knowhow_v5.md 41.7 KB

h3-video-prompt Retrain v5 · HUNT 结构化知识(knowhow_v5)

  • 任务:T-mtd7r60r(Retrain v5 · Phase 1 HUNT)
  • 采集日期:2026-08-28(UTC 17:05–17:29)
  • 猎手:innovator-hunt (Hunter)
  • 配套产物:sources_v5.json(信源清单 + 分级 + sha256 + negative_findings + blocked_sources)、crawl_config_v5.json、cache_v5/(34 文件全文落盘 + _cache_manifest.json)

0. 信源等级与证据纪律

级别 含义 逐字回查方式
A MiniMax 官方飞书文档一手 cache_v5/feishu_doc*.md 行号(本轮新建立全文落盘制度)
B 社区 GitHub 仓一手实践 cache_v5/github/<repo>/… 行号
C 个人方法论 / 无官方出处的自创词汇 同上,只登记不采信,禁止写成 SKILL 硬判据
R 复用自 v4 已固化信源(本轮禁复抓,零请求) train/hunt/sources_v4.json 的 quotes(含行号)

证据纪律(本轮自约束):每条结论都标级别;官方语料内部的互相矛盾不替选,只列双方证据(见 §4);B/C 级实践与官方冲突处一律「登记不采信」。v4 之前的官方口径全部来自 GitHub 镜像(MiniMax-AI/MiniMax-H3 仓),本轮首次拿到官方一手飞书语料,因此 §1 大量条目属于「升级」而非「新增」——升级必须注明原出处与现出处。

v4 缓存制度缺口(重要):v4 轮没有把原文落盘,train/hunt/ 下只有 sources_v4.json 注册表(sha256_16 + 抽样 quotes)。因此 v4 信源只能回查注册表内引句、无法回查全文。本轮起 cache_v5/ 建立 34 文件全文落盘 + _cache_manifest.json,后续轮次可全文回查。两个 v4 遗留的 sha256_16 短哈希与全文 sha256 的对应关系不可直接比对(截断哈希)。


1. 官方一手(A 级)核心知识

1.1 模型硬参数(A|doc1:35)—— 之前从未有一手出处

项 官方值
输出时长 4–15 秒(v4 只能引 GitHub README:73 "4–15 seconds",本轮升 A 级一手)
输出帧率 24 FPS
输出声音 所有结果全部带声音输出,原生双声道
提示词字数上限 不超过 7000 字符(v4 完全没有这条,v5 必须新增为硬判据)
分辨率 768p 已开放;1440p 官方推荐版;768p 可升级至 1440p
宽高比 首/尾帧模式跟随输入图原始比例;文生视频 / 全能参考模式 21:9、16:9、4:3、1:1、3:4、9:16;全能参考另支持自动模式由 H3 判断
首尾帧入口 图片 0 / 1 / 2 张(无图即文生视频)
全能参考入口 图片 ≤ 9 张;视频 ≤ 3 段(单段 [2,15]s,总时长 ≤ 15s);音频 ≤ 3 段且必须配图片或视频、不能单独输入;混合输入总上限 12 个文件
传入大小 视频 50MB / 图片 30MB / 音频 15MB(单个);API 请求体 64MB
语言 多语言提示词输入输出;TTS 精准覆盖 11 种语言,可衍生 40+ 种

1.2 官方整体公式与四要素(A|doc1:195/:200)

完整提示词 = 参考素材说明 + 核心创意 + 画面过程说明(doc1:195 逐字)

四要素在 doc1:200 表格逐项展开:

  1. 参考素材说明 —— 告诉 H3 每个素材是干什么用的。写清素材编号(@图片1 / @音频2 / @视频3)+ 用途;没有上传素材时整段跳过。官方枚举的用途词:人物参考(锁脸)/ 物体参考 / 场景参考 / 关键帧 / 音色参考 / 故事版(根据故事版分镜生成镜头内容) / 风格参考 / 构图参考 / 音频复用 / 音频部分复用 / 动作参考 / 运镜参考 / 视频编辑。
    • 官方强调:想要保持的特征要明确写出来,一致性更好。
    • 音频复刻/部分复刻若对歌词/对白保持有要求,强烈建议补充具体歌词文本。
  2. 核心创意 —— 一句话锁定全片信息,必须包含:主体 / 地点 / 事件 / 题材风格 / 特殊运镜。官方补充两条细则:
    • 环绕运镜不要直接说环绕,建议 truck left + pan right 或 truck right + pan left(A 级一手新增,见 §4 C-7);
    • 切镜风格四选:普通切镜(cut)/ 叠化切镜(fade)/ 随节奏卡点切镜 / 快切。
  3. 画面过程说明 —— 按时间轴或故事线分段,每个分镜包含「想要」+「不想要」两部分。想要 = 画面景别 + 内容 + 运镜 + 动作 + 台词 + 音效;不想要 = 视频里不要出现什么(例如不要 BGM 时写 非叙事性音乐:N/A 或英文格式 "non_diegetic_music": N/A)。
    • 官方明令:尽量少写比喻句,多写看得见的画面(H3 擅长明确的画面指令,不是抽象比喻)。
    • 具体文字 / Logo / 标题 / 标语 / 按钮文案必须写出原文(例:手机屏幕上显示标题:"AI Video Creation",按钮文字为:"Start Now")。

