建筑"；
  284 +写"不要杂乱背景道具、不要出现第三人"，不要写"不要丑、不要低质量"这种空泛否定。模型对"具体但不存在
  285 +的画面"比对"抽象的坏"更容易执行。（"不要字幕"是这条规则的**例外**——见上面第3条已知坑，这一条
  286 +反直觉地不适用负向具体化规则，字幕这个属性本身就不要写负向词。）
... ...