name: h3-video-prompt-main-skill version: 0.2.0 (evolve iteration 2, final) status: training source: 官方 MiniMax-AI/MiniMax-H3 仓库 raw.githubusercontent.com 逐字原文 （skills/h3-prompt-writing/{SKILL.md,references/base-en.txt,references/ref-en.txt}，
2026-08-25 由 Evolver 直接 fetch 全文核实，非二手转述）
H3 视频提示词写作方法论
0. 总览与一条硬规则
MiniMax H3 提示词写作分 5 种官方输入模式：T2VA / I2VA / FL2VA / L2VA（合称"基础模式"， 共享同一套 Part One + 三字段结构）/ Ref2VA（"全参考模式"，六字段结构）。
硬规则（本轮训练新发现，纠正了此前骨架的隐含假设）：
官方仓库顶层 SKILL.md "Output Rules" 明确写道
"Write rewrite sections in English; preserve dialogue, lyrics, and visible scene text in their
original language." —— 这条规则对基础模式和 Ref2VA 全部适用，不是 Ref2VA 专属。
也就是说：integrated_multimodal_description / detailed_description /
overall_soundscape / non_diegetic_music / subject_definitions / summary /
retention_analysis 这些结构化字段本身必须用英文书写，只有 <d>...</d> 内的对白/歌词、
和画面里真实出现的可见文字（招牌/字幕/霓虹灯字样）保留原语言逐字不译，不要翻译。
这条规则在此前 agent.md 里被写反了（agent.md 现有措辞是"跟随用户输入语言"）——这是本次
Evolve 阶段直接读取官方原始文件（而非转述）新确认的发现，knowhow_v1.md §9.1 曾把这部分标为
"未核实"，本轮已用 raw.githubusercontent.com 逐字读取解决，不再是未核实状态。
与用户沟通说明（"这条提示词里每个选择对应你需求里的哪句话"那段附加说明）可以用中文，
但喂给模型的最终提示词原文本身必须是英文结构 + 保留原语言的对白/可见文字。
1. Step 0：信息收集（带优先级）
按以下顺序收集，缺失且无法合理推断的，一次性列全反问，不要挤牙膏：
优先级 1（不变量与事件，必须锁定）：
- 有没有参考素材？分别是图/视频/音频，各多少个？—— 决定走哪种模式
- 核心主体是谁/是什么（人物身份特征、产品外观特征）
- 核心动作/事件顺序是什么
- 若有多个参考素材：每个素材各自负责锁定什么（外观/动作/风格/音色），不能让素材"裸奔"堆叠
优先级 2（时长与结构）：
- 期望时长（4-15秒，H3 官方范围）
- 是单镜头还是需要分镜（多个 [Shot N]）
优先级 3（质感，最后补）：
- 情绪基调、运镜偏好、光影氛围
- 是否需要对白/歌唱、语言是什么
- 音乐风格偏好，或明确不需要音乐/环境声
能从上下文合理推断的直接采用并注明"按 X 理解"；只有推断会显著改变结果时才反问。
2. Step 1：5 种模式判断决策树
有参考素材吗？
├─ 没有 → T2VA（纯文本原创场景）
└─ 有 → 素材构成是什么？
├─ 仅 1 张首帧图 → I2VA
├─ 首尾各 1 张图，描述中间过渡 → FL2VA
├─ 仅 1 张尾帧图，需要反推之前发生了什么 → L2VA
└─ 多素材身份/风格锁定
（最多9图+3视频+3音频，或素材本身承担"定义可复用主体/编辑源视频/音色参考"
等结构化角色，而不只是"起止帧锚点"）→ Ref2VA
易错判断（对应 knowhow §6 / benchmark D6"首尾帧模式与全参考模式混用"）：
- 首尾各一张图 ≠ 自动等于 Ref2VA。如果两张图纯粹是"起点画面"和"终点画面"，中间只是过渡动画， 用 FL2VA；只有当参考素材需要被拆成多个可复用主体、且要求跨镜头一致性追踪时，才升级到 Ref2VA。
- 3 张不同角度的同一产品图 = 同一个
<Subject N>的多个来源图，不要拆成 3 个不同主体 （对应 TS-06 的判分点）。 - 用户说"给我做个视频"这种完全无参考、无场景描述的极简请求，不要臆造一个具体场景直接写， 先反问（见 Step 8 边界情况）。
3. Step 2：基础模式（T2VA / I2VA / FL2VA / L2VA）结构模板
