メインコンテンツへスキップ

プロンプトガイド

MiniMax-H3のプロンプトの書き方

Mage での MiniMax-H3 のプロンプトの書き方を解説。ラベル付きプロンプト形式、穴埋めテンプレート、ショット、フレーム、リファレンス、セリフ、サウンドのコツを紹介します。

音つきのストリートパフォーマンス
MiniMax-H3で作成音つきのストリートパフォーマンス

クイックスタート

MiniMax-H3で最初のいいプロンプトを作ろう

初心者に必要なことを1分でまとめました。最初に知っておきたいこと、大切なルール、入力するだけのテンプレート、コピーして使えるプロンプトです。

最初に知っておきたいこと

MiniMax-H3 は動画とサウンドを一緒に生成します。Mage ではプロンプトを書いたとおりに読み取り、事前に展開や並べ替えは行いません。このモデルはラベル付きフィールドで書かれたプロンプトで学習されているため、ゆるい文章ではなくそのフィールドで書きましょう。テキストからクリップを作る場合は、3つのフィールドで十分です。見えるものと聞こえるものをショットごとに書く欄、クリップ全体の環境音、そして音楽(なければ N/A)です。

いちばん大切なルール

  1. 3つのフィールドを順番に書く

    integrated_multimodal_description、overall_soundscape、non_diegetic_music の順に、それぞれ1行で書き、間に空行を入れます。ラベルは正確にコピーしてください。

  2. 各ショットはスタイルと構図から始める

    [Shot 1] は、スタイルと最初の画面から始めます:「Live-action, cinematic, a medium shot frames…」。次にカメラの動きを1文で、そのあとに起こる出来事を書きます。

  3. 長さをぴったり埋める

    ショットは、設定したクリップの長さを過不足なくカバーする必要があります。カットは時刻付きで書きます:「[Shot 2] At 00:04.000, the camera cuts to…」。

  4. 音はそれぞれの場所に書く

    動作に結びついた音は説明に、部屋の響き・天気・人混みの音は overall_soundscape に、劇伴は non_diegetic_music に書きます。なければ N/A にします。

  5. 項目は英語で、セリフなどはその言語のまま

    項目名や構成は英語で書きます。セリフ、歌詞、画面上の文字は、表示したい言語のまま、そのとおりに書いてください。

テンプレートに入力しよう

角かっこの部分を自分のアイデアに置き換えてください。不要な部分は省いてもOKです。

テンプレート
integrated_multimodal_description: [Shot 1] [Style], a [shot size] frames [subject, place, and starting state]. The camera [one move, as a sentence]. [What happens, in order, with the sounds of each action].

overall_soundscape: [Ambience and physical sounds across the whole clip].

non_diegetic_music: [Score instruments, tempo, and dynamics, or N/A].
入力済みのテンプレート
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a noodle cook at a street stall at night, steam rising from a row of pots under a single bare bulb. The camera pushes in with small amplitude at slow speed. He lifts a tangle of noodles high out of the boiling water, shakes them twice so drops scatter, and drops them into a bowl with a soft splash.

overall_soundscape: Rain patters on the tin awning, water boils steadily, and scooters pass on the wet street behind him.

non_diegetic_music: N/A
  • [Shot 1] このラベルはそのまま書いてください。最初のショットの始まりを示します。カットを入れる場合は、時間つきで [Shot 2] を追加します。
  • [Style] Live-action, cinematic(実写・シネマティック)、2D-animated(2Dアニメ)、3D CG、claymation(クレイアニメ)、watercolor(水彩)、vintage film(ヴィンテージフィルム)など。
  • [shot size] カメラとの距離:wide shot(ロングショット)、medium shot(ミディアムショット)、close-up(クローズアップ)など。
  • [subject, place, and starting state] 何が、どこに映り、ショットがどう始まるか。例:夜の屋台で麺を作る料理人、鍋の列から立ちのぼる湯気。
  • [one move, as a sentence] カメラの動きは1つ。必要なら大きさと速さも添えます。例:pushes in with small amplitude at slow speed(小さな振幅でゆっくり寄る)。
  • [What happens, in order, with the sounds of each action] 動きの流れと、それぞれの動作が立てる音。例:麺を高く持ち上げ、やさしい水音とともに丼に落とす。
  • [Ambience and physical sounds across the whole clip] 全体を通して聞こえる音を1〜4文で。例:ひさしを打つ雨、沸騰するお湯、通り過ぎるスクーター。
  • [Score instruments, tempo, and dynamics, or N/A] 観客にだけ聞こえる音楽を、楽器・テンポ・リズム・音量で書きます。雰囲気を表す言葉は使いません。音楽がなければ N/A。