与 v4 的关系:v4 的「三要素(景别机位/动作/UI结构)」来自 co-op 模板(R|s13),不是官方公式层。官方公式层的「三段式 + 四要素」本轮才首次到手,v5 SKILL 应以 doc1:195/:200 为最高层骨架。

1.3 四类 VA 路径与 instruction(A|doc2:28–57)

任务 定义(doc2:28–31) 固定 instruction(逐字) 出处
T2VA 根据文字构建完整视听时间线 无图片对齐 instruction,直接从三个主体字段开始 :37
I2VA T2VA 主体 + 首帧 instruction + 从首帧继续发展的画面路径 For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. :42
FL2VA T2VA 主体 + 首尾帧 instruction + 从首帧到尾帧的连续路径 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. :48
L2VA T2VA 主体 + 尾帧 instruction + 从合理的前置状态收敛到尾帧的路径 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. :54

硬规则(doc2:57):N = 最后一个实际镜头编号;S.SS = 视频有效时长、固定保留两位小数;instruction 必须位于最终 Prompt 的第一行,后面空一行再写主体字段。

三主体字段顺序(doc2:62–66):integrated_multimodal_description → overall_soundscape → non_diegetic_music。

关键帧路径的推荐叙事结构(A 级):

  • I2VA(doc2:79):首帧锚点 → 动作起点 → 连续变化 → 结果或反应
  • FL2VA(doc2:87):首帧状态 → 可观察的中间变化 → 差异逐步缩小 → 尾帧状态;通常优先单镜头,尾帧必须由最后一个 [Shot N] 在视频结束时到达
  • L2VA(doc2:93):合理前态 → 明确的动作与变化路径 → 最后一个镜头逐步收敛 → 尾帧落点;<Picture 1> 属于最后一个 [Shot N],不是天然属于 Shot 1

1.4 镜头与切镜(A|doc2:101–117)

  • 风格词官方枚举(:101):Cinematic、live-action、2D-animated、3D CG、claymation、watercolor、vintage film;关键帧任务风格从参考图提取,T2VA 按用户文字选择。
  • 第一镜不写时间戳(:107)—— 升级自 R|s02 base-en.txt:86。
  • 后续镜头连续编号 + 递增且位于视频时长范围内的切镜时间(:111)—— 升级自 R|s02 base-en.txt:86。
  • 切镜时间的官方具体格式:[Shot 2] At 00:03.500, ...(MM:SS.mmm 三位毫秒)(:114、:455)。v4 习语甲未固化该格式,v5 应新增。
  • 切镜动词官方白名单(:117):the camera cuts to / the shot cuts to / the shot transitions to / the shot changes to / the shot switches to,更高级的手法可灵活表述。

1.5 运镜三维度与官方词汇全表(A|doc2:121–131)

三维度(:121):运镜类型(相机如何动)+ 幅度(构图变化范围)+ 速度(变化节奏);中等幅度和常速通常省略。升级自 R|s02 base-en.txt:94–96。

官方词汇全表(:123):

  • 运镜(12 组):Zoom In/Out、Push In/Pull Out、Pan Left/Right、Truck Left/Right、Tilt Up/Down、Pedestal Up/Down、Arc Shot、Tracking Shot、Static Shot、Shake Slightly/Strongly、POV、Roll Clockwise/Counterclockwise
  • 幅度(2 档):with small amplitude、with large amplitude
  • 速度(2 档):at slow speed、at fast speed

写入句式(:128–130):The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.

1.6 说话人、台词、歌声、画外音(A|doc2:135–150)

  • 稳定编号 (S1)/(S2)/…/(Sn);多人同时发声用组合编号 (S1,S2);同一说话人跨镜头保持同一编号;没有发声的人物不分配编号(:135)。——升级自 v4 内部推演,本轮 A 级一手。
  • 说话人首次出现补稳定身份:人物类型、年龄、性别、是否出镜、音高、音色、语速、口音(:137)。
  • <d> 边界:称呼/编号/动作/说话方式写在 <d> 外;<d> 内只写语言标签和实际语言内容,原词与标点逐字保留,不翻译不改写(:137)。示例:The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>
  • 画外音:精确表达 says in an off-screen voiceover,且每段画外音 <d> 后立即写明对应人物嘴唇保持闭合(:144、:147)。——升级自 R|s02 相邻条款推演,本轮 A 级逐字。
  • 群体发声:整群统一发声共用一个编号;各自有编号的临时齐声用 (S2,S3,S4) 形式(doc2:475–483 官方示例)。
  • 跨镜台词 / 结尾截断:<scenetrans>(同一句台词跨切镜,两段连接位置各一个)+ <cutoff>(视频结束边界截断);连续性表达四个:continues seamlessly across the cut、continues uninterrupted into the next shot、carries over from the previous shot、remains audible across the transition(:150、:494–516)。
  • <scenetrans> 只用于同一句台词/同一行歌词在切镜处被分成两段;连续跨两次切镜时,中间镜头的 <d> 以 <scenetrans> 开头且结尾(:459)。

1.7 画面文字与乱码转图(A|doc2:154–157、doc1:71)

