# 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」）

来源：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh （最近修改 8月11日）
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`）：
- https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md
- https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md
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。

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)。

---

## 1. 撰写提示词的友好建议

### 1.1 整体公式

```
完整提示词 = 参考素材说明 + 核心创意 + 画面过程说明
```

### 1.2 四个要素如何描述

#### （一）参考素材说明
告诉 H3 你上传的每个素材是干什么用的。
- 写清素材编号：按你上传的顺序，比如 `@图片1`、`@音频2`、`@视频3`
- 写清每个素材的用途，可选类型：
  - 人物参考（锁定脸/形象）
  - 物体参考（锁定物体）
  - 场景参考（锁定场景）
  - 关键帧（锁定帧，如果有首帧尾帧需求明确提出）
  - 音色参考（锁定音色）
  - 故事版（根据故事版分镜生成镜头内容）
  - 风格参考（根据图片的风格，生成类似的风格内容）
  - 构图参考（根据图片中物体构图，生成对应的构图）
  - 音频复用（生成视频的音频直接复用参考音频素材）
  - 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）
  - 动作参考（锁定动作）
  - 运镜参考（锁定运镜）
  - 视频编辑（对视频某个内容进行增删改）
  - 以及其他要求也可按需写明
- 没有上传素材时整段跳过

示例：
> @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。

**要点**：
- 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。
- 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。
  比如：`@音频1 作为目标视频的音频复刻素材，具体歌词是："ABCDEFGHIJKLMN"。`

#### （二）核心创意
用一句话锁定全片信息，必须包含：
- **主体**：谁/什么（人/物/动物/其他）
- **地点**：在哪里
- **事件**：在做什么
- **题材/风格**：什么调性（写实/动画/电影感/广告片/纪录片……）
  - 特殊风格举例：赛博朋克/霓虹灯美学/涂鸦风 等
- **特殊运镜**：要不要特殊镜头（航拍/一镜到底/慢动作……）
  - 默认会切镜
  - 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"**
  - 切镜风格：普通切镜（cut）/叠化切镜（fade）/随着节奏卡点切镜/快切
- 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

示例：
> 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。

#### （三）画面过程说明
按时间轴或故事线分段写，每个分镜/时间段包含两部分：

**想要（画面里要出现什么）**：画面景别 + 内容 + 运镜 + 动作 + 台词 + 音效
- 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
  - **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）**
  - 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
- 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
- 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**。
  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"。`

**不想要（视频里不要出现什么）**：
- 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。**
- 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。
- 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。"`

完整示例（分镜时间轴写法）：
> 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。
> 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。
> 8-12 秒：切镜到特写，剑光一闪，慢动作，樱花被剑气激得四散。
> 非叙事性音乐：N/A

### 1.3 镜头怎么拆

H3 有基础的分镜能力，对切镜点遵从较强。建议：

- **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。
  - 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。
  - 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。
  - 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！`
- **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。

### 1.4 三类模式生视频，提示词分别怎么写

#### 模式一：上传多模态素材融合（多模态参考 / ref2va）
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：
- `@图片1` → 人物参考（锁脸）
- `@视频1` → 动作参考（锁动作）
- `@音频1` → 节奏/情绪参考

示例：
> @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。

#### 模式二：上传图片生成视频（图生视频 / fl2va）
- 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）
- 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

示例：
> @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。

#### 模式三：纯文字生成视频（文生视频）
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：
- 文字描述要更具体（主体外观、场景细节、动作描述都要写清）
- 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

示例：
> 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。

### 1.5 容易踩的坑

| 常见问题 | 怎么改 |
|---|---|
| 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 |
| 素材上传了但没说用途 | 补一句「@图片1 是 XX 参考」 |
| 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 |
| 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 |
| 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」 |
| 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 |