まず試したいプロンプト

  • 1ショット、音あり・音楽なし

    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

    うまくいく理由: 3つの項目を順に並べ、カメラの動きは1文で書き、音楽は N/A にします。これで、クリップには工房の音だけが入ります。

  • カットとセリフ

    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.

    うまくいく理由: 4秒のカットで、顔とセリフという新しい要素が加わります。話し手にはIDと声の説明を一度だけ付け、d タグの中にはセリフだけを入れます。長さは8秒に設定してください。

  • 手持ちの画像から始める

    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.

    うまくいく理由: 静止画を最初のフレームとしてアップロードします。1行目はそのままコピーし、説明は画像にすでに写っているものから書き始め、そのあとで何が動くかを書きます。

  • 1枚の画像から別の画像へ

    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

    うまくいく理由: 2枚の静止画を、最初のフレームと最後のフレームとしてアップロードします。1行目で始まりと終わりを固定し、説明では2枚をもう一度描写せず、その間の変化の道筋を書きます。長さは6秒に設定してください。

上級編

MiniMax-H3の上級プロンプト術

基本に慣れたら試したい、より細かくコントロールするためのテクニックです。

MiniMax-H3 Turbo と MiniMax-H3

デフォルトは MiniMax-H3 Turbo です。高速で低コストなので、長めのクリップに向いています。MiniMax-H3 はフルステップのモデルで、短めのクリップ向けです。どちらもプロンプトの読み方は同じなので、Turbo で試作し、同じ文章のままどちらでも仕上げられます。

  • プロンプト強化はオフのままにしてください。プロンプトの末尾に言葉が追加され、音楽の項目に入り込んでしまいます。

形式を項目ごとに解説

MiniMax-H3 は2種類のレイアウトのどちらかで読み取ります。テキストやフレームから作るクリップでは、必要に応じてフレーム行を書き、空行を挟んで、integrated_multimodal_description、overall_soundscape、non_diegetic_music の3項目を書きます。参照画像、Characters、参照動画から作るクリップでは、subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape、non_diegetic_music の6項目を書きます。

integrated_multimodal_description はクリップの本体です。ショットごとのタイムラインとして、映像、カメラ、動作、セリフや歌を書きます。overall_soundscape には、クリップ全体の環境音、物理的な音、息づかい、笑い声を1〜4文で書きます。non_diegetic_music には、劇伴を1〜3文で書きます。なければ N/A です。

入力する言葉効果
integrated_multimodal_description:ショットごとに、スタイル、構図、カメラ、動作、セリフを書きます。
overall_soundscape:クリップ全体の環境音と物理的な音。完全な無音のときだけ N/A にします。
non_diegetic_music:登場人物には聞こえない劇伴。なければ N/A。
subject_definitions:参照を使う場合:各ラベルが何を指すかを、使う前に一度だけ定義します。
summary:参照を使う場合:角括弧でタスクの種類を示し、続けてクリップの短い説明を1段落書きます。
retention_analysis:参照を使う場合:それぞれの入力をどの程度残すかを書きます。
detailed_description:参照を使う場合:スタイルを1〜2文で書き、続けてショットを書きます。

ショットと時間

[Shot 1] には時間を書きません。スタイルと最初の映像から始めます(「Live-action, cinematic, a medium-wide shot frames…」)。2つ目以降のショットは、分・秒・ミリ秒で時間を示して始めます。例:「[Shot 2] At 00:05.000, the camera cuts to…」。時間はショットが進むごとに増やし、クリップの長さ以内に収めます。最後のショットは終わりまで続きます。

