Перейти к содержимому
ВойтиЗарегистрироваться бесплатно

Руководство по промптам

Как писать промпты для MiniMax-H3

Как писать промпты для MiniMax-H3: формат промпта с метками, шаблон для заполнения и советы экспертов по кадрам, референсам, диалогам и звуку в Mage.

Попробовать MiniMax-H3 TurboСтраница модели MiniMax-H3

Уличное выступление со звуком
Создано в MiniMax-H3Уличное выступление со звуком

Быстрый старт

Ваш первый удачный промпт для MiniMax-H3

Всё, что нужно новичку, за одну минуту: с чего начать, самые важные правила, шаблон для заполнения и готовые промпты.

Что важно знать сначала

MiniMax-H3 создаёт видео и звук вместе, а в Mage он читает ваш промпт ровно так, как вы его написали: ничего не расширяется и не перестраивается заранее. Модель обучали на промптах с размеченными полями, поэтому пишите в этих полях, а не сплошным абзацем. Для клипа по тексту хватит трёх полей: что мы видим и слышим, кадр за кадром; фоновый звук всего клипа; музыка или N/A, если её нет.

Самые важные правила

  1. Заполните три поля по порядку

    integrated_multimodal_description, затем overall_soundscape, затем non_diegetic_music — каждое с новой строки, между ними пустая строка. Метки копируйте точно.

  2. Начинайте каждый кадр со стиля и композиции

    [Shot 1] начинается со стиля и начальной картинки: «Живая съёмка, кинематографично, средний план показывает…». Затем одно движение камеры отдельным предложением, потом то, что происходит.

  3. Заполните длительность точно

    Кадры должны покрывать заданную длину клипа — ни больше, ни меньше. Склейка записывается со временем: «[Shot 2] В 00:04.000 камера переходит на…».

  4. Каждому звуку своё место

    Звуки, связанные с действием, идут в описание; помещение, погода и толпа идут в overall_soundscape; музыка идёт в non_diegetic_music, а если её нет, напишите N/A.

  5. Разделы пишите по-английски, а слова героев на их языке

    Названия полей пишутся по-английски. Диалоги, текст песен и текст на экране остаются на исходном языке, точно в том виде, в каком они должны появиться.

Заполните шаблон

Замените каждую часть в квадратных скобках своей идеей, а ненужную часть просто уберите.

Шаблон
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].
Заполненный шаблон
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] Оставьте эту метку без изменений: она открывает первый кадр. Склейка добавляет [Shot 2] со своим временем.
  • [Style] Live-action, cinematic; 2D-animated; 3D CG; claymation; watercolor; vintage film.
  • [shot size] Насколько близко камера: wide shot, medium shot, close-up.
  • [subject, place, and starting state] Кого или что мы видим, где и как начинается кадр: a noodle cook at a street stall at night, steam rising from a row of pots.
  • [one move, as a sentence] Одно движение камеры, а если важно, то с размахом и скоростью: pushes in with small amplitude at slow speed.
  • [What happens, in order, with the sounds of each action] Действие по ходу развития и звук каждого действия: he lifts the noodles high and drops them into a bowl with a soft splash.
  • [Ambience and physical sounds across the whole clip] От одного до четырёх предложений о том, что слышно на протяжении всего клипа: rain on the awning, boiling water, passing scooters.
  • [Score instruments, tempo, and dynamics, or N/A] Музыка, которую слышит только зритель: инструменты, темп, ритм и громкость, без слов о настроении. N/A, если музыки нет.

Промпты для старта

  • Один кадр, со звуком, но без музыки

    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

    Почему это работает: Три поля по порядку, одно движение камеры в виде предложения и N/A вместо музыки: в клипе звучит только мастерская и ничего больше.

  • Склейка и реплика

    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.

    Почему это работает: Склейка на 4-й секунде приносит что-то новое: лицо и реплику. Говорящему один раз задаются ID и описание голоса, а внутри тегов d находятся только слова. Задайте длительность 8 секунд.

  • Начало с вашего изображения

    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.

    Почему это работает: Загрузите изображение как Первый кадр. Первая строка копируется точно, описание начинается с того, что уже есть на изображении, и только потом говорит о том, что движется.

  • От одного изображения к другому

    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

    Почему это работает: Загрузите два изображения как Первый кадр и Последний кадр. Первая строка закрепляет их в начале и в конце, а описание рассказывает о пути между ними и не описывает их заново. Задайте длительность 6 секунд.

Для опытных

Продвинутые промпты для MiniMax-H3

Приёмы для более точного контроля, когда основы уже освоены.

MiniMax-H3 Turbo или MiniMax-H3

MiniMax-H3 Turbo используется по умолчанию: он быстрее, дешевле и лучше подходит для длинных клипов. MiniMax-H3 — модель с полным числом шагов, для коротких клипов. Обе читают промпт одинаково, поэтому делайте черновик на Turbo, а рендерите на любой из них с теми же словами.