  • 画面中实际可见的横幅、招牌、标识、字幕、霓虹文字:英文双引号包围,原文与标点逐字保留,不翻译(doc2:154)。示例 A red neon sign reading "营业中" glows above the doorway. —— 升级自 R|s02 base-en.txt:146。
  • ★官方小Tips(doc1:71,v1–v4 从未有过):文字乱码时,把文字以图片形式提供给 H3 作为参考图,并在提示词中明确告诉 H3 ——「这张内容必须按“图片”来理解,不能按“文字”来处理」,通常能有效降低乱码。 → v5 应新增为「画面文字保真」分支判据:复杂文字/字体包装优先走参考图 + 按图理解声明,而不是纯文字描述。

1.8 全能参考六段与标签体系(A|doc2:238–274)

六段顺序(:250):subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music。

四类引用标签(:267): | 标签 | 表示内容 | |---|---| | <Subject N> | 从参考素材抽象出、可在目标视频中复用或修改的可见内容(人物/动物/物体/场景/背景/服装/道具/界面/视觉特效/风格/动作/表情/姿态) | | <Picture N> | 作为具体目标帧或镜头规划依据的参考图片 | | <Video N> | 提供剪辑源、续写起点或整段时序结构的参考视频 | | <Audio N> | 被复制或参考的音频信号 |

硬规则:

  • 标签一旦分配,在五处(subject_definitions / summary / retention_analysis / detailed_description / 声音段落)始终沿用同一含义(:272)。
  • <Subject N> 表示目标视频实际要用的内容单元,不是原始文件本身;一个主体可由多份素材共同定义,一份素材也可提供多个主体(:285、:288、:294)。
  • 图片只用于定义人物/场景/服装/风格时不另建独立图片条目,在对应 <Subject N> 里引用来源(:305)。
  • <Video N> 与 <Audio N> 各自独立编号,序号不表示配对关系;同一份参考视频可同时是 <Video 1> 与 <Audio 2>(:347)。普通参考视频不会仅因带声音就自动产生 <Audio N>(:349)。
  • <Audio N> 对应目标说话人时沿用全局 (Sx),不在音频定义中单独分配或重新编号(:337、:340 <Audio 1> is the voice-timbre reference for <Subject 1> (S1).)。

1.9 summary 任务类型 + retention_analysis 关系标记(A|doc2:358–444)

  • summary 开头用方括号标记任务类型(:360):[reference generation] ...、[video editing + reference generation + audio reuse] ...
  • 六种官方任务类型(:371–376):keyframe completion / reference generation / video editing / video continuation / audio reuse / audio reference
  • 组合格式:加号前后各留一个空格,不重复同一类型(:378)。
  • 判定分界(:380–382):参考视频只提供运镜/切镜/节奏 → 通常 reference generation;只有直接编辑或续写才用 video editing/video continuation;编辑源视频且原音轨可听 → 通常加 audio reuse;续写且只延续声音特征不复制信号 → audio reference。
  • 视频编辑类摘要在任务类型后用固定开头 The target video is an edited version of <Video 1>.(:389)。
  • retention_analysis 官方语义 = 逐项说明每项参考内容的保留、迁移、复制或参考关系,每标签一行,沿用 subject_definitions 已确定的含义(:392–394)。
  • 可见内容四关系标记是「格式中的固定英文取值」(该措辞逐字在 :398,四标记表在 :400–405):fully_preserved / partially_preserved / attribute_transfer / weak_reference;条目写法 <Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - ...(:410)、<Picture 2> ([Shot 1] first frame): fully_preserved - ...(:416)、<Video 1> (cut and pacing structure): weak_reference - ...(:422)。
  • 音频四关系标记(:427–434):fully_copy / partially_copy / reference / weak_reference;示例 <Audio 1>: fully_copy - <Audio 1> is reused 1:1 as the target video's complete final audio track.(:437)
  • 边界(:444):关系标记以该标签已定义的参考作用为判断范围,不要把目标视频新加入的动作/背景/剧情误写成参考损失。
  • retention_analysis 不写 (Sx)(:579)。

1.10 detailed_description 与篇幅硬约束(A|doc2:244、:526–543)

  • 详细度七要素(:244):当前构图、主体外观与位置、环境与光线、动作及状态变化、相机运动、当下声音、参考内容实际出现或生效的位置;避免只概括剧情或引用关系。
  • T2VA vs 全能参考四维差异(:528–533):主体字段 integrated_multimodal_description ↔ detailed_description;风格开头 写在 [Shot 1] 后 ↔ 在 [Shot 1] 前 1–2 句英文建立全局视觉风格;引用信息 无 ↔ 插入四类标签;音频关系 描述自身声音 ↔ 引用 <Audio N> 并说明复制或参考关系。
  • ★官方字数区间(:543):生成类 detailed_description 通常为 350—500 个英文单词,附三条例外:台词密集型以完整容纳台词时间线为先、不机械补足字数;视频编辑类按源视频复杂度展开、不强制套用区间;单镜头并不自动缩短篇幅。
  • 具体帧锚点三种官方自然表达(:553):the shot begins from <Picture 1> / the shot's keyframe corresponds to <Picture 2> / the shot ends on <Picture 3>。
  • <Picture 3> is a storyboard reference for [Shot 1] and [Shot 2], defining their viewpoint, subject placement, and shot order.(:310) —— 分镜/故事板参考图映射到镜头而非秒数。这是 v4 线上真实调用 conv-mtclmne2 漏认领 Picture 3 的根因条款;v4 只能引 R|s03 ref-en.txt:73,本轮升 A 级一手。
  • 台词忠实转写硬规则(:575):直接复用音频台词/歌词时 <d> 内必须用忠实原始字词并保留原语言;无法辨认写 [unclear],不猜测不改写;标点统一用基础书面标点 , . ? !,删除重复波浪号、emoji、项目符号、装饰性标点;完整陈述句/疑问句/感叹句分别在 </d> 前以 . / ? / ! 结束。
  • 分界(:577):仅参考音色、节奏、情绪或表达方式时,不应把参考音频中的原台词带入目标视频。
  • 纯音轨人声片段(BGM/soundtrack 里的台词歌词,无人物实际发出)用 <Audio N> 作声音来源、不额外创造 (Sx)(:569、:572)。

