วิธีเขียนพรอมต์ให้ MiniMax-H3

กฎที่สำคัญที่สุด

1. 1

   เขียนสามฟิลด์ตามลำดับ

   integrated_multimodal_description ตามด้วย overall_soundscape และ non_diegetic_music โดยแต่ละฟิลด์อยู่คนละบรรทัดและเว้นบรรทัดว่างระหว่างกัน คัดลอกป้ายกำกับให้ตรงทุกตัวอักษร

2. 2

   เริ่มแต่ละช็อตด้วยสไตล์และการจัดเฟรม

   [Shot 1] เริ่มด้วยสไตล์และภาพเปิด เช่น "ไลฟ์แอ็กชัน สไตล์ภาพยนตร์ ภาพมีเดียมช็อตจับที่…" จากนั้นเขียนการเคลื่อนกล้องหนึ่งแบบเป็นประโยค แล้วจึงบอกว่าเกิดอะไรขึ้น

3. 3

   เติมให้ครบความยาวพอดี

   ช็อตทั้งหมดต้องครอบคลุมความยาวคลิปที่ตั้งไว้ ไม่เกินและไม่ขาด การตัดฉากเขียนพร้อมเวลา เช่น "[Shot 2] At 00:04.000 กล้องตัดไปที่…"

4. 4

   จัดเสียงให้อยู่ถูกที่

   เสียงที่เกิดจากการกระทำให้ใส่ในคำอธิบาย ส่วนบรรยากาศห้อง สภาพอากาศ และฝูงชนให้ใส่ใน overall_soundscape ส่วนดนตรีประกอบให้ใส่ใน non_diegetic_music หรือใส่ N/A หากไม่มี

5. 5

   เขียนหัวข้อเป็นภาษาอังกฤษ ส่วนคำพูดใช้ภาษาของมันเอง

   ฟิลด์ต่าง ๆ เขียนเป็นภาษาอังกฤษ ส่วนบทพูด เนื้อเพลง และข้อความบนหน้าจอให้คงภาษาเดิมไว้ และเขียนให้ตรงตามที่ต้องการให้ปรากฏทุกประการ

พรอมต์สำหรับเริ่มต้น

• ช็อตเดียว มีเสียงแต่ไม่มีดนตรี

  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

  ทำไมถึงได้ผล: ฟิลด์สามช่องเรียงตามลำดับ การเคลื่อนกล้องหนึ่งแบบที่เขียนเป็นประโยค และ N/A ในช่องดนตรี คลิปจึงมีเสียงของเวิร์กชอปเท่านั้น ไม่มีอย่างอื่นปนเข้ามา

• การตัดภาพและบทพูดหนึ่งประโยค

  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.

  ทำไมถึงได้ผล: การตัดภาพที่วินาทีที่ 4 เพิ่มสิ่งใหม่เข้ามา คือใบหน้าและบทพูดหนึ่งประโยค ผู้พูดมี ID และคำอธิบายเสียงเพียงครั้งเดียว และมีเฉพาะถ้อยคำที่พูดอยู่ในแท็ก d ตั้งความยาวเป็น 8 วินาที

• เริ่มจากรูปของคุณ

  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.

  ทำไมถึงได้ผล: อัปโหลดภาพนิ่งเป็นเฟรมแรก (First Frame) คัดลอกบรรทัดแรกให้ตรงทุกตัวอักษร เริ่มคำอธิบายด้วยสิ่งที่ภาพแสดงอยู่แล้ว แล้วจึงบอกว่ามีอะไรเคลื่อนไหว

• จากภาพหนึ่งไปอีกภาพหนึ่ง

  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

  ทำไมถึงได้ผล: อัปโหลดภาพนิ่งสองภาพเป็นเฟรมแรก (First Frame) และเฟรมสุดท้าย (Last Frame) บรรทัดแรกจะยึดภาพเหล่านั้นไว้ที่จุดเริ่มและจุดจบ ส่วนคำอธิบายให้เล่าเส้นทางระหว่างสองภาพ แทนที่จะบรรยายภาพซ้ำอีกครั้ง ตั้งความยาวเป็น 6 วินาที