---

## 2. 特定风格 · 提示词示意（完整案例，含代码块原文）

### 案例：大字幕 MV（trap MV 风格）
【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。

【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。

【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）。

输出示例：飞书20260730-203458 / 飞书20260730-203504

### 案例：手绘特效（纯文生，实拍+手绘发光动画融合）
【参考素材说明】无参考素材（纯文字生成视频）。

【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。

【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。

输出示例：海螺_视频_15秒，16_9横版_539178623442698249

---

## 3. 撰写提示词的「最佳方式」：把任务交给专业的合作伙伴

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。

**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。

下载地址：国内 https://design.minimaxi.com/ ，海外 https://design.minimax.io/

（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。）

---

## 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）

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：

1. **人物总是无意义地"念台词"/自己说话的问题**：
   - 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
   - 负向约束：无对白、无人声、无念白、无口型变化、无自言自语
   - 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
   - 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
   - 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
   - 如果只是不需要声音，可以直接关闭音频生成或后期静音

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）：
   - 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
   - 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
   - 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

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）。

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"）。

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。

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`。

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。

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。

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。

---

## 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`）

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
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）。

### 景别（Shot Size）
| 英文 | 中文 | 说明 |
|---|---|---|
| Extreme wide shot / Establishing shot | 大远景/建立镜头 | 交代整体空间环境 |
| Wide shot / Full shot | 远景/全景 | 完整主体+大量环境 |
| Medium shot | 中景 | 主体腰部以上 |
| Close-up | 近景/特写 | 面部或局部细节 |
| Extreme close-up | 大特写 | 眼睛、手指等极小局部 |
| Two-shot | 双人镜 | 两个主体同框 |
| POV shot | 主观视角镜头 | 第一人称视角 |

### 运镜（Camera Movement）
| 英文 | 说明 |
|---|---|
| Dolly shot（推拉镜） | 摄像机前后移动，改变与主体距离 |
| Truck / Tracking shot（横移/跟拍） | 摄像机左右平移或跟随主体移动 |
| Pan（摇镜） | 机位不动，镜头水平转动 |
| Tilt（俯仰摇镜） | 机位不动，镜头垂直转动 |
| Crane shot（升降镜） | 摄像机垂直升降，常用于开场/结尾 |
| Aerial view（航拍） | 高空俯视视角 |
| Handheld（手持） | 手持摄影，画面有自然抖动 |
| Steadicam | 稳定器跟拍，平滑但保留运动感 |
| Whip pan（甩镜） | 极快速摇镜转场，产生动态模糊 |
| 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 |
| 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 |
| 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" |

### 构图/镜头（Composition & Lens）
| 英文 | 说明 |
|---|---|
| Low angle / High angle | 低角度仰拍 / 高角度俯拍 |
| Dutch angle | 荷兰角/倾斜构图，制造不安感 |
| Shallow depth of field | 浅景深，主体清晰背景虚化 |
| Deep focus | 深景深，前后景都清晰 |
| Wide-angle lens (24-35mm) | 广角镜头，空间感强，人脸近距离易变形 |
| Telephoto / 85mm lens | 长焦/人像镜头，压缩空间、背景强虚化 |
| Macro lens | 微距镜头，极小物体特写 |
| Bokeh | 背景虚化光斑质感 |

### 光线（Lighting）
| 英文 | 说明 |
|---|---|
| Key light（主光） | 最强主光源，塑造主体基本明暗 |
| Fill light（补光） | 减弱主光造成的阴影 |
| Back light / Rim light（轮廓光） | 主体背后打光，勾出发光边缘轮廓 |
| Three-point lighting（三点布光） | 主光+补光+轮廓光的标准布光法 |
| 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 |
| Golden hour（黄金时刻） | 日出/日落前后暖色调、长阴影、柔和光线 |
| 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） |

### 色彩分级/胶片质感（Color & Texture）
| 英文 | 说明 |
|---|---|
| Color grading | 后期调色 |
| LUT | 调色预设，模拟特定电影/商业片色彩风格 |
| Film grain | 胶片颗粒感，柔化数字感、增加质感 |
| Anamorphic | 变形宽银幕镜头质感：椭圆形bokeh+水平方向镜头眩光条 |

## 附：声音设计分层框架（Diegetic / Non-diegetic）

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：

- **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。**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
  轻微机械声"这种小细节。
- **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。

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，
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）**。
只写配乐、漏掉画内环境声是常见疏漏，会让画面显得"哑"。

## 附：负向描述写法

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"；
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
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
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。）