1.11 三类模式、坑表与官方完整示例(A|doc1:220–237、doc2:618–649)

三类模式(doc1:220–222):

  1. 多模态参考:每个素材都要写清角色(@图片1 → 人物参考锁脸 / @视频1 → 动作参考 / @音频1 → 节奏·情绪参考)。
  2. 图生视频:1 张图必须说清是首帧还是尾帧;2 张图(首+尾帧)时 H3 不会自动加切镜,只补两帧之间的动作、光影、声音(易错点)。
  3. 纯文字:描述要更具体;用「大全景交代空间 + 中景承载动作 + 特写强调细节」分层写法。

坑表(doc1:226–233,6 条): | 常见问题 | 怎么改 | |---|---| | 只写一段话没分段 | 按 3 段公式拆开写 | | 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」 | 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(无素材可参考时) | 至少写出主体外观 + 场景细节 + 动作 + 风格 |

镜头怎么拆(doc1:202–216):

  • 台词长短必须与 shot 长短对齐,不要 3s shot 说一大段话 —— 官方原注「很多口型问题会来自于这个」(:206)。
  • H3 能响应跨 shot(J-cut / L-cut)台词,只要明确写出一句台词跨了哪些 shot(:208)。
  • 画内/画外说话人要显式;画内外因切镜转化时要写明。官方复杂示例(:211–213):画外音 "Wake up Wake up" → 切镜到中年妇女近景,她是画外音的主人,她继续说 "It's time to go to school!"。
  • 切镜时写清切到什么景别、具体主体是之前的哪个角色,有助于跨镜头一致性(:216)。

官方完整示例:doc2:620–649 给出一份六段齐备的全能参考完整范例(subject_definitions 定义 4 个 Subject + 1 个 Audio、summary 带 [reference generation + audio reference]、retention_analysis 五行关系标记、detailed_description 三镜 [Shot 1]/[Shot 2] At 00:03.000/[Shot 3] At 00:05.000、overall_soundscape、non_diegetic_music: N/A)。v5 SKILL 的 worked example 应以这份为唯一权威母本(v4 用的 master 案例属习语乙,见 §4 C-1)。


2. 社区一手实践(B 级,可吸收;与官方冲突处见 §4)

2.1 chiphoton/MiniMax-H3-Codex-Drama(B|s03)

  • 11 阶段生产工作流(production-workflow.md:3–15):Preflight → Initialize → Ingest → Plan → Production approval → Visual development → Visual-lock approval → Shot generation → Post-production → QC → Delivery。两个人工放行闸口(Production approval / Visual-lock approval)+ 「阻塞的后续阶段不得抹掉已完成的前置工作」。
  • 单镜 10 项登记字段(production-workflow.md:26–36):叙事/信息目的、精确时长与时间轴位置、主体·动作顺序·表演·屏幕方向、景别·机高·镜头感·运动·光线·质感、台词·原生音·特效·音乐提示·静默、进出转场、参考-角色映射与保留约束、路由选择(T2V / frame-to-video / first-last-frame / reference-to-video / edit)、普通镜或关键镜的 take 预算、预期末态与镜级 hard gate。 → 比 v4 的三要素多了 路由、预算、末态/hard gate 三项,是 v5「全流程能力」的直接素材。
  • 单镜原子化(:23):「A short generative clip should normally contain two or three timed beats, not an entire sequence」+ 标注需要连续桥接进下一镜的镜。
  • 母版资产制度(:40–47):只为重复出现的视觉实体建 canonical master,分四类 —— character sheet(人)/ product sheet(产品几何与材质)/ identity sheet(吉祥物·动物·风格化主体)/ scene master(环境布局·固定道具·光方向·轴线);关键帧从已批准的母版生成,而不是每镜独立重生成身份。松散参考先生成 normalized derivative sheet、原参考保留为权威。
  • 基础镜头模式 5 条(shot-patterns.md:5–9):先立主体与环境再做空间复杂动作;重复内容用已批准母版;单条生成片段最多 2–3 个 timed beats;frame control 管构图、reference control 管身份/设计/运动/相机/表演/声音;每镜末态要让下一个 cut 或 bridge 显得有意为之。
  • 澄清纪律(adviser/references/prompt-language.md:3):「Use this as a choice menu, not a checklist. Offer only 3–6 candidates relevant to the current unknown, explain their effect in plain language, and recommend one.」→ 与 v4 clarify 轨直接相关,给出可量化的候选上限 + 必须给推荐。
  • 模板习语(登记不采信,见 §4 C-4/C-5):T2V 六节大写标题 + [0–Xs] 连字符窗(text-to-video/references/template-and-examples.md:8–29);R2V REFERENCE ASSIGNMENTS 节(reference-to-video/references/template-and-examples.md:8–26)。

