knowhow_v1.md 18.3 KB

H3视频提示词专家 — Hunt 阶段调研报告 v1

任务:T-mt891adt|调研人:innovator-hunt (Hunter)|日期:2026-08-25

0. 先说结论

  1. 飞书两篇标杆文档依然无法访问(302 重定向登录页,三次独立尝试结果一致),详见 feishu_access_status.md。本报告不包含对其内容的任何推测。
  2. 找到了比此前公开资料更权威的一手信源:MiniMax 官方 GitHub 仓库 MiniMax-AI/MiniMax-H3,路径 skills/h3-prompt-writing/,内含官方 SKILL.md + references/base-en.txt(基础模式规范)+ references/ref-en.txt(全参考模式规范)。这是 MiniMax 官方发布的、给 AI Agent 用的提示词写作技能包,权威性高于任何博客解读。
  3. 现有 SKILL.md(train 前已手写的骨架)与官方仓库的核心结构高度吻合——三字段结构(integrated_multimodal_description / overall_soundscape / non_diegetic_music)、(S1) 说话人标注、<d>...</d> 对白语法、镜头术语命名(Push In / Pull Out / Truck / Pan / Tilt / Pedestal / Tracking 等)全部得到官方仓库和 photogptai.com 双重印证,这部分骨架可信,不需要推倒重来。
  4. 官方仓库揭示了现有骨架遗漏的关键信息:H3 提示词写作分 5 种输入模式(T2VA / I2VA / FL2VA / L2VA / Ref2VA),不同模式对应不同字段集合;现有 SKILL.md 只笼统分了"基础模板/进阶模板"两档,没有对齐官方的模式划分。这是本报告建议 Digester/Evolver 阶段优先补齐的缺口。
  5. 多个独立信源(fal.ai、best.xiaohu.ai、ai-indeed.com)交叉验证出一个现有骨架没有覆盖的官方要求:"全参考模式"(Ref2VA)比基础模式多出 subject_definitions(主体定义)/ summary(概要)/ retention_analysis(一致性保留分析)三个前置字段——这是处理"多参考图/多主体一致性"场景的关键,现有骨架的 Step 3 只写了参考图锚定的文字描述,没有对应到这个结构化字段。

1. 官方一手信源

1.1 MiniMax 官方 GitHub 仓库(本次调研最重要的发现)

  • 仓库:github.com/MiniMax-AI/MiniMax-H3(MiniMax 官方组织,7k+ stars,451 forks)
  • 目录:skills/h3-prompt-writing/,结构: skills/h3-prompt-writing/ ├── SKILL.md # 技能总说明 ├── agents/ # 代理相关文件(本次未展开抓取) └── references/ ├── base-en.txt # 基础模式(T2VA/I2VA/FL2VA/L2VA)字段规范 └── ref-en.txt # 全参考模式(Ref2VA)字段规范
  • 5 种输入模式(官方命名,现有骨架未对齐): | 模式 | 全称 | 输入 | 适用场景 | |---|---|---|---| | T2VA | Text-to-Video-Audio | 仅文本 | 无参考素材的原创场景 | | I2VA | Image-to-Video-Audio | 首帧图像 | 从一张图像展开叙事 | | FL2VA | First-and-Last-to-Video-Audio | 首尾两帧图像 | 描述首尾之间的连续运动路径 | | L2VA | Last-to-Video-Audio | 仅尾帧图像 | 需要反推出到达尾帧之前发生了什么 | | Ref2VA | Reference-to-Video-Audio | 最多9图+3视频+3音频 | 多素材身份/风格锁定的复杂场景 |

现有 SKILL.md 的"基础模板"大致对应 T2VA/I2VA,"进阶模板"里的参考图锚定写法大致对应 FL2VA/L2VA,但完全没有对应 Ref2VA,也没有用官方的模式名称,这会导致遇到"多图+多视频混合参考"这类复杂需求时无章可循。