3.1 Part One：模式专属的起始指令行（逐字模板，来自官方 base-en.txt）
- T2VA：无指令行，直接从三字段开始。
- I2VA（固定句式，
N恒为 1、[Shot 1]恒为 1，因为只有一张首帧图）：For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. - FL2VA（
N是首尾图各自所在的实际镜头号，S.SS是尾帧对应的精确到两位小数的时刻）：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. - L2VA（
N是最后一个镜头号，S.SS是有效视频时长）：How the reference pictures align with the target video — <Picture 1> (from [Shot N]) aligns with the S.SS-second mark of the target video.指令行必须是整段提示词的第一行，后面空一行再接三字段。
硬规则（round 2 新增，修复 round 1 实测踩过的坑）：上面模板里的 N / S.SS 是要你
替换成本场景具体数值的占位符，交付的最终提示词里绝对不能原样留下字面的 "Shot N" /
"S.SS-second mark" 这类未解析文本——round 1 在 FL2VA/L2VA 两个场景里都真实犯过这个错误
（把模板照抄进最终输出，没有替换成具体镜头号和具体秒数），交付前必须自查一遍指令行是否已经
全部替换成实际数字。例：15 秒单镜头 FL2VA 的正确指令行是
Picture 2 (from Shot 1) aligns with the 15.00-second mark of the target video.，
不是 Picture 2 (from Shot N) aligns with the S.SS-second mark...。
3.2 Part Two：三字段（顺序固定）
integrated_multimodal_description: [Shot 1] <风格声明>，<画面/动作/对白/同步音沿时间线展开>...
overall_soundscape: <环境声/动作触发音/非语言人声，1-4句连续段落>
non_diegetic_music: <角色听不到、只有观众听到的配乐，1-3句，聚焦配器/节奏/力度变化>
3.3 各模式推荐结构（内容组织，非字段本身）
| 模式 | 推荐展开结构 |
|---|---|
| T2VA | 直接按时间线构建完整时间线，细节需与用户意图保持一致 |
| I2VA | 首帧锚定（还原 Picture 1 的主体/构图/场景）→ 动作起势 → 连续展开 → 结果/反应 |
| FL2VA | 首帧状态 → 可观察的中间变化 → 差异逐步收窄 → 尾帧状态；优先单镜头，模型据此在首尾帧间插值；仅在用户明确要求时才拆多镜头；末尾必须落到尾帧 |
| L2VA | 合理的前置状态（自行反推）→ 明确的动作与过渡路径 → 末镜头逐步收敛 → 落到尾帧画面 |
4. Step 3：Ref2VA 全参考模式六字段结构
顺序固定：subject_definitions → summary → retention_analysis →
detailed_description → overall_soundscape → non_diegetic_music。
4.1 subject_definitions —— 四种标签
| 标签 | 含义 | 使用时机 |
|---|---|---|
<Subject N> |
可复用的可见内容（人/动物/物体/场景/服装/道具/风格/动作/表情） | 参考素材里会被实际用到目标视频中的内容单元 |
<Picture N> |
参考图作为具体目标帧或分镜锚点 | 仅当该图本身就是某镜头的首帧/关键帧/尾帧/构图锚点时才单独立项；如果一张图只是用来定义某个 Subject 的外观，不单独立项，在该 Subject 定义里引用来源即可 |
<Video N> |
参考视频提供剪辑源/续接起点/整体节奏结构 | 用于"编辑原视频""从原视频结尾续接""复用原视频运镜/剪辑节奏"这类整段视频层面的关系 |
<Audio N> |
被复制或引用的音频信号 | 复用/引用配乐风格、音色、对白台词、音效、节奏时使用 |
一个 Subject 可以由多个素材共同定义（如"外观来自 Picture 1，动作来自 Video 1"）。 每个标签定义后，在后续所有字段里含义保持不变，不要重新定义。
<Subject 1> is the young woman in <Picture 1>, with long dark hair, a blue cardigan, and a thin silver necklace.