2.2 TFboy1/oh-my-minimaxh3-director(B|s04)

  • 段级切分(SKILL.md:100–103、storyboard-schema.md:7–11):把剧本切段,段 = 一个 H3 视频单元,默认 10s、5–15s 可调;段内 2–3 个分镜;上下镜头之间必须有衔接锚点,枚举 7 类:同一动作方向 / 同一视线目标 / 同一道光 / 同一个道具 / 同一种轮廓 / 同一段声音 / 同一股受力;禁止无理由跳切。 → 与官方 4–15s 上限相容(社区取下限 5s,官方允许 4s,差异见 §4 C-6);7 类锚点无官方逐字出处,属 B 级归纳。
  • 段独立生成 + 文字锚点衔接(storyboard-schema.md:435–446):提示词内禁止「参考上一段尾帧/续拍」,每段独立生成;跨段衔接靠文字锚点不靠画面引用;段间换新机位但保留一个跨段锚点。→ 这是官方 15s 单次上限的必然推论,社区给出了可执行表述,v5 长片流程应吸收。
  • 人物四视图制度(storyboard-schema.md:12–20):每个主要角色生成三张不同视角全身(正面/侧面/背面或 3/4)+ 一张脸部特写,锁定同一身份(脸/年龄/体型/发型/服装/饰品/惯用手);文件命名约定 refs/<角色名>_front|side|back|face.png;已有 IP 角色先搜参考图再生成四视图,防身份漂移。
  • 提示词模式显式决策(SKILL.md:107–131):写提示词前必须判断简报复杂度,把 meta.prompt_mode 与 meta.prompt_mode_reason 落盘,禁止静默走默认。三档:official(快速批量、无强风格)/ wenwu(用户点名导演·分镜·表演)/ hybrid(官方六段英文外壳 + 导演级内容,PV/宣传片/广告/短片默认)。判断规则:简报含风格系统、色彩系统、音乐编排、逐秒分镜或负向约束,或任务是 PV/宣传片/广告/短片 → 必须 hybrid。 → 这个「先决策再写 + 理由落盘」的做法可直接迁移为 v5 的模式选择判据。
  • 分镜汇报硬格式(SKILL.md:132–137、storyboard-schema.md:319–347):必须逐段给精确时间轴「几秒到几秒 → 什么画面 → 什么对白」,禁止「前面是开场、中间打斗、结尾反转」这类宽泛概括;时间连续精确到秒,首镜从 00:00 开始、末镜结束于全片总时长、相邻镜头无空洞无重叠;用户只改个别镜头时只重报被改镜头及其前后衔接。
  • 7 列镜头卡(storyboard-schema.md:164–190):no / time / duration / shot_size / camera / content / sound / transition / technique / tags;约束:内容 ≤30 字(主体+动作+关键细节)、声音列必填(静默也要写)、镜号连续不跳号、时长累加 = 段长、时间统一 mm:ss、半秒精度写 1.5"、闪剪写 0.3"/0.5" 并标 Flash Cut、单镜头最多 2 个标签。
  • 结构化后端校验 + strict 开关(SKILL.md:176–178):六段齐全、镜头标记与时间码、constraints: 块;meta.strict_prompt_validation: true 时不合格直接拒绝(默认只警告)。→ 可迁移为 v5 的自检脚本思路。
  • 冲突项(登记不采信):retention_analysis 被写成「为什么观众记住本段,画面吸引力」(storyboard-schema.md:389)、summary 缺任务类型方括号标记(:386)—— 见 §4 C-3。

3. C 级自创词汇(只登记,禁止写成 v5 硬判据)

来源:TFboy1 references/storyboard-schema.md(:192–278)与 references/wenwu-director.md,作者自创的中文导演词汇体系,无任何官方出处:

  • 景别 7 档(中文强制,禁止 ECU/CU 等英文缩写)+ 各档经典片例;
  • 机位库 11(平视/俯拍/仰拍/荷兰角/POV/过肩 OTS/上帝视角/虫视角/侧面剖视/双人构图/三人构图)+ 复合写法;
  • 运镜库 15(摇/仰俯/推/拉/横移/升降/摇臂/斯坦尼康/手持/跟拍/推拉变焦/急摇/无人机/高速摄影/静止)+ 速度修饰(慢推、急摇接切、Flash Cut ≤1s);
  • 转场库 14(硬切/匹配剪辑/撞切/J 切/L 切/交叉剪辑/跳切/叠化/淡入淡出/圈入圈出/划像/急摇接切/闪白闪黑);
  • 高级技法 8(一镜到底 8 秒+、变焦对焦切换、动作匹配剪、镜面反射、插入镜头、闪剪、反应镜头、子弹时间);
  • 单元内景别分配模板 + 单元间衔接 5 法(Match Cut / J-Cut / L-Cut / 物件回扣 / Smash Cut);
  • 剪辑节奏红线:ASL = 全片时长/总镜数;类型对标(短剧 1-2"、现代商业 2-4"、诺兰 3-4"、文艺长镜 15-60");段 ASL 偏离全片均值 >50% 必须诊断;全片 σ1.5 过抖;高潮前应有呼吸段(ASL 拉到均值 2× 以上);
  • 视听签名 8 字段(medium/aspect/color_ids/texture/core_theme/master_dna/genre_formula)、声音设计 12-slot、世界锚点 5 slot。