  • 基础模式(T2VA/I2VA/FL2VA/L2VA)三字段(与现有 SKILL.md Step 3 完全吻合,强验证):

    integrated_multimodal_description   # 按时间线的画面+对白+同步音描述
    overall_soundscape                  # 环境声、动作触发音(1-4句)
    non_diegetic_music                  # 背景配乐,角色听不到(1-3句)
    
  • 全参考模式(Ref2VA)六字段(现有骨架缺失的部分,建议下阶段补齐):

    subject_definitions      # 主体定义:人物/产品等,逐个声明
    summary                  # 视频概要
    retention_analysis        # 哪些特征必须跨镜头/跨参考保持一致
    detailed_description      # 按时间线展开的详细描述(对应基础模式的 integrated_multimodal_description)
    overall_soundscape
    non_diegetic_music
    

    未核实细节:subject_definitions 和 retention_analysis 各自的具体书写格式(是否有子字段、是否要求编号)——WebFetch 对官方原文件返回的是小模型摘要而非逐字原文,这一层还需要后续直接读取 raw 文件全文或人工核实。

  • 镜头/转场/对白规范(来自 base-en.txt,与 photogptai.com 交叉印证一致):

    • 镜头运动术语:zoom / pan / truck / tilt / tracking shots,命名与现有 SKILL.md Step 4 术语表一致
    • 说话人标注:用 (S1) (S2) 等 ID 标记,首次出现时在括号内注明声音特征描述
    • 对白格式:语言标签 + 确切台词,见下方 1.2 的逐字示例
    • 分镜起始要注明风格(如"Live-action, cinematic")
    • 转场用语有specific terminology:"the camera cuts to" / "dissolves to",现有 SKILL.md 没有列出转场用词规范,建议补充
  • 官方原则:"Match total duration to requested video length (4–15 seconds)"(总时长要匹配请求时长)、"Maintain consistent reference labels throughout"(参考标签全程保持一致)、"Prioritize concrete descriptive details over vague terminology"(具体细节优先于模糊术语——与现有骨架"不要用空洞质量词"的 Never Rule 完全一致,强验证)、"Preserve original-language dialogue and visible text"(保留原语言对白和可见文字,逐字)。

1.2 photogptai.com 独立复核(此前 SKILL.md 已引用,本次重新验证为真)

来源:https://www.photogptai.com/guides/how-to-prompt-minimax-h3-video-model

复核确认以下逐字示例真实存在:

  • 说话人标注示例:The young woman with a clear, strong, natural American voice (S1) shouts
  • 对白语法示例:<d>[English] Helloooooooo!</d> —— 标签内只放语言标签+确切台词
  • 关键帧锚定示例:For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
  • 镜头术语表含 Pull Out / Push In / Truck Left/Right / Pedestal Up/Down,并明确区分 amplitude(幅度)与 speed(速度)两个独立修饰维度

结论:现有 SKILL.md 里逐字复述的这几处官方语法((S1)、<d></d>、关键帧锚定句式)是可信的、有据可查的,不是编造。

1.3 MiniMax 开放平台官方文档

来源:https://platform.minimax.io/docs/guides/video-prompt

提取到官方"提示词构成要素表":长宽比、时长、叙事内容、视觉参考(氛围/角色/产品/标志分工)、摄影术语、音效设计、风格调性。以及应用场景分类(品牌电影、视觉创意、电商展示、游戏、动画风格化)。未提供逐字段 JSON schema 的完整原文(该细节以 1.1 的 GitHub 仓库为准,两者互为补充不冲突)。


2. 提示词结构:多信源交叉验证出的三种归纳视角

同一件事(H3 提示词该怎么组织),不同信源给出了三种表述方式,本质是同一套底层字段体系的不同切面,不是互相矛盾:

视角 来源 归纳方式
官方字段体系 GitHub 仓库 SKILL.md 5 模式 × 3-6 个具名 JSON 字段(见 §1.1)
三段公式 fal.ai / best.xiaohu.ai(对官方手册的解读) "reference material notes + core idea + scene-by-scene description"
六层控制框架 ai-indeed.com 目的 → 不变量 → 事件 → 摄影 → 质感 → 声音,强调"先解决不变量、事件和摄影,再补质感"
六层公式(第三方归纳,非官方原文) inreels.ai Subject + Action + Scene + Visual Style + Camera + Audio,另有精确时间戳系统 MM:SS.mmm–MM:SS.mmm
五段模板(中文实战) morphic.com/zh 分镜脚本库 参考 / 节拍 / 画面 / 声音 / 限制

给 Digester 的建议:这些归纳可以作为"检查清单"的不同角度交叉使用,但训练/校准时应以 §1.1 官方字段体系为唯一权威结构,其余四种是不同作者对同一套东西的复述角度,不应把它们当作平行的、互斥的候选方案。

ai-indeed.com 提出的排序原则值得采纳:先锁定"不变量"(人物身份/产品结构/品牌字样不能漂移)和"事件"(动作顺序),再补"质感"(光影/色彩)——这是对现有 SKILL.md Step 0 信息收集清单的一个有价值的补充:现有清单是并列列出 8 项信息,没有给出"哪些该优先锁定"的优先级排序。


3. 镜头运镜术语表(合并版,标注新增/验证)

现有 SKILL.md Step 4 的术语表(Static/Push In/Pull Out/Zoom/Pan/Tilt/Truck/Pedestal/Arc/Tracking/Crane/Handheld/Drone Pullback/Rack Focus/POV/Dutch Angle/Shake/Roll)全部在本次信源中得到印证,未发现错误定义。补充如下:

本次新发现、现有表格未收录的术语(来自 inreels.ai + ai-indeed.com,均为通用影视术语,非 H3 专有,标注来源): | 术语 | 定义 | 来源 | |---|---|---| | Dolly Zoom 希区柯克变焦 | 推拉与变焦反向同步,制造空间扭曲感 | ai-indeed.com | | Steadicam 斯坦尼康 | 稳定器跟拍,比 Handheld 更平滑 | ai-indeed.com | | Whip Pan 甩镜头 | 快速横扫式摇镜,常用于转场 | ai-indeed.com | | Orbital 360° 环绕 | 与现有表格的 Arc/Orbit 同义,inreels.ai 标注为"高可靠性"运镜之一 | inreels.ai |

幅度/速度修饰词:现有骨架已有"small/large amplitude + slow/fast speed",photogptai.com 逐字示例印证了这个说法("amplitude 和 speed 是两个独立修饰维度"),确认无误。

inreels.ai 补充的可靠性分级(第三方经验总结,非官方原文,建议标注"未核实来源"使用):

  • 高可靠性:慢速推进/拉出、跟踪、环绕360°、升降、静止、摇摄、变焦
  • 进阶(隐含"效果不稳定"):快速变焦、变焦推进、快摇摄、稳定器跟踪、焦点转移、俯视、荷兰角

4. 光影氛围写法:新增可复用范例

现有 SKILL.md Step 5 的原则(具体光源+位置+效果,不用"电影感/超写实"等空词)本次继续得到印证,未见任何信源反驳这一原则。

新增的中文实战范例(来自 morphic.com/zh 分镜脚本库,20 条中摘录光影描写突出的几条,均标注来源为该库):

  • "玻璃结着水汽…色彩整体压低,只留一处琥珀"(屋顶温室香氛短片)
  • "钠灯下…几乎只靠一盏橙色钠灯照明"(夜跑短片,9:16)
  • "地面白得过曝、天空硬蓝、太阳正上方几乎没影子"(盐滩对峙,强调"视觉极端"也是一种可写的光影策略)
  • "CRT 边缘有色散。黑压得很实"(凌晨三点卧室制作人,強调噪点/色散等"质感"词汇同样可以具体化而非空泛)

ai-indeed.com 提供了英文灯光术语对照表(Golden Hour / Rembrandt Lighting / Split Lighting / Rim Light / Chiaroscuro / Neon Noir / Silhouette),现有骨架未收录,可作为词汇补充,但这些是通用摄影术语而非 H3 专有语法,标注"未核实是否为 H3 官方文档收录,仅作词汇参考"。