  • Не включайте «Улучшение промпта». Оно дописывает слова в конец промпта, и они попадают в поле музыки.

Формат: поле за полем

MiniMax-H3 понимает один из двух форматов. Для клипа из текста или из кадров напишите необязательную строку о кадрах, пустую строку и три поля: integrated_multimodal_description, overall_soundscape и non_diegetic_music. Для клипа из референсных изображений, Characters или референсных видео напишите шесть полей: subject_definitions, summary, retention_analysis, detailed_description, overall_soundscape и non_diegetic_music.

integrated_multimodal_description — основная часть клипа: таймлайн кадров, в каждом из которых есть картинка, камера, действия и любые диалоги или пение. В overall_soundscape пишется от одного до четырёх предложений об атмосфере, физических звуках, дыхании и смехе во всём клипе. В non_diegetic_music пишется от одного до трёх предложений о музыке или N/A.

ПишитеЧто это даёт
integrated_multimodal_description:Кадр за кадром: стиль, композиция, камера, действие и любая речь.
overall_soundscape:Атмосфера и физические звуки на протяжении всего клипа. N/A только при полной тишине.
non_diegetic_music:Музыка, которую герои не слышат, или N/A, если её нет.
subject_definitions:С референсами: что означает каждая метка. Определяется один раз, до первого использования.
summary:С референсами: тип задачи в скобках, затем один короткий абзац о клипе.
retention_analysis:С референсами: какую часть каждого источника сохранить.
detailed_description:С референсами: одно-два предложения о стиле, затем кадры.

Кадры и тайминг

У [Shot 1] нет времени: он начинается со стиля и начальной картинки ("Live-action, cinematic, a medium-wide shot frames…"). Каждый следующий кадр начинается со своего времени в минутах, секундах и миллисекундах: "[Shot 2] At 00:05.000, the camera cuts to…". Время должно расти от кадра к кадру и не выходить за длину клипа, а последний кадр идёт до самого конца.

Каждая склейка должна добавлять что-то новое: нового героя, новое пространство, новое состояние, новую точку зрения или новое время. Чтобы взять тот же момент крупнее, лучше подвиньте камеру, а не делайте склейку.

  • Пишите склейки как "the camera cuts to" или "the shot switches to". Просите наплыв, затухание или шторку, только если они вам действительно нужны.
  • В каждой склейке указывайте план и то, кто находится на экране.
  • Для одного непрерывного дубля напишите один [Shot 1] и добавьте "in one continuous shot with no cuts". Не просите непрерывный дубль и одновременно не пишите несколько кадров.
  • Слова о стиле для начала [Shot 1]: Live-action, cinematic; 2D-animated; 3D CG; claymation; watercolor; vintage film. С кадрами стиль берётся из изображения.
  • Пишите конкретные детали, а не оценки: "shallow depth of field, backlight keeps the foreground dark", но не "beautiful, cinematic".

Движения камеры

Пишите каждое движение камеры предложением внутри кадра, а не тегом в конце: "The camera holds a static shot as the runner exits the frame." Размах и скорость добавляйте, только если они важны: with small or large amplitude, at slow or fast speed.

  • Для облёта вокруг героя напишите truck и pan в противоположные стороны: "The camera trucks left while panning right."
ПишитеЧто это даёт
push in / pull outКамера приближается к объекту или удаляется от него.
zoom in / zoom outМеняется только объектив, а камера остаётся на месте.
pan left / pan rightКамера поворачивается на месте влево или вправо.
truck left / truck rightКамера скользит вбок.
tilt up / tilt downКамера наклоняется вверх или вниз на месте.
pedestal up / pedestal downВся камера поднимается или опускается.
arc shotКамера движется по дуге вокруг героя.
tracking shotКамера движется вместе с движущимся героем.
static shotКамера неподвижна.
shake slightly / shake stronglyДрожание от съёмки с рук или от удара.
POVВид глазами героя.
roll clockwise / roll counterclockwiseКадр вращается.
with small amplitude at slow speedМягкая, медленная версия любого движения.

Первый и последний кадры

Загрузите Первый кадр, Последний кадр или оба сразу и начните промпт с подходящей строки, скопированной точно, затем добавьте пустую строку и три поля. В строке S.SS — длина клипа с двумя десятичными знаками (6.00 для шести секунд), а N — номер последнего кадра. Клип принимает форму кадра.

С первым кадром начните описание с того, что показывает изображение (его стиль, героев и композицию), сохраните это, а затем напишите, как действие начинается, развивается и заканчивается. С двумя кадрами напишите один кадр, если вам не нужны склейки, и опишите путь между ними: начальное состояние, видимые изменения, сужающиеся различия и конечное состояние. Если есть только последний кадр, придумайте правдоподобное предыдущее состояние и придите к изображению в последнем кадре.

