نحوه نوشتن پرامپت برای MiniMax-H3

مهم‌ترین قانون‌ها

1. 1

   سه فیلد را به ترتیب بنویس

   اول integrated_multimodal_description، بعد overall_soundscape، بعد non_diegetic_music، هرکدام در یک خط جدا و با یک خط خالی بین آن‌ها. برچسب‌ها را دقیقاً کپی کن.

2. 2

   هر نما را با سبک و کادربندی شروع کن

   [Shot 1] با سبک و تصویر آغازین شروع می‌شود: «لایو‌اکشن، سینمایی، یک نمای متوسط کادر می‌کند…». بعد یک حرکت دوربین در قالب یک جمله و بعد آنچه اتفاق می‌افتد.

3. 3

   مدت را دقیقاً پر کن

   نماها باید دقیقاً مدت کلیپی را که تنظیم کرده‌ای پوشش دهند، نه بیشتر و نه کمتر. برش با زمانش نوشته می‌شود: «[Shot 2] At 00:04.000، دوربین برش می‌خورد به…».

4. 4

   هر صدا را سر جای خودش بگذار

   صداهایی که به یک حرکت وابسته‌اند در description می‌روند؛ فضای اتاق، آب‌وهوا و جمعیت در overall_soundscape؛ موسیقی متن هم در non_diegetic_music، یا اگر نیست N/A.

5. 5

   بخش‌ها را انگلیسی بنویس، حرف‌ها را به زبان خودشان

   نام فیلدها انگلیسی است. دیالوگ، شعر آهنگ و متن روی صفحه به زبان اصلی خودشان می‌مانند، دقیقاً همان‌طور که باید نمایش داده شوند.

پرامپت‌هایی برای شروع

• یک نما، با صدا ولی بدون موسیقی

  integrated_multimodal_description: [Shot 1] Live-action, cinematic, a close-up frames a glassblower's hands turning a glowing orange bulb of glass on the end of a steel pipe in a dark workshop. The camera trucks left with small amplitude at slow speed. She rolls the pipe along the rails of her bench, lifts it, and blows a short breath into the mouthpiece as the bulb swells and brightens.
  
  overall_soundscape: The furnace roars steadily behind her, the pipe clicks against the rails, and a soft hiss rises as the glass swells.
  
  non_diegetic_music: N/A

  چرا جواب می‌دهد: سه فیلد به ترتیب، یک حرکت دوربین که به صورت جمله نوشته شده، و N/A برای موسیقی؛ پس کلیپ فقط صدای کارگاه را می‌دهد و هیچ چیز دیگری نه.

• یک برش و یک جمله‌ی گفتاری

  integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames two hikers reaching a rocky summit above a sea of clouds at sunrise, wind tugging at their jackets. The camera pedestals up with small amplitude at slow speed as they climb the last step and stop. [Shot 2] At 00:04.000, the camera cuts to a close-up of the woman in the red jacket (S1), in her thirties, with a bright, breathless voice, who turns to her friend and says: <d>[English] Told you it was worth the early alarm.</d> Her friend laughs and shakes his head.
  
  overall_soundscape: Strong wind gusts across the summit, boots scrape on rock, and both hikers breathe hard from the climb.
  
  non_diegetic_music: A sustained string pad at a slow tempo, quiet at first and rising gently after the cut.

  چرا جواب می‌دهد: برش در ثانیه‌ی ۴ چیز تازه‌ای می‌آورد، یک چهره و یک جمله؛ گوینده فقط یک بار شناسه و توصیف صدا می‌گیرد؛ و فقط خود کلمات داخل تگ‌های d قرار می‌گیرند. مدت را روی ۸ ثانیه بگذار.

• شروع از تصویر خودت

  For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
  
  integrated_multimodal_description: [Shot 1] Live-action, cinematic, the old bookshop shown in <Picture 1> keeps its layout, warm lamps and crowded shelves, with the gray cat asleep on the counter. The camera pushes in with small amplitude at slow speed. The cat opens one eye, stretches its front paws across an open ledger, and yawns as a page lifts in the draft from the door.
  
  overall_soundscape: A wall clock ticks, rain murmurs against the front window, and the floorboards creak once.
  
  non_diegetic_music: A solo piano plays a sparse melody at a slow tempo and low volume.

  چرا جواب می‌دهد: تصویر ثابت را به‌عنوان فریم اول (First Frame) آپلود کن. خط اول دقیقاً کپی می‌شود، توصیف با چیزی شروع می‌شود که تصویر همین حالا نشان می‌دهد، و بعد می‌گوید چه چیزی حرکت می‌کند.

• از یک تصویر به تصویر دیگر

  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 1) aligns with the 6.00-second mark of the target video.
  
  integrated_multimodal_description: [Shot 1] Live-action, cinematic, an empty sunlit studio begins as in Picture 1, a folded wooden easel leaning against the wall. The camera holds a static shot. A painter in a paint-flecked apron walks in from the right, unfolds the easel, sets a blank canvas on it, and steps back with her arms crossed, settling into the pose and spacing of Picture 2.
  
  overall_soundscape: Footsteps cross the wooden floor, the easel legs creak and lock with a clack, and birdsong drifts through an open window.
  
  non_diegetic_music: N/A

  چرا جواب می‌دهد: دو تصویر ثابت را به‌عنوان فریم اول (First Frame) و فریم آخر (Last Frame) آپلود کن. خط اول آن‌ها را به ابتدا و انتها پین می‌کند و توصیف به‌جای تکرار دوباره‌ی آن‌ها، مسیر میان‌شان را بیان می‌کند. مدت را روی ۶ ثانیه بگذار.