5. 声音设计规范(现有骨架薄弱环节,本次重点补强)

现有 SKILL.md Step 3 对声音的处理只有一句话规则("同步音效写进镜头描述,overall_soundscape/non_diegetic_music 区分环境声和配乐"),本次调研发现声音设计在多个信源里被强调为"和画面平级的独立轨道",建议 Digester 阶段扩写:

  • morphic.com/zh 库的每条示例都有独立的"声音设计"段落,且经常包含"禁止"清单(如"无配乐、无对白、无字幕"),说明显式声明不要什么声音和描述要什么声音同等重要——这是现有骨架完全没有的一个维度。
  • fal.ai 指南:"显式禁音乐"要写 non_diegetic_music: N/A,而不是留空或不提——留空可能被模型理解为"自由发挥"。
  • ai-indeed.com:"声音当成一条独立轨道去指挥",不可省略项:对白具体内容、环境声类型、背景音乐风格、音效及卡点位置。

6. 常见错误清单(合并版)

现有 SKILL.md Step 8 的 7 条错误清单基本被印证,以下是本次调研发现、现有清单未覆盖的新增错误类型(来源分别标注,建议纳入 Evolver 阶段的自查清单):

新增错误 来源 说明
用元指令代替具体描述("高质量""病毒式""改进这个") inreels.ai / fal.ai 和现有"质量堆砌词"规则同源但更泛化——不止是形容词堆砌,连"帮我改进一下"这种模糊编辑指令也属于同类问题
参考素材未声明职责就堆叠使用 fal.ai / imagine.art 多图/多视频参考时,每个文件必须显式声明"负责什么",否则模型会不知道优先级
时间戳重叠或有间隙 inreels.ai 多镜头结构里 [Shot N - 00:03] 这类时间戳必须连续衔接
单个镜头短于 1.5 秒 inreels.ai(第三方经验,未核实是否官方限制) 标注来源为第三方总结,非官方原文明确写出的限制
首尾帧模式与全参考模式混用 imagine.art 同一请求里不要同时触发 FL2VA 和 Ref2VA 的字段结构
声音部分留空/省略 ai-indeed.com 呼应第 5 节,声音是必答项不是可选项

7. 中文实战案例库(20条,来源:morphic.com/zh)

这是本次调研找到的最贴近"目标 agent 服务中文用户"这个要求的实战范例来源——20 条完整可复用的中文分镜脚本,统一遵循"参考/节拍/画面/声音/限制"五段结构,覆盖产品片、剧情短片、游戏UI演示、纪实、动画混合等多种类型。完整清单和逐条摘录已在调研过程中提取,核心结构范式如下(示例二选一,完整清单见调研过程记录,如需全部20条逐字文本建议 Digester 阶段直接重新访问该 URL 获取原文,本报告为摘要转述):

夜跑短片示例:9:16 | 15秒 | "夜里空街刚下过雨…几乎只靠一盏橙色钠灯照明",时间节拍 0-5s进入光圈/5-10s慢镜头溅水/10-15s跑入黑暗,声音"呼吸、湿沥青脚步、低沉次低音",限制"无骤入音乐、无标识、无文字"。

医院走廊双人剧情示例:9:16 | 15秒 | 台词精确到秒(0-5s姐姐回来坐下,5-11s妹妹说出台词,11-15s握手),镜头语言"中近景、正反打克制、表演往回收,不要外放"。