处置建议(留给 Digester):这套词汇有内在一致性与工程价值,但它是作者的方法论,不是 MiniMax 官方口径。若 v5 要吸收(例如「景别中文强制」或 ASL 红线),必须显式标注来源为社区 B/C 级实践,且不得与 A 级条款(如官方运镜词汇表 doc2:123 的英文 Push In 等)冲突 —— 官方运镜词汇是英文标准词,中文景别档位可以并存于内部分镜文档层,但进入最终 H3 prompt 正文时必须回到官方词汇。


4. ★飞书官方口径 vs v4 GitHub 镜像口径冲突对照(必列一节)

裁决原则(任务书给定):冲突以飞书官方为准,差异逐条登记。但本轮发现的核心事实是:飞书官方一手语料内部本身就多制式并存,因此下表先分「官方内部张力」(C-1/C-2/C-7,双方都是 A 级,需 Digester 拍板)与「官方 vs 社区冲突」(C-3/C-4/C-5/C-6,官方赢,社区只登记)两类。

C-1(A vs A,官方内部张力,唯一影响全局走向的裁决点)时间分段习语

形态 写法 A 级出处 适用
① [Shot N] + 递增切镜时间 [Shot 2] At 00:03.500, the camera cuts to...;第一镜不写时间戳 doc2:107/:111/:114/:455 T2VA / I2VA / FL2VA / L2VA / 全能参考六段式(结构化扩写)
② [N 秒-M 秒] 窗式 [0 秒-2 秒]、[7 秒-8.5 秒]、[10 秒-15 秒] doc1:97(官方游戏 UI 案例,六个窗与 R|s13 co-op 模板逐一相同);R|s13/s16/s19 带 UI/分镜表的营销·游戏类,用户向
③ N-M 秒 行式 0-3 秒:全景,… 3-8 秒:切镜到… 8-12 秒:切镜到特写… doc1:200(官方樱花庭院示例) 简短示意、教学
④ 0〜3 秒 + 正向/反向 全角波浪线窗 + 每段「正向/反向」两栏 doc1:237(官方手绘特效 15s 完整案例) 风格化长案例、含大量禁则
⑤ 六节大写标题 + [0–Xs] SUBJECT AND SETTING / ACTION AND TIMING / CAMERA / VISUAL TREATMENT / AUDIO / CONSTRAINTS B 级:chiphoton text-to-video 模板 :8–29 社区自创,不是官方
  • 支持①的证据:doc2 全文(649 行)零处出现 [N秒-M秒] 窗式写法(negative_findings 已逐字核验);doc2 自我定位「面向开发者的 Prompt 扩写指导」(:6),并规定 instruction 第一行 + 六段结构。
  • 支持②的证据:doc1:97 是官方自己的完整案例;且 v4 已证明它与 GitHub 镜像 co-op 模板逐字同型(R|s13:50–121)——即两种习语都是官方认可文本,只是分层不同(doc2 = 方法论规范层;doc1/skills = 案例与风格模板层)。
  • 官方自己给出的取舍线索:doc1:231 坑表 ——「想一镜到底但写了很多分镜 → 删掉【镜头 N】结构」,说明分段结构的有无由「是否切镜」决定,不是默认;doc1:200 又同时要求「以切镜 shot 作为时间戳的分段」。
  • v4 的现状:SKILL v0.5.0 已按 R1/C4 拍板「习语甲/乙分轨 + 三轨计分」。本轮新增信息不是推翻,而是给了分轨一个 A 级一手锚点:① = A 级方法论正源,② = A 级案例层同型。
  • 留给 Digester 裁决:v5 的「分镜脚本」交付层用哪种窗式(②/③/④ 任一都是 A 级先例),「最终 H3 Prompt」层是否统一收敛到 ①(doc2 是唯一规范层文本)。我只列证据,不替选。

C-2(A vs A,官方内部冲突)正文语言

立场 逐字证据 级别
六段正文统一英文 doc2:242「扩写的六个段落正文统一使用英文;只有 <d> 中的台词、歌词以及画面中实际可见的文字保留原始语言。」;doc2:543「350—500 个英文单词」 A
跟随用户语言 R|s19 handdrawn SKILL.md:13「organizes the prompt in the user input language … Chinese input produces Chinese」 R(v4 镜像,本轮未复抓)
中文散文案例 doc1:97、doc1:237 官方案例正文全是中文散文;doc1:35「支持多语言提示词输入与输出」 A
双字段名并存 doc1:200 同一段里给「非叙事性音乐:N/A」和 "non_diegetic_music": N/A A
  • 判断线索:doc2 自述「面向开发者和专业创作团队」(:16),doc1 自述为用户向手册(:18)—— 两篇定位不同层,英文正文条款的适用范围很可能是「doc2 的六段式扩写稿」,而非所有 H3 prompt。
  • v4 已按 C4 拍板习语分轨,本轮证据支持维持分轨,但把 doc2:242 作为英文轨的 A 级一手出处(v4 只能引 R|s01 SKILL.md:33)。留给 Digester:是否把「跟随用户语言」轨的适用范围收窄到「非 doc2 六段式的交付形态」。