  • Никогда не описывайте два изображения заново в клипе с первым и последним кадром: они уже есть у модели.
  • В одном клипе используются либо кадры, либо референсы, но не то и другое вместе.
ПишитеЧто это даёт
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.Только первый кадр.
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.Первый и последний кадры.
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.Только последний кадр.

References и Characters

MiniMax-H3 нумерует входные данные по типам и читает именно эти метки. <Picture N> нумерует сначала загруженные вами изображения (Image, затем Additional Images), потом упомянутых Characters, потом упомянутые References, каждый раз в порядке первого упоминания. <Audio N> нумерует упомянутые голосовые записи, затем голоса упомянутых Characters, затем звук каждого референсного видео. <Video N> нумерует ваши Video References по порядку.

Перед тем как модель прочтёт промпт, Mage превращает каждый @handle в слова вроде "character from image 3 with voice from [Audio 1]". Поэтому упоминайте каждый handle один раз, в subject_definitions рядом с его меткой, а дальше используйте только метки. Загруженному изображению handle не нужен: пишите его метку <Picture N> прямо.

<Subject N> — это то, что можно использовать повторно: человек, место, предмет, наряд, стиль или движение. Один субъект может опираться на несколько входных данных, например: "whose face comes from <Picture 1> and whose walk comes from <Video 1>". Используйте <Picture N> отдельно, только если изображение — это кадр или раскадровка для заданных планов.

  • Назначьте каждому входному элементу одну явную роль: персонаж, предмет, место действия, кадр, голос, раскадровка, стиль, композиция, движение, движение камеры или аудио для повторного использования. Укажите черты, которые менять нельзя.
  • Лицо сохраняется только тогда, когда человек прикреплён — через Character или изображение. Одним текстом лицо не удержать.
  • Сохраняйте каждую метку на протяжении всего промпта, не определяйте её дважды и не давайте двух меток одному элементу.
  • Сводка начинается с типа задачи в квадратных скобках, соединённого знаком +: keyframe completion, reference generation, video editing, video continuation, audio reuse или audio reference.
  • Чтобы отредактировать клип, добавьте его как Video Reference и начните сводку с [video editing] и "The target video is an edited version of <Video 1>."
  • References делят с клипом общий лимит времени: каждое изображение и каждая секунда референсного видео расходуют его часть. Обрезайте референсные видео до нужного фрагмента и не добавляйте много references в длинные клипы.
  • Для нового клипа пишите detailed_description примерно на 350–500 слов. Для каждого плана укажите композицию, кто где стоит, место действия и свет, действия, камеру, звук и то, где применяется каждая метка.
ПишитеЧто это даёт
fully_preservedСохранить в точности: лицо, товар, логотип.
partially_preservedСохранить часть и указать, какую именно.
attribute_transferВзять одно качество, например цвет, текстуру или стиль.
weak_referenceТолько как примерный ориентир.
fully_copy, partially_copy, reference, weak_referenceТа же шкала для аудио: воспроизвести как есть, воспроизвести часть, повторить только тембр или ритм либо использовать как примерный ориентир.

Сохранённый Character с голосом и фото товара

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

Почему это работает: Загрузите чайник как Image, тогда он станет <Picture 1>, а Character — <Picture 2>; handle встречается один раз, рядом со своей меткой. Здесь описание сокращено, полное будет длиннее. Установите длительность 8 секунд.

Диалоги и звук

Дайте каждому голосу постоянный ID: (S1), (S2) или (S1,S2) для реплики, которую говорят вместе, и описывайте каждый голос один раз, вне тега, при первом появлении: возраст, пол, в кадре или за кадром, высота, тембр, темп и акцент. Персонажам, которые не издают звуков, ID не нужен.

Помещайте каждую реплику в теги <d>, указывая только язык и точные слова: <d>[English] We leave at dawn.</d> Никогда не переводите реплику и подгоняйте текст под план: длинная речь в коротком плане нарушает синхронизацию губ.

Разделите звук на три слоя. Звуки, связанные с действием, и музыка, звучащая в сцене, идут в описание; фоновая атмосфера и физические звуки — в overall_soundscape; саундтрек — в non_diegetic_music, его описывают инструментами, темпом, ритмом и динамикой, без слов о настроении. Никогда не повторяйте диалоги в этих двух звуковых полях.