未核实项:这 20 条是该第三方网站自行编写的示例还是转载自 MiniMax 官方案例库,页面未明确署名来源,标注为"未核实原创性,仅作结构范式参考,不作为'官方案例'引用"。


8. 对现有 agent.md / SKILL.md 的校准结论

现有骨架内容 本次校验结果
基础五段式模板(Step 2) ✅ 与官方 T2VA/I2VA 的 integrated_multimodal_description 精神一致,未发现冲突
H3 多模态结构化模板(Step 3,三字段) ✅ 与官方基础模式字段名完全一致,强验证,可直接保留
(S1) 说话人标注 / <d> 对白语法 ✅ photogptai.com 逐字复核为真,可信
镜头术语表(Step 4) ✅ 全部术语定义准确,无需修正
光影写法规范(Step 5,禁用空洞质量词) ✅ 多信源反复印证,是整个方法论里证据最充分的一条
动作/时长节奏规范(Step 6) ⚠️ 未在本次信源中找到直接反驳或支持的官方细则,维持现状,标注"未被本轮信源直接验证"
自查清单(Step 7)/ 常见错误(Step 8) ✅ 基本准确,但遗漏 §6 列出的 6 类新错误,建议 Evolver 阶段补充
完全缺失:5种官方输入模式(T2VA/I2VA/FL2VA/L2VA/Ref2VA)命名体系 ❌ 这是最大的结构性缺口,建议优先补齐
完全缺失:Ref2VA 全参考模式的 subject_definitions/summary/retention_analysis 三字段 ❌ 处理多图/多主体一致性场景时,现有骨架没有对应的结构化写法,只有文字性的"参考图锚定"建议
薄弱:声音设计只有一句话规则 ⚠️ 建议参照 §5 扩写为独立的检查项
薄弱:信息收集清单没有优先级排序 ⚠️ 建议采纳 ai-indeed.com 的"先锁不变量和事件,再补质感"排序原则

9. 未核实/存疑事项清单(如实标注,不得当作定论使用)

  1. 官方仓库 references/base-en.txt / ref-en.txt 的逐字全文未获取——WebFetch 经小模型摘要返回,subject_definitions/retention_analysis 等字段的具体书写格式细节仍需后续直接读取原始文件确认。
  2. inreels.ai 提出的"运镜可靠性分级""镜头最短1.5秒"等具体数值,是第三方经验总结,未见于官方原文,标注为第三方归纳。
  3. morphic.com/zh 的 20 条中文案例是否为 MiniMax 官方发布或第三方原创,未核实。
  4. blog.segmind.com 这条现有 SKILL.md 已引用的旧信源,本轮未重新抓取复核,其准确性沿用此前状态、未在本轮验证。
  5. pixo.video 和两篇知乎文章因 403 被拒绝抓取,内容完全未知,未采用,不构成本报告任何结论的依据。
  6. 飞书两篇标杆文档正文——完全未知,见 feishu_access_status.md。

10. 建议给 Digester 的下一步

  1. 优先把 §1.1 的 5 种官方模式命名(T2VA/I2VA/FL2VA/L2VA/Ref2VA)和 Ref2VA 的三个新增字段吸收进 SKILL.md,这是结构性缺口,收益最大。
  2. 按 §5 扩写声音设计为独立检查项,补充"显式声明 N/A"这条规则。
  3. 按 §6 把 6 类新增错误并入 Step 8 常见错误清单。
  4. 尝试直接访问 raw.githubusercontent.com/MiniMax-AI/MiniMax-H3/main/skills/h3-prompt-writing/references/{base-en.txt,ref-en.txt} 获取逐字原文(本轮受限于 WebFetch 的摘要机制未能拿到全文),这是全网现存最权威的一手资料,值得专门花一轮精读。
  5. 飞书标杆文档如果后续由人工提供正文/截图,需要重新做一轮"逐条对比校准",而不是假设当前基于公开资料构建的骨架已经等价于标杆水平。