C-3(官方 vs 社区,官方赢)retention_analysis 语义

  • 官方(A,doc2:392–394):逐项说明参考内容的保留、迁移、复制或参考关系,固定英文关系标记。
  • 社区(B,TFboy1 storyboard-schema.md:389–390):「为什么观众记住本段,画面吸引力」。
  • 结论:社区把字段语义误读了。v5 不得吸收;若 v5 的分镜文档层需要「观众记忆点」概念,应另立字段名,不得占用 retention_analysis。

C-4(官方 vs 社区,官方赢)summary 缺任务类型标记

  • 官方(A,doc2:360–378):开头方括号任务类型 + 六类型枚举 + 加号组合格式。
  • 社区(B,storyboard-schema.md:386–387):「10 秒内的剧情概要,包含 2-3 个分镜的时间线」,无任务类型。
  • 结论:社区缺字段语义,v5 若做段级生成必须补 [...] 标记。

C-5(官方 vs 社区,官方赢)T2V/R2V 模板习语

  • 社区(B,chiphoton text-to-video / reference-to-video 模板):六节大写标题 + [0–Xs] 连字符窗 + REFERENCE ASSIGNMENTS 自由文本。
  • 官方(A,doc2):三主体字段 / 六段 + 四类 <Subject N>/<Picture N>/<Video N>/<Audio N> 标签体系。
  • 结论:社区模板没有官方标签体系(negative_findings 已核验:4 个 template-and-examples.md 与 adviser/drama-producer SKILL 中 <Subject N> 零命中)。其「每素材声明用途 + 反向排除(Do not copy …)」与官方 doc1:200「参考素材说明」意图同构,可作 B 级交叉印证,但不能把社区模板当成官方全能参考格式的范例。

C-6(官方 vs 社区,相容但下限不同)时长下限

  • 官方(A,doc1:35):4–15 秒。
  • 社区(B,TFboy1 storyboard-schema.md:105):segments[].duration 5–15 秒。
  • 结论:不冲突但下限不同。v5 长片切分若沿用段级做法,下限应以官方 4s 为准;社区取 5s 属实现选择。

C-7(A vs A,官方内部张力)环绕运镜

  • doc2:123 官方运镜表含 Arc Shot(围绕主体弧形移动)。
  • doc1:200 官方同时建议「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」。
  • 结论:两个词汇都在官方文本里,指导性条款(doc1)与词汇表(doc2)不一致。留给 Digester:v5 写环绕镜头时默认用组合写法(doc1 是指导层),但 Arc Shot 不得从词汇表删除。只列证据,不替选。

C-8(官方 vs v4 镜像,升级非冲突)已升 A 级的 v4 条款清单

v4 条款 v4 出处(R) 本轮 A 级出处
Output duration 4–15 seconds s05 README.md:73 doc1:35
首镜不写时间戳 + strictly increasing cut time s02 base-en.txt:86 doc2:107 / :111
运镜三维度(类型+幅度+速度) s02 base-en.txt:94–96 doc2:121
运镜词汇表 s02 base-en.txt doc2:123
画面文字双引号逐字保留 s02 base-en.txt:146 doc2:154(含 :157 中文招牌示例)
<Picture 3> is a storyboard reference for [Shot 1] and [Shot 2] s03 ref-en.txt:73 doc2:310
六时间窗 co-op 案例同型 s13 h3-video-prompt-template.md:50–121 doc1:97(六个窗逐一相同)
说话人稳定编号 + 组合编号 v4 内部推演 doc2:135
画外音 + 嘴唇闭合绑定 s02 相邻条款推演 doc2:144 / :147
<scenetrans> / <cutoff> v4 内部推演 doc2:150 / :459

5. v4 遗留缺口在本轮 HUNT 层的进展

v4 缺口 HUNT 层能提供的素材 备注
1. 篇幅膨胀(89KB) A 级新增两条可直接替掉 v4 自造条款的官方硬约束:<d> 标点规范化 + [unclear](doc2:575)、350–500 英文词(doc2:543)。Evolver 瘦身时可把 v4 从镜像推演的整段描述换成官方短条款 需 Evolver 落实
2. 自评偏置 TFboy1 的「结构化后端校验 + strict 开关」(SKILL.md:176)与 chiphoton 的「11 阶段 + 两个人工放行闸口 + take budget」是现成的结构化缓解参照;HUNT 已把两份原文落盘供 Evolver 抄结构 需 Evolver 量化说明
3. clarify/block 区分度 chiphoton adviser 给出可量化澄清纪律「候选只给 3–6 个 + 平白语言解释 + 必须给推荐」(prompt-language.md:3)→ Digest 可据此造更尖的 clarify 负样本(例如给了 7 个候选、或没给推荐) 需 Digest 压测
4. TS-26 场景构造 未涉及(属 Digest 场景构造层) 不阻塞
5. benchmark_score 旧量纲 系统侧 registry 裁决,不在我范围 继续登记不阻塞
(新)Picture 3 漏认领 A 级一手根因条款 doc2:310 已入库,且 doc2:553 给出首帧/关键帧/尾帧三种官方锚点表达;doc1:200 的「故事版(根据故事版分镜生成镜头内容)」也进入官方用途词枚举 v5 必须把它写成分镜参考图的必查项
(新)官方完整示例 doc2:620–649 六段齐备范例 → 可替换 v4 用 master 案例(习语乙)当唯一 worked example 的做法,缓解篇幅与习语偏置 需 Evolver

