前言 🔖

---

本文为 MiniMax H3 官方标准化提示词写作规范，覆盖四大主流生成模式：纯文本生视频、首帧参考生视频、首尾关键帧约束生视频、末帧反向推演生视频。所有输出文本主体使用英文，仅画面字幕、人物对白、歌词保留原始语种，适配 ComfyUI 本地工作流与官方 API，能大幅提升视频画面一致性、运镜流畅度、音频同步精度。

　　

一、四大生成模式基础介绍 🔖

---

• 1. T2VA 纯文本生成音视频
  • 仅依靠文字搭建完整音视频时间线，无任何参考图片约束，从零生成画面、动作、音效与背景音乐。
• 2. I2VA 首帧参考生成音视频
  • 基于 T2VA 完整描述逻辑，额外增加首帧锁定指令；以一张参考图作为视频 0 秒初始画面，模型从该画面自然向前推演完整动态剧情。
• 3. FL2VA 首尾双关键帧生成音视频
  • 基于 T2VA 描述逻辑，同时锁定开篇参考图与结尾参考图；模型自动生成连贯过渡动作，补全两张静态画面中间全部运动过程。
  • 优先使用单镜头，保证画面插值顺滑；仅特殊分镜需求下才添加多段镜头，末帧必须落在视频最后一个镜头结束位置。
• 4. L2VA 末帧约束反向生成音视频
  • 基于 T2VA 描述逻辑，仅锁定一张参考图作为视频结尾帧；需要合理铺垫前置画面、动作、运镜，让画面循序渐进收敛至参考末帧。

　　

二、提示词标准完整结构 🔖

---

整套提示词分为两大模块：对齐约束指令（首行必填） + 三大核心描述字段，指令与核心字段之间必须空一行分隔。

🔹 2.1 第一模块：素材对齐指令（放在全文最开头）

• T2VA
  • 无图片对齐指令，直接书写三大核心字段。
• I2VA 固定开头（锁定 0 秒首帧）

目标视频0.00秒时刻，完整复用<图片1>（来自【镜头1】）作为初始画面。

• FL2VA 固定开头（绑定首尾两张参考图）

参考图与目标视频对齐规则：图片1（镜头1）对应视频0.00秒帧；图片2（最终镜头N）对应视频S.SS秒帧。

N = 最后一段镜头编号；S.SS = 视频总时长，强制保留两位小数。

• L2VA 固定开头（仅锁定结尾帧）

参考图与目标视频对齐规则：<图片1>（最终镜头N）对应视频S.SS秒结束帧。

　　

🔹 2.2 第二模块：三大核心必填字段

integrated_multimodal_description: 镜头时序完整描述
overall_soundscape: 全局环境音效总结
non_diegetic_music: 专属观众背景配乐描述

• integrated_multimodal_description（主体核心）
  • 按时序描述全片画面、人物动作、镜头切换、运镜、说话人、对白、演唱、画面原生同步音效（剧中角色能听见的声音）。
• overall_soundscape（环境音汇总）
  • 用 1~4 句话概括全程环境氛围音、物体碰撞声、人体非语言声响（风声、雨声、脚步声、衣物摩擦、喘息、笑声等）。
  • 对白、演唱、画面内原声音乐已写在主描述内，此处禁止重复；全程无任何声音填 N/A。
• non_diegetic_music（画外配乐）
  • 描述只有观众能听见、剧中人物无法感知的背景音乐；只写乐器、速度、节奏、音量起伏，不堆砌抽象情绪形容词。
  • 角色能听见的收音机、电视、手机音乐属于画面原声，写进主描述；无配乐填 N/A。

　　

三、关键帧模式描述写作逻辑 🔖

---

🔹3.1 I2VA 首帧参考写作思路

<图片 1> 固定为 0 秒开篇镜头画面，写作顺序：

首帧画面锚定（画风、人物、构图、场景）→ 动作启动 → 持续动态演变 → 最终反应 / 结果

全程保持人物长相、穿搭、色彩、道具、空间位置不崩坏。

　　

🔹3.2 FL2VA 首尾双帧写作思路

图片 1 = 开场画面，图片 2 = 结尾画面，重点刻画：人物移动、姿势变化、物体交互、构图演变、光影转场。

写作顺序：初始画面状态 → 中间连续变化过程 → 逐步缩小与末帧差异 → 定格至结尾参考图。

　　

🔹3.3 L2VA 末帧约束写作思路

参考图仅作为视频收尾画面，不作为开场；先合理铺垫前置场景，再描写所有元素逐步收敛至末帧。

写作顺序：合理前置画面状态 → 完整动作与转场流程 → 末尾镜头逐步收敛 → 精准定格到参考末帧。

　　

四、三大核心字段详细书写规范 🔖

---

🔹 4.1 多模态时序描述书写要求

这是整套提示词最重要的主体部分，每一处文字都要有对应的可视画面或可听见声音：美术风格、初始构图、人物外貌位置、场景道具、动作反应、镜头切换、台词、同步原声。

【镜头 1】开头必须标注整体美术风格，常用风格词：电影质感、真人实拍、2D 动画、3D 渲染、黏土定格、水彩、复古胶片。

示例：

[Shot 1] 真人实拍，电影质感，中宽镜头取景……

　　

🔹 4.2 镜头与画面硬切规则

• 第一个镜头不添加时间戳；后续镜头使用严格递增的时间戳标注切点（格式：00:XX.XXX）

[Shot 2] At 00:03.500, the camera cuts to...

