MiniMax H3 提示词规范与写法指南
MiniMax H3 是一款支持文本、图像、视频、音频多模态输入的视频生成模型。与以往将提示词当作简单画面描述的视频模型不同，H3 使用 Contextual Omni Representation，将语言作为连接所有模态的计算桥梁。这意味着提示词的质量直接决定了输出质量。本文介绍 H3 提示词的官方规范在哪里找，以及如何写出符合规范的有效提示词。
需要说明的是，实在Agent 已经内置了该模型，如果你使用实在 Agent 服务，无需自行处理部署配置，可以直接参考本文的提示词写法进行创作。
一、提示词规范在哪里找
H3 的提示词规范主要分布在以下官方和社区渠道：
1.1 官方 GitHub 仓库
MiniMax 官方在 github.com/MiniMax-AI/MiniMax-H3 中提供了专门的提示词编写技能文档：
skills/h3-prompt-writing/SKILL.md：官方提示词编写指南，涵盖 T2VA、I2VA、FL2VA、L2VA 和 Ref2VA 等所有模式references/base-en.txt：基础模式的提示词结构模板（T2VA/I2VA/FL2VA/L2VA）references/ref-en.txt：全参考模式（Ref2VA）的六段式改写格式
这些是最权威的规范来源，建议优先阅读。
1.2 官方平台文档
- MiniMax 平台 API 文档：platform.minimaxi.com 提供 API 调用时的提示词示例
- MiniMax Research 博客：www.minimaxi.com 发布模型技术解读
1.3 社区整理资源
- 提示词工程指南：社区整理的
awesome-minimax-h3/minimax-video/references/prompt-engineering.md，包含镜头运动词典、灯光词典等实用参考 - 提示词合集：社区已整理超过 222 条提示词，覆盖电影感、动画、产品广告等类型
- 故事板提示词生成工具：社区开发的 Skill 可帮助生成符合官方规范的结构化提示词
二、提示词的核心结构
H3 的提示词不是一段散文式的画面描述，而是一个结构化的控制文档。官方提示词框架将视频控制分为六个层次：
| 控制层 | 要解决的问题 | 可观察表达 |
|---|---|---|
| 目的 | 这条视频为什么存在 | 商品展示、剧情钩子、玩法演示 |
| 不变量 | 什么绝不能漂移 | 人物身份、产品结构、品牌字样 |
| 事件 | 画面中实际发生什么 | 动作顺序、对象关系、状态变化 |
| 摄影 | 观众如何看见它 | 景别、机位、运镜、对焦 |
| 质感 | 它看起来属于什么世界 | 光线、色彩、材质、媒介 |
| 声音 | 观众如何听见它 | 对白、音乐、环境声、音效 |
先解决不变量、事件和摄影，再补质感。只写“高级、电影感、炸裂”不能形成可执行镜头。
三、按模式选择提示词结构
H3 支持多种生成模式，不同模式的提示词结构不同：
| 模式 | 输入 | 提示词结构 |
|---|---|---|
| T2VA | 纯文本 | 纯文本生成视频，构建完整的音视频时间线 |
| I2VA | 1 张图 | 从首帧出发向前发展 |
| FL2VA | 0-2 张图 | 描述首尾帧之间的连续路径 |
| L2VA | 1 张图（尾帧） | 推断合理开头并收敛到给定尾帧 |
| Ref2VA | 图像≤9，视频≤3，音频≤3 | 全参考模式，六段式结构 |
3.1 基础模式（T2VA/I2VA/FL2VA/L2VA）的提示词结构
基础模式按以下顺序组织：
"integrated_multimodal_description"：整合的多模态描述，按时间线描述画面内容"overall_soundscape"：整体声音景观（环境声、对白等）"non_diegetic_music"：非剧情音乐（背景配乐）
3.2 全参考模式（Ref2VA）的提示词结构
Ref2VA 使用六段式结构，顺序如下：
"subject_definitions"：主体定义（人物、产品等）"summary"：视频概要"retention_analysis"：保留分析（哪些特征需要保持一致）"detailed_description"：详细描述（按时间线展开）"overall_soundscape"：整体声音景观"non_diegetic_music"：非剧情音乐
四、提示词写法核心技巧
4.1 用好素材绑定
用一句话明确绑定素材与职责：
“图1严格负责人物身份与服装；图2只负责产品外形和标签；视频1负责动作、机位与节奏；音频1负责音乐节拍。”
随后把关键不变量展开为可观察特征，不要在每段重新描述整套素材。
4.2 处理多素材时的主次关系
当多份素材都包含人物或场景时，必须明确：
- 哪一份决定身份
- 哪一份只提供姿势、光线或风格
- 冲突部分以哪一份为准
不要让“图1参考人物”和“视频1保持原人物”同时存在而不说明优先级。
4.3 时间轴写法
单镜头：使用连续链条——起始构图 → 主动作 → 相机反应 → 状态变化 → 结束构图，不要人为拆成多个时间段。
多镜头：按时间段分配功能：
- 开端：识别主体或建立钩子
- 中段：展示变化、冲突或核心内容
- 结尾：产品定格、情绪落点或循环衔接
每段只保留一个主要视觉任务。动作、镜头和转场之间写清因果关系，例如“扇面扫满画面形成遮挡，遮挡最满时切到下一场景”比“炫酷转场”更可执行。
4.4 声音描述不能省略
H3 是音视频联合生成的模型。如果不写声音方向，音频部分可能变成“奇怪的语音杂音”。必须在提示词中明确描述：
- 对白内容
- 环境声
- 背景音乐
- 音效及卡点
4.5 善用镜头和灯光术语
H3 能够理解专业的摄影术语。以下术语可以直接使用：
镜头运动：Dolly zoom（希区柯克变焦）、Crane shot（升降镜头）、Steadicam（斯坦尼康）、Whip pan（甩镜头）、Rack focus（焦点转移）、Push in（推进）、Pull out（拉远）、Tracking（跟拍）、Orbital（环绕）、Handheld（手持）
灯光风格：Golden hour（黄金时刻）、Rembrandt lighting（伦勃朗光）、Split lighting（分割光）、Rim light（轮廓光）、Chiaroscuro（明暗对照）、Neon noir（霓虹 noir）、Silhouette（剪影）
五、提示词长度参考
根据社区对官方 45 条示例提示词的分析，提示词中位长度约 130 个中文字符，最长的达到 657 和 858 个字符。提示词并不是越长越好——关键是结构完整、描述精准，而不是堆砌字数。
六、实用资源推荐
- 官方提示词编写指南：github.com/MiniMax-AI/MiniMax-H3/tree/main/skills/h3-prompt-writing
- 提示词工程指南：github.com/joeVenner/awesome-minimax-h3
- 提示词合集（222+ 条） ：www.cnblogs.com/ChinaManor/articles/22169160
- 故事板提示词生成 Skill：github.com/sjh00/MiniMax-H3-Storyboard-Prompt-Generator-Skill
总结
MiniMax H3 的提示词规范可在官方 GitHub 仓库（"skills/h3-prompt-writing/"）和官方平台文档中找到。H3 的提示词是结构化控制文档而非散文描述，按“目的→不变量→事件→摄影→质感→声音”六层组织。不同模式（T2VA/I2VA/FL2VA/L2VA/Ref2VA）使用不同的结构模板。关键技巧包括：明确素材绑定与主次关系、按时间线合理分配镜头功能、必须包含声音描述、善用专业镜头和灯光术语。提示词中位长度约 130 个中文字符。如果你使用实在 Agent，该模型已经内置，可以直接参考以上写法进行创作。