6. 给 Digester / Evolver 的交接要点

  1. 先读 §4:本轮最重要的不是新增条款数量,而是确认官方一手内部多制式并存。C-1(时间分段)与 C-2(语言)是两个需要拍板的全局点,我各列了双方 A/R 证据,未替选。
  2. 优先级建议(仅供参考,拍板在你):把 doc2(Vztzwstuqi3MQKkxs8QcGmxinxe,revision 252)定为方法论规范层唯一正源;doc1(FIWjwgL33ipnkekzk30crmKUnIh,revision 1297)定为案例与模型参数层正源;v4 的 25 条 GitHub 镜像信源降级为「同型佐证」。这样 C-1/C-2 的裁决规则就变成「规范层优先于案例层」,可机械执行。
  3. A 级硬判据候选(v5 不得在瘦身中丢失):≤7000 字符、4–15s、instruction 第一行 + 空行、S.SS 两位小数、第一镜不写时间戳、At MM:SS.mmm 递增、350–500 英文词、overall_soundscape 1–4 句、non_diegetic_music 1–3 句、六关系标记固定英文取值、标签一经分配沿用同一含义、Video/Audio 独立编号不配对、[unclear] 不猜测改写、台词长短与 shot 对齐、乱码转图条款、retention_analysis 不写 (Sx)。
  4. 全流程能力(从分镜设计开始)的官方锚点:doc1:195 三段公式 → doc1:200 四要素 → doc1:202–216 镜头怎么拆 → doc2:310 分镜参考图映射到镜头 → doc2 六段式交付。社区可吸收做法(B 级):chiphoton 11 阶段 + 单镜 10 项登记 + 母版资产;TFboy1 段级切分 + 7 类衔接锚点 + 分镜汇报硬格式 + 人物四视图 + prompt_mode 显式决策。
  5. 不要从 C 级抄判据:TFboy1 的景别 7 档 / 机位库 / 转场库 / ASL 红线是作者自创(§3),吸收时必须标注来源且不得与 A 级运镜英文词汇表冲突。
  6. revision_id 已登记:doc1 = 1297,doc2 = 252。下轮复检只比 revision_id + sha256 即可判断是否变更,不必重抓全文。

7. HUNT 验收自检

项 要求 结果
① sources_v5.json 含两篇飞书文档且带 sha256 / revision_id ✅ s01(rev 1297, sha256 48a7a693…98b6)、s02(rev 252, sha256 caa721f6…8c0e06)
② 缓存原文可被派单方逐字回查 ✅ cache_v5/ 34 文件 + _cache_manifest.json(每个文件带 bytes + 全长 sha256);sources_v5.json 82 条引句经 offset-to-line 全文机器审计:71 条逐字一致且行号精确(line-off 0),11 条表格/列表转写已标 verbatim:false 并给 verbatim_lines 区间(span 人工复核全过),审计口径写在 quote_text_policy
③ knowhow_v5.md 每条结论标注信源级别 ✅ 全文 A/B/C/R 标注,冲突项单独成节(§4)
④ v1–v4 产物 mtime / bytes 零改动 ✅ sources_v5.json.post_check:8 个既有文件 bytes 与 mtime 全部早于本轮开工时刻(2026-08-28T17:05Z),v4 三文件字节数与开工基线逐一致
⑤ knowhow_raw.md 数据源清单 ≥ 5 个 ✅ 由 sources_v5.json 承担:2 篇飞书 + 2 个 GitHub 仓 + 25 条 v4 复用 + 2 条 blocked = ≥5
⑥ crawl_config_v5.json 完整配置 ✅ 工具/频率/robots 处置/请求策略/四个 target/产物规则/验收清单
⑦ seed_data.json ≥ 50 条 ⚠️ 本轮未产 seed_data.json,理由见下

关于 seed_data.json:agent.md 的通用产出清单要求「首次采集的种子数据集(≥50 条)」。本轮采集对象是规范文本与提示词范本,不是可枚举的记录型数据(没有 rows 可采);等价物是本文 §1/§2 的结构化条款集 + sources_v5.json 的 82 条带行号引句(每条带级别标注),已足以供 Digest 造场景。若上级要求机械补齐 seed_data.json,我可以把这份条款集导出成 50+ 条的 JSON 记录集,但那会是重复表示而非新增信息 —— 待指示,不自行造数。


8. blocked / 未决清单(诚实区块)

  1. platform.minimax.io(开放平台 API schema):沿用 v3/v4 blocked 状态,本轮未重试(问题集不涉及)。新线索:doc1:15 给出官方开放平台文档新地址 https://platform.minimaxi.com/docs/api-reference/video-generation-v2-create(.minimaxi.com,非 .minimax.io),下轮应改抓该域名。
  2. robots.txt 未核对:raw.githubusercontent.com/robots.txt 与 github.com/robots.txt 本轮抓取均超时(--max-time 40 内无响应)。已按「无法复检」继续,保持最低侵入抓取;已登记 negative_findings,下轮先抓 robots。
  3. GitHub 出口时变:本轮第一批抓取中出现 1 次 README.md 连接失败(mkdir 竞态)+ 一次 3 分钟命令超时,均在第二批补抓成功,最终 26/26 文件 200、零假 200。未触发 cdn.jsdelivr.net/gh 降级路径。
  4. lark-cli 未使用 --scope section:两篇文档 --doc-format markdown 均一次取全,分段能力本轮未实测(任务书提到的分段路径属备用手段)。
  5. seed_data.json 缺省:见 §7 ⑦。