カットのたびに、新しい被写体、新しい空間、新しい状態、新しい視点、新しい時間のいずれかを加えてください。同じ瞬間をもっと寄りで見せたいときは、カットせずにカメラを動かします。

  • カットは「the camera cuts to」や「the shot switches to」と書きます。クロスディゾルブ、フェード、ワイプは、使いたいときだけ指定してください。
  • カットごとに、構図と画面に映る人物を書いてください。
  • ワンカットで撮りたいときは、[Shot 1] を1つだけ書き、「in one continuous shot with no cuts」と添えます。ワンカットを指定しながら複数のショットを書くのは避けてください。
  • [Shot 1] の冒頭に置くスタイルの言葉:Live-action, cinematic、2D-animated、3D CG、claymation、watercolor、vintage film。フレームを使う場合は、スタイルを画像から取ります。
  • 褒め言葉ではなく具体的な描写を書きます。「shallow depth of field, backlight keeps the foreground dark」のように書き、「beautiful, cinematic」のような表現は避けます。

カメラの動き

カメラの動きは、末尾のタグではなく、各ショットの中の1文として書きます。例:「The camera holds a static shot as the runner exits the frame.」大きさと速さは、必要なときだけ添えます。small または large amplitude(振幅)、slow または fast speed(速さ)のように指定します。

  • 被写体の周りを回るオービットは、トラックとパンを逆方向に組み合わせて書きます。例:「The camera trucks left while panning right.」
入力する言葉効果
push in / pull outカメラが被写体に近づく、または遠ざかります。
zoom in / zoom out変わるのはレンズだけで、カメラは動きません。
pan left / pan rightカメラがその場で左右に向きを変えます。
truck left / truck rightカメラが横にスライドします。
tilt up / tilt downカメラがその場で上下に傾きます。
pedestal up / pedestal downカメラ全体が上がる、または下がります。
arc shotカメラが被写体の周りを弧を描いて回ります。
tracking shot動く被写体に合わせてカメラも移動します。
static shotカメラは動きません。
shake slightly / shake strongly手持ち撮影の揺れや、衝撃による揺れ。
POV登場人物の目を通した視点。
roll clockwise / roll counterclockwiseフレームが回転します。
with small amplitude at slow speedどの動きにも使える、やわらかくゆっくりしたバージョン。

最初と最後のフレーム

最初のフレーム、最後のフレーム、またはその両方をアップロードし、プロンプトの冒頭に対応する行をそのままコピーして入れます。続けて空行を入れ、3つの項目を書きます。行の中の S.SS はクリップの長さを小数第2位まで表したもの(6秒なら 6.00)、N は最後のショットの番号です。クリップの縦横比はフレームに合わせて決まります。

最初のフレームがある場合、説明は画像に写っているもの(スタイル、被写体、構図)から書き始めてそれを保ち、そのあとで動きがどう始まり、展開し、終わるかを書きます。両方のフレームがある場合は、カットが必要なとき以外は1ショットで書き、その間の道筋を描きます。最初の状態、目に見える変化、差が縮まっていく様子、最後の状態の順です。最後のフレームだけの場合は、それらしい前の状態を考え、最後のショットでその画像にたどり着くようにします。

  • 最初と最後のフレームを使うクリップでは、2枚の静止画をもう一度描写しないでください。モデルはすでに両方を持っています。
  • 1つのクリップで使えるのは、フレームか参照のどちらか一方です。両方は使えません。
入力する言葉効果
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.最初のフレームのみ。
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.最初と最後のフレーム。
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.最後のフレームのみ。

ReferencesとCharacters

MiniMax-H3 は入力をタイプ別に番号で管理していて、読み取るのはこのラベルです。<Picture N> は、アップロードした画像(「Image」、続いて「Additional Images」)、次にメンションした Characters、さらにメンションした References の順に数えます。それぞれ最初にメンションした順です。<Audio N> は、メンションした音声クリップ、メンションした Characters のボイス、各リファレンス動画の音の順に数えます。<Video N> は、Video References を順番に数えます。