硬规则（round 2 新增，修复 round 1 实测踩过的坑）：人物类 Subject 不能只写"如素材所示"
这类空泛描述（round 1 曾把代言人/舞者写成"with their face, hairstyle, and build as shown in
the clip"——字段是有内容，但没有任何一条具体可辨识特征，等于把辨认工作甩给读者，命中 D1 tier 4
"内容单薄"）。必须像对待产品一样，指名 2-3 条具体可辨识特征（发色/发长/发型、服装颜色和款式、
体态/五官特征、随身饰品），例如"a woman with straight shoulder-length black hair, a defined
jawline, and a fitted charcoal-grey blazer"。产品类 Subject 同理，如果画面里有品牌标识，要点名
标识的位置/角度（如"logo 蚀刻在表盘右下角"），因为 retention_analysis 要能对应到这些具体特征，
而不是重复一遍"保持一致"这种没有信息量的话。
4.2 summary —— 方括号任务类型前缀 + 一段话概述
任务类型（可用 + 组合，不重复同一类型）：
| 类型 | 使用时机 |
|---|---|
keyframe completion |
图像作为目标视频的首帧/关键帧/尾帧/编辑后关键帧等具体帧锚点 |
reference generation |
图/视频/音频提供角色/场景/风格/动作/运镜/分镜等生成指导，不作为具体帧或被剪辑/续接的源视频 |
video editing |
直接修改一段已有源视频（编辑静态图或在关键帧之间生成不算） |
video continuation |
从已有源视频续接/延伸/恢复/过渡出新内容 |
audio reuse |
同一段音频信号被全部或部分复用 |
audio reference |
不直接复制音频信号，只引用其音乐风格/音色/对白歌词内容/音效质感/节奏/连续性 |
[reference generation + audio reference] The target video shows <Subject 1> ...
仅在编辑源视频时，紧跟任务类型前缀写：The target video is an edited version of <Video 1>.
4.3 retention_analysis —— 每个标签一行，标注关系标记
视觉类（<Subject N> / <Picture N> / <Video N>）：
fully_preserved（完整保留）/ partially_preserved（部分特征改变或只部分保留）/
attribute_transfer（特征转移到另一个可识别主体）/ weak_reference（仅保留风格/类别/构图/氛围层面的粗略相似）
音频类（<Audio N>）：
fully_copy（完整源音频作为目标视频完整最终音轨）/
partially_copy（只复制部分时间线或部分音轨层，或复制后增删替换了其他声音）/
reference（不直接复制信号，只引用音色/节奏/风格/对白内容/音效质感）/
weak_reference（仅保留类别/氛围层面的粗略相似）
<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - the woman's long dark hair, blue cardigan, and silver necklace are retained.
关系标记只能在该标签已在 subject_definitions 里定义的角色范围内选，不要把目标视频里
新增的动作/背景/剧情事件当成"参考保真度的损失"。(Sx) 不要出现在 retention_analysis 里。
4.4 detailed_description —— 主体正文
- 开头 1-2 句英文声明整体风格（对应基础模式"[Shot 1] 开头声明风格"，Ref2VA 挪到 [Shot 1] 之前）
[Shot 1]无时间戳，后续镜头[Shot N] At MM:SS.mmm, ...- 运镜写成自然英文动作短语，含类型+幅度+速度（见 §5）
- 重要
<Subject N>首次清晰出现时描述其被引用的特征/画面位置/当前动作，后续镜头沿用同一标签 不重新定义 - 具体帧锚点用自然短语：
the shot begins from <Picture 1>/the shot's keyframe corresponds to <Picture 2>/the shot ends on <Picture 3> - 生成类任务通常 350-500 英文词；对白密集内容优先保证完整对白时间线而非硬凑字数；编辑类描述随源视频复杂度伸缩
- 语音来源规则：主体本人说话写
<Subject N> (Sx)；台词只是被直接复用的 BGM/完整原声里的一句歌词、没有具体人物/角色/旁白发声主体时，用<Audio N>标注来源，不要发明一个(Sx)
4.5 overall_soundscape / non_diegetic_music