  • В каждом клипе есть звук. Опишите, что вы хотите услышать, и укажите, чего быть не должно.
  • Если голос нужен только ради тембра, не пишите его слова в промпте. Чтобы использовать аудио как есть, запишите его точные слова или текст песни, а то, что не удаётся разобрать, пометьте как [unclear].
  • Выключите Use Character Voices, чтобы не использовать сохранённые голоса Characters.
  • Никогда не пишите адрес электронной почты или ник в соцсети: любой @ с буквами после него читается как сохранённый handle. В диалогах пишите "at".
ПишитеЧто это даёт
(S1)ID говорящего, который пишется сразу после того, кто говорит.
<d>[English] …</d>Произнесённая реплика: сначала язык, затем точные слова.
says in an off-screen voiceover:Закадровый текст. Если человек в кадре, добавьте после реплики "while her lips remain completely closed".
<scenetrans>Ставится по обе стороны склейки, когда одна реплика переходит через неё, вместе с фразой "continues seamlessly across the cut".
<cutoff>Речь, которую обрывает конец клипа.
<Audio 1> is the voice-timbre reference for <Subject 1> (S1).Сохранённый голос задаёт звучание говорящего, а слова берутся из промпта.

Рассказчик на общем плане

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.

Почему это работает: У рассказчика есть ID и однократное описание, фраза о закадровом голосе оставляет реплику за кадром, а каждый звук лежит в своём слое.

Текст на экране

Любую вывеску, надпись, субтитр или неон берите в английские двойные кавычки, слово в слово, на исходном языке: A blue neon sign reading "NOODLES" flickers above the stall.

  • Оставляйте в каждом плане один основной фрагмент текста и не размещайте его на лицах.
  • Если на экране ничего не должно появляться, напишите "No subtitles, on-screen text, or watermarks."

Частые ошибки

Чего избегать и как делать лучше

  • Не стоит: Свободный абзац без полей.

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

    Лучше: Поля с метками: на Mage ничто не дополняет свободный промпт.

    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

  • Не стоит: Метка, использованная до определения, или один элемент под двумя метками.

    Лучше: Каждая метка определена один раз в subject_definitions, а затем везде используется одна и та же метка.

  • Не стоит: "One continuous take" в клипе из нескольких планов.

    Лучше: Что-то одно из двух.

  • Не стоит: Музыка в одном поле и "no background music" в другом.

    Лучше: Одно решение, в non_diegetic_music.

  • Не стоит: Таймлайн длиннее или короче клипа.

    Лучше: Времена склеек в пределах заданной длительности, а последний план идёт до самого конца.

  • Не стоит: Слова о настроении в поле музыки: "epic, emotional, uplifting".

    non_diegetic_music: epic emotional uplifting music

    Лучше: Инструменты, темп, ритм и динамика.

    non_diegetic_music: Brass and timpani at a moderate tempo, building from quiet to loud over the last shot.

  • Не стоит: Длинная речь в коротком плане.

    Лучше: Реплика, которую можно произнести за время плана.

  • Не стоит: Краткий пересказ сюжета: "they fall in love".

    Лучше: Что видно и слышно, план за планом.

  • Не стоит: Ожидание, что лицо сохранится по одним словам.

    Лучше: Человек, прикреплённый как Character или изображение.

Вопросы и ответы

Вопросы о промптах для MiniMax-H3

Какой длины должен быть промпт для MiniMax-H3?
Для клипа по тексту — несколько предложений на каждый план и одно-два предложения в каждом звуковом поле. Для клипа с references detailed_description занимает примерно 350–500 слов. На Mage ничто не дополняет короткий промпт, поэтому всё, что вы не указали, остаётся на волю случая.
Обязательно ли использовать поля с метками?
Они не обязательны, но именно в таком формате обучалась модель, а Mage передаёт ваш промпт ровно так, как он написан. Свободный абзац теряет детали, а поля их сохраняют.
Как заставить персонажа говорить в MiniMax-H3?
Дайте говорящему ID, например (S1), один раз опишите голос и поместите точные слова в теги <d> с указанием языка: <d>[English] See you tomorrow.</d> Если нужен сохранённый голос, упомяните Character: реплики произнесёт его сохранённый голос.
Как сохранить одного и того же персонажа в MiniMax-H3?
Прикрепите его как Character или изображение, один раз опишите его в subject_definitions как <Subject 1> и используйте эту же метку в каждом кадре. Одного текста для сохранения лица недостаточно.
Как не дать MiniMax-H3 добавить музыку?
Напишите non_diegetic_music: N/A и нигде больше в промпте не просите музыку.
Можно ли использовать первый и последний кадры вместе с референсами?
Нет. В одном клипе используются либо кадры, либо референсы, но не то и другое сразу.
Поддерживает ли MiniMax-H3 негативные промпты?
Отдельной настройки негативного промпта нет. Пишите исключения обычными предложениями в промпте, например: «No subtitles, on-screen text, or watermarks.»

Создайте первое видео в MiniMax-H3

Новым аккаунтам — 300 бесплатных Gems, этого хватит, чтобы попробовать MiniMax-H3 Turbo. Без установки и банковской карты.

Попробовать MiniMax-H3 Turbo