モデルがプロンプトを読む前に、Mage は各 @handle を「[Audio 1] のボイスを持つ、画像3のキャラクター」のような文章に置き換えます。そのため、各ハンドルは subject_definitions でラベルの横に一度だけ書き、以降はラベルだけを使ってください。アップロードした画像にハンドルは不要です。<Picture N> ラベルをそのまま書きます。

<Subject N> は、人物、場所、物、衣装、スタイル、動きなど、繰り返し使いたいものです。1つの subject が複数の入力をもとにすることもできます。例:「顔は <Picture 1>、歩き方は <Video 1> から取った人物」。<Picture N> を単独で使うのは、その画像が特定のショットのフレームやストーリーボードである場合だけにしてください。

  • すべての入力に、役割を1つずつ明記しましょう。キャラクター、オブジェクト、舞台、フレーム、ボイス、ストーリーボード、スタイル、構図、動き、カメラワーク、再利用する音声などです。変えたくない特徴も書いておきます。
  • 顔が保たれるのは、Character や画像で人物を紐づけたときだけです。テキストだけでは顔は維持されません。
  • ラベルはプロンプト全体で同じものを使い、二重に定義したり、1つの入力に2つのラベルを付けたりしないでください。
  • 要約は、角括弧で囲んだタスクの種類から始めます。複数ある場合は + でつなぎます。キーフレーム補完、リファレンス生成、動画編集、動画の続き生成、音声の再利用、音声リファレンスのいずれかです。
  • クリップを編集するには、Video Reference として追加し、要約を [video editing] と「The target video is an edited version of <Video 1>.」で始めます。
  • リファレンスはクリップと時間の枠を共有します。画像1枚ごと、リファレンス動画1秒ごとに、その一部を使います。リファレンス動画は必要な部分だけに切り詰め、長いクリップではリファレンスを少なめにしましょう。
  • 新しいクリップでは、350〜500語ほどの detailed_description を書きます。ショットごとに、構図、誰がどこに立っているか、舞台と光、動作、カメラ、音、各ラベルをどこに適用するかを書いてください。
入力する言葉効果
fully_preservedそのまま保つ:顔、商品、ロゴなど。
partially_preserved一部を保つ。どの部分かも書きます。
attribute_transfer色、質感、スタイルなど、1つの要素だけを取り入れる。
weak_referenceゆるい目安として使うだけ。
fully_copy, partially_copy, reference, weak_reference音声にも同じ段階があります。そのまま流す、一部を流す、音色やリズムだけをなぞる、ゆるい目安にする、の4つです。

ボイス付きの保存済み Character と、商品写真

subject_definitions:
<Subject 1> is the man in <Picture 2> (@leo), with a gray beard, a flat cap and a navy wool coat.
<Subject 2> is the cast-iron teapot in <Picture 1>, matte black with a bamboo handle.
<Audio 1> is the voice-timbre reference for <Subject 1> (S1).

summary:
[reference generation + audio reference] <Subject 1> pours tea from <Subject 2> at a table by a rainy window and speaks to the camera in the voice referenced from <Audio 1>.

retention_analysis:
<Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - face, beard, cap and coat are kept.
<Subject 2> (appears in [Shot 1], [Shot 2]): fully_preserved - shape, finish and bamboo handle are kept exactly.
<Audio 1>: reference - his delivery follows its timbre without copying its words.

detailed_description:
Live-action, soft gray daylight from a window on the left, shallow depth of field.
[Shot 1] A medium shot frames <Subject 1> seated at a worn oak table, lifting <Subject 2> and pouring a thin stream of tea into a small white cup as steam curls up. The camera pushes in with small amplitude at slow speed. [Shot 2] At 00:04.000, the camera cuts to a close-up of <Subject 1> (S1), who looks into the lens and says in a slow, warm voice: <d>[English] Rain outside, tea inside. That's the whole plan.</d> He sets <Subject 2> down beside the cup.