与基础模式规则相同（见 §6），只是这里可能需要引用 <Audio N> 的复用/引用关系——环境声层的引用写进
overall_soundscape，观众专属配乐层的引用写进 non_diegetic_music，同一段音频若两层都提供，
分别在两个字段各写一句。
5. Step 4：镜头语言总表
5.1 运镜三维度：类型 + 幅度 + 速度
| 类型 | 说明 |
|---|---|
Zoom In / Zoom Out |
焦距变化，机身不动 |
Push In / Pull Out |
机身前后移动 |
Pan Left / Pan Right |
机位不动，镜头水平摇摆 |
Truck Left / Truck Right |
机身水平平移 |
Tilt Up / Tilt Down |
机位不动，镜头垂直摆动 |
Pedestal Up / Pedestal Down |
整机身垂直升降 |
Arc Shot |
环绕主体做弧形运动 |
Tracking Shot |
跟随移动主体 |
Static Shot |
机位镜头均静止 |
Shake Slightly / Shake Strongly |
轻微/强烈晃动 |
POV |
主体第一视角 |
Roll Clockwise / Roll Counterclockwise |
绕镜头轴顺/逆时针滚转 |
幅度：with small amplitude / with large amplitude；速度：at slow speed / at fast speed。
幅度与速度是两个独立维度，中等幅度+正常速度通常省略不写；只在有意义时添加。
运镜写成句子里的自然英文动作，不要在句末堆砌标签：
The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
同一镜头内不要塞进矛盾的主导运镜（如"推进"又"环绕"）——需要两种运镜时拆成多个 [Shot N] 分别处理，或者明确取舍只留一个主导运镜。
5.2 分镜与转场
- 首镜头
[Shot 1]不加时间戳；后续镜头用递增的镜头号 + 严格递增、落在视频时长内的切入时刻：[Shot 2] At 00:03.500, the camera cuts to... - 常规转场用词：
the camera cuts to/the shot cuts to/the shot transitions to/the shot changes to/the shot switches to；用户明确要求时才用cross-dissolve/fade/wipe - 切镜必须带来主体/空间/状态/视角/时间上的新信息；只是距离或角度微调时优先用运镜而非切镜
- 多镜头之间的时间戳必须连续衔接，不留重叠或空隙（knowhow §6 新增错误）
6. Step 5：说话人 / 对白 / 可见文字语法
- 会说话/唱歌/发出画外人声的主体用稳定 ID
(S1)(S2)；多人同时说/唱用复合 ID(S1,S2)；ID 跨镜头保持不变；不发声的角色不分配 ID - 说话人首次出现时，在
<d>外面给出足够信息建立稳定身份（人物类型/年龄/性别/是否在画面内/音高/音色/语速/口音） <d>内部只放语言标签 + 用户提供的原始台词，逐字逐标点保留，不翻译不改写：The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>- 画外音固定用语
says in an off-screen voiceover，紧跟其后必须声明对应角色"嘴唇保持闭合"：The man (S1) says in an off-screen voiceover: <d>[English] I still remember that road.</d> while his lips remain completely closed. - 同一句台词/歌词跨越切镜时，在两段衔接处都用
<scenetrans>并声明音频跨切镜连续；视频结尾被截断的台词用<cutoff> - 画面里真实可见的招牌/标语/字幕/霓虹字样用英文双引号，原文原样保留不翻译：
A red neon sign reading "营业中" glows above the doorway. - Ref2VA 里主体本人说话写
<Subject N> (Sx)；画外音同样标注 off-screen；(Sx)只在实际发声的 目标视频里按出现顺序分配一次，后续复用，不在retention_analysis里出现
7. Step 6：声音设计规则（比初版更精确，含官方原文的例外条件）
不可省略四项：对白具体内容、环境声类型、背景音乐风格、音效/卡点位置——声音是和画面平级的独立轨道，不能只写"有一些环境音"这类笼统描述。
overall_soundscape 的 N/A 使用条件（比 knowhow 更精确，来自官方原文）：
只有当用户明确要求全程完全静音时才写 N/A；正常情况下即使环境声很轻微，也要具体描述
（如"轻微的室内环境底噪"），不能因为"没什么特别的声音"就直接标 N/A——这是本轮训练用原文纠正
knowhow §5 转述里"倾向于都用 N/A 声明"的过度泛化。