overall_soundscape:
Rain runs down the window, tea splashes softly into the cup, and the iron lid clinks as it settles.

non_diegetic_music:
N/A

うまくいく理由: ティーポットを Image としてアップロードすると、ティーポットが <Picture 1>、Character が <Picture 2> になります。ハンドルはラベルの横に一度だけ書きます。ここでは短縮していますが、実際はもっと長く書きます。長さは8秒に設定してください。

セリフと音

声ごとに固定のIDを付けます。(S1)、(S2)、同時に話すセリフは (S1,S2) です。各声の説明は、最初に登場するときにタグの外で一度だけ書きます。年齢、性別、画面内か画面外か、音の高さ、音色、話す速さ、アクセントなどです。音を出さないキャラクターにはIDを付けません。

各セリフは <d> タグで囲み、中には言語と正確な言葉だけを入れます:<d>[English] We leave at dawn.</d> セリフは翻訳しないでください。また、言葉の量はショットに合わせます。短いショットに長いセリフを入れると、リップシンクが崩れます。

音は3つのレイヤーに分けます。動作に伴う音とシーン内で流れる音楽は description に、環境音や物理的な音は overall_soundscape に、スコアは non_diegetic_music に書きます。スコアは、気分を表す言葉を使わず、楽器、テンポ、リズム、強弱で書いてください。セリフを2つのサウンド欄で繰り返さないでください。

  • すべてのクリップに音が付きます。聞きたい音を書き、入れたくない音もあわせて書きましょう。
  • 声を音色だけに使う場合は、その声の言葉をプロンプトに書かないでください。音声をそのまま再利用するときは、正確な言葉や歌詞を書き出します。聞き取れない部分は [unclear] と書きます。
  • Characters の保存済みボイスを使わない場合は、「Use Character Voices」をオフにします。
  • メールアドレスやSNSのハンドルは書かないでください。@ のあとに文字が続くと、保存済みハンドルとして読み取られます。セリフの中では「at」と書きます。
入力する言葉効果
(S1)話者ID。話す人のすぐ後ろに書きます。
<d>[English] …</d>話されるセリフ。言語、続けて正確な言葉の順に書きます。
says in an off-screen voiceover:ナレーション。人物が画面に映っているときは、セリフのあとに「while her lips remain completely closed」を加えます。
<scenetrans>1つのセリフがカットをまたぐとき、カットの前後の両方に置きます。「continues seamlessly across the cut」も添えます。
<cutoff>クリップの終わりで途切れるセリフ。
<Audio 1> is the voice-timbre reference for <Subject 1> (S1).保存済みのボイスは話者に声を与えます。話す言葉はプロンプトから決まります。

ワイドショットにかぶせたナレーター

integrated_multimodal_description: [Shot 1] Live-action, cinematic, an extreme wide shot frames a herd of horses galloping across a frozen lake at dawn, snow spraying from their hooves. The camera trucks right with large amplitude at slow speed, keeping pace with the herd. A calm older woman (S1) with a low, clear voice says in an off-screen voiceover: <d>[English] Every winter, they cross before the ice turns.</d> No one on screen speaks.

overall_soundscape: Hooves drum on the ice, the horses snort and blow, and a cold wind hisses across the lake.

non_diegetic_music: Low cellos hold a long chord at a slow tempo, swelling slightly as the herd passes.

うまくいく理由: ナレーターにはIDと一度きりの説明があり、ボイスオーバーの一文でセリフを画面外に置き、各音は別々のレイヤーに入っています。

画面上の文字

看板、ラベル、字幕、ネオンなどの文字は、英語のダブルクォートで囲み、元の言語のまま一字一句そのまま書きます。例:A blue neon sign reading "NOODLES" flickers above the stall.

  • 1ショットにつき主な文字は1つにして、顔にはかからないようにしましょう。
  • 何も表示させたくないときは、「No subtitles, on-screen text, or watermarks.」と書きます。

よくある間違い

避けたい書き方と、おすすめの書き方

  • 避けたい書き方: 項目に分けず、ひと続きで書いた段落。

    a cook makes noodles at a street stall at night in the rain, steam, cinematic, moody

    おすすめの書き方: ラベル付きの項目を使う。Mage には、ざっくりしたプロンプトを自動で補ってくれる機能はありません。

    integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a noodle cook at a street stall at night, steam rising under a bare bulb. The camera holds a static shot. He lifts the noodles high and drops them into a bowl with a soft splash.
    
    overall_soundscape: Rain on the tin awning, boiling water, passing scooters.
    
    non_diegetic_music: N/A
  • 避けたい書き方: 定義の前にラベルを使う、または1つの入力に2つのラベルを付ける。

    おすすめの書き方: 各ラベルは subject_definitions で一度だけ定義し、以降は毎回同じラベルを使う。

  • 避けたい書き方: 複数のショットがあるのに「One continuous take」と書く。

    おすすめの書き方: どちらか一方にする。

  • 避けたい書き方: ある欄では音楽を指定し、別の欄では「no background music」と書く。

    おすすめの書き方: non_diegetic_music で、1つに決める。

  • 避けたい書き方: クリップより長い、または短いタイムライン。

    おすすめの書き方: カットのタイミングは設定した長さの範囲内に収め、最後のショットは最後まで続ける。

  • 避けたい書き方: 音楽の欄に気分を表す言葉を書く:「epic, emotional, uplifting」。

    non_diegetic_music: epic emotional uplifting music

    おすすめの書き方: 楽器、テンポ、リズム、強弱で書く。

    non_diegetic_music: Brass and timpani at a moderate tempo, building from quiet to loud over the last shot.
  • 避けたい書き方: 短いショットに長いセリフ。

    おすすめの書き方: ショットの時間内に言い切れる短さのセリフ。

  • 避けたい書き方: あらすじだけを書く:「they fall in love」。

    おすすめの書き方: 見えるものと聞こえるものを、ショットごとに書く。

  • 避けたい書き方: 言葉だけで顔が保たれると期待する。

    おすすめの書き方: 人物を Character や画像として紐づける。

よくある質問

MiniMax-H3のプロンプトに関する質問

MiniMax-H3 のプロンプトはどのくらいの長さにすればいい?
テキストからクリップを作る場合は、ショットごとに数文、各サウンド欄に一、二文が目安です。リファレンスを使うクリップでは、detailed_description は350〜500語ほどになります。Mage には短いプロンプトを自動で補う機能はないため、書かなかった部分は運任せになります。
ラベル付きの項目は必ず使う必要がある?
必須ではありませんが、モデルはこの形式で学習されており、Mage はプロンプトを書いたとおりそのまま渡します。ゆるく書いた文章だと細部が失われますが、フィールドを使えば保てます。
MiniMax-H3 でキャラクターに話させるには?
話し手に (S1) のような ID を付け、声の特徴を一度だけ説明し、セリフそのものを言語つきで <d> タグに入れます:<d>[English] See you tomorrow.</d> 保存済みの声を使う場合は Character を指定してください。保存された声がそのセリフを話します。
MiniMax-H3 でキャラクターの見た目を一貫させるには?
Character または画像として添付し、subject_definitions で <Subject 1> として一度定義したら、すべてのショットで同じラベルを使います。テキストだけでは顔は維持できません。
MiniMax-H3 で音楽が勝手に入らないようにするには?
non_diegetic_music: N/A と書き、プロンプトのほかの場所では音楽を指定しないでください。
最初と最後のフレームを参照と一緒に使えますか?
いいえ。1本のクリップで使えるのは、フレームか参照のどちらか一方です。
MiniMax-H3 はネガティブプロンプトに対応していますか?
ネガティブプロンプトの設定はありません。除外したい内容は、「字幕、画面上の文字、透かしは入れない」のように、プロンプト内の文として書いてください。

MiniMax-H3で最初の動画を作ろう

新規アカウントには300 Gemsが無料で付与され、MiniMax-H3 Turboを試せます。インストール不要、クレジットカード不要です。

MiniMax-H3 Turboを試す