non_diegetic_music 的 N/A 使用条件：没有配乐时必须显式写 N/A，不能留空/不提该字段——
留空会被模型理解为"自由发挥"（这条与 knowhow §5 一致，予以保留）。
对白/歌唱/角色能听到的画面内音乐属于 integrated_multimodal_description / detailed_description
的同步音，不要重复写进 overall_soundscape。
8. Step 7：具体性规范（光影/材质/氛围三问法）
任何光影、材质、氛围描述必须能回答：光从哪来？打在什么地方？造成什么视觉效果？
空词黑名单（不要用来代替具体描述）：高清 / 8K / 大师级 / 超写实 / 电影感 / 精致 / 高级感 / 震撼 / cinematic（作为孤立形容词堆砌时）/ beautiful / high quality。 ——"cinematic"作为风格声明词（如"Live-action, cinematic"）是官方示例里认可的用法， 但不能单独堆砌替代具体的光源/位置/效果描述，这是两回事，不要混淆。
正面范例（来自 morphic.com/zh 库，具体到光源+位置+效果）：
- "玻璃结着水汽…色彩整体压低，只留一处琥珀"
- "钠灯下…几乎只靠一盏橙色钠灯照明"
- "地面白得过曝、天空硬蓝、太阳正上方几乎没影子"
9. Step 8：常见错误自查清单（合并版，13 条）
原有 7 条：
- 质量堆砌词代替具体描述
- 单镜头内塞入矛盾运镜
- 假装读过飞书标杆文档/假装已对齐标杆水平
- 越级管理/派单（不适用于提示词产出本身，属于身份层规则）
- 留占位符或"请在此处填写"
- 信息严重不足时未一次性问全
- 不虚报质量已达标杆水平
本轮新增 6 条（knowhow §6，逐条来源）：
- 用元指令代替具体描述（"高质量""越震撼越好""帮我改进一下"）——inreels.ai/fal.ai
- 多个参考素材未分别声明各自职责就堆叠使用——fal.ai/imagine.art
- 多镜头时间戳重叠或有间隙——inreels.ai
- 单镜头短于 1.5 秒（第三方经验总结，非官方原文明确限制，谨慎适用）——inreels.ai
- 首尾帧模式（FL2VA/L2VA）与全参考模式（Ref2VA）字段结构混用——imagine.art
- 声音部分留空/省略，或该具体的地方用了不恰当的 N/A（见 §7 精确条件）——ai-indeed.com + 本轮官方原文核实
round 2 新增（round 1 实测踩过的坑，非 knowhow 来源，来自本轮训练自查）：
- I2VA/FL2VA/L2VA 起始指令行里的
Shot N/S.SS是否已替换成本场景具体数值，没有遗留字面模板占位符（见 §3.1 硬规则） - Ref2VA 的人物类 Subject 是否给出了具体可辨识特征，而不是"如素材所示"这类空泛描述（见 §4.1 硬规则）
自查顺序：主导运镜是否唯一 → 该模式必需字段是否全部出现且具体（含指令行数值是否已解析、 人物 Subject 是否具体可辨识）→ 声音四项是否都处理（含 N/A 精确用法）→ 光影是否通过三问法 → 参考素材是否都声明了职责 → 时间戳是否连续 → 是否有质量堆砌词/元指令残留。
10. Step 9：边界情况处理
10.1 信息严重不足（如"给我做个视频"）
一次性列出全部缺失关键信息反问，不臆造具体场景往下写：主体是什么、所处场景、核心动作、 情绪基调、期望时长、是否有参考素材（有的话是图/视频/音频、各自负责什么）。 反问时可以附带"如果你有参考素材，我会走 xx 模式；如果纯文字描述，会走 T2VA"这类预判，方便用户 理解后续走向，但不要在用户回复前先斩后奏写出一版。
10.2 矛盾指令（如"镜头要一直推进，但同时环绕主体转一圈"）
识别出矛盾后两种处理方式二选一，并在交付说明里写清楚选了哪种、为什么：
- 拆成多个
[Shot N]，第一镜头推进、第二镜头环绕，各自完整成立 - 或判断哪个更贴近用户核心意图，取一个主导运镜，在说明里注明"另一个指令因物理矛盾未采用" 不要原样把两个矛盾运镜塞进同一句话里，模型无法执行。 用户话里附带的"8K电影感""越震撼越好"等元指令/空词，按 §8 直接转译为具体描述，不要照抄进最终提示词。
11. 交付清单
- 最终提示词原文：英文结构字段 + 保留原语言的
<d>对白/可见文字（见 §0 硬规则） - 简短中文说明：每个关键选择（运镜/光影/节奏/模式判断）对应用户需求里的哪句话
- 如遇 §10 边界情况，先反问或先说明处理方式，不要跳过
12. 来源标注
本版本全部字段名/标签/关系标记/指令行模板/示例逐字取自 2026-08-25 直接 fetch 的官方原文：
raw.githubusercontent.com/MiniMax-AI/MiniMax-H3/main/skills/h3-prompt-writing/{SKILL.md,references/base-en.txt,references/ref-en.txt}。
镜头术语可靠性分级、单镜头最短时长等第三方经验性说法标注来源，不与官方原文混淆。
中文实战范例（光影具体性正面样板）来自 morphic.com/zh，未核实原创性，仅作范式参考。