• 普通转场用词：镜头切至、画面过渡至、镜头切换至；特殊需求可使用淡入淡出、叠化、划像转场。
• 镜头切换逻辑：切换必须带来新信息（新场景、新视角、新人物状态、新时间）；仅改变拍摄远近、轻微角度微调，优先使用运镜描述，不要频繁切镜头。

　　

🔹 4.3 标准运镜写法：运动类型 + 幅度 + 速度

运镜描述嵌入镜头自然语句，不要在句尾堆砌标签；中等幅度、常规速度可省略不写。

运镜类型清单：

运镜分类	英文标识	释义
变焦	Zoom In / Zoom Out	机位不动，调整焦距拉近 / 拉远
机身推拉	Push In / Pull Out	整机向前推进 / 向后后退
水平摇镜	Pan Left / Pan Right	机位固定，镜头左右水平转动
横向平移	Truck Left / Truck Right	整机左右平行移动
垂直俯仰	Tilt Up / Tilt Down	机位固定，镜头上下俯仰
整机升降	Pedestal Up / Pedestal Down	整套镜头垂直上下移动
环绕运镜	Arc Shot	镜头沿弧形环绕主体
跟拍	Tracking Shot	跟随移动物体同步运动
固定镜头	Static Shot	机位、焦距全程静止
镜头抖动	Shake Slightly / Shake Strongly	轻微抖动 / 剧烈抖动
主观视角	POV	角色第一人称视角
镜头旋转	Roll Clockwise / Roll Counterclockwise	镜头顺时针 / 逆时针旋转

　　

幅度 & 速度：

• with small amplitude 小幅运动；with large amplitude 大幅度运动
• at slow speed 慢速；at fast speed 快速

标准示例：

镜头小幅缓慢推向她手中折叠的信件
镜头大幅度快速右摇，露出敞开的房门
固定镜头，目送奔跑者离开画面

　　

🔹4.4 说话人、对白、演唱规范

• 发声人物统一分配固定编号 (S1)(S2)，多人同时发声标记 (S1,S2)；同一个角色全片共用同一个 ID，不出声人物不分配编号。
• 角色首次发声时，补充音色、年龄、语速、声线特征；人物动作、ID、声线描述放在<d>标签外部；标签内仅保留语种 + 原文台词，一字不改、不翻译、不改写。

示例：
声线轻柔气音的年轻女生 (S1) 开口说道：<d>[English] I get off at the next station.</d>
两个孩童 (S1,S2) 一同大喊：<d>[English] Wait for us!</d>

• 画外音标准写法：says in an off-screen voiceover，同时补充人物嘴唇全程闭合。

示例：
男人 (S1) 画外音旁白：<d>[English] I still remember that road.</d>，画面中人物嘴唇完全没有开合。

• 跨镜头台词、截断台词标记
  • <scenetrans>：台词跨镜头延续，搭配描述音频无缝衔接、持续传入下一镜头；
  • <cutoff>：台词在视频结尾被强行截断。

　　

🔹 4.5 画面内可见文字

门店招牌、霓虹灯、字幕、标语全部用英文双引号包裹，原文原样保留，不翻译。

示例：门口上方亮起红色霓虹灯，文字为 "营业中"。

　　

🔹 4.6 overall_soundscape 环境音效书写示例

overall_soundscape: 持续细雨敲打咖啡馆玻璃窗，伴随微弱室内底噪；店门铃铛响一声，随后传来湿滑脚步声与椅子轻微拖拽声。

　　

🔹 4.7 non_diegetic_music 背景配乐书写示例

non_diegetic_music: 舒缓稀疏钢琴单音，缓慢节奏，底层铺垫绵长低音弦乐，音量逐步升高后缓缓淡出。

　　

五、四大模式完整可复制案例 🔖

---

🔹 案例 1：T2VA 纯文本生成

无参考图，纯文字构建完整时间线，可合理补充场景、人物、音效细节。

integrated_multimodal_description: [Shot 1] 真人实拍，电影质感，中宽镜头拍摄日出前街边面包店，烘焙师傅推开木质百叶窗。镜头小幅缓慢向前推进，声线沉稳略带沙哑的中年烘焙师(S1)将新鲜面包摆上木柜台，开口说道：<d>[English] First batch of the morning.</d>
[Shot 2] At 00:05.000，镜头切至面包切片升腾热气的特写，烘焙师上一句台词跨镜头持续播放。

overall_soundscape: 安静街道上木质百叶窗摩擦开启，店内托盘轻碰；门铃响起，伴随轻快脚步声与面包清脆切片声。

non_diegetic_music: 轻柔原声吉他循环，中等节奏，搭配稀疏低音提琴音符，片尾缓慢淡出。

　　

🔹 案例 2：I2VA 单图首帧参考

开头必须先写首帧对齐指令，以参考图作为镜头 1 初始画面，再描述后续动态。

目标视频0.00秒时刻，完整复用<图片1>（来自【镜头1】）作为初始画面。

integrated_multimodal_description: [Shot 1] 真人实拍，电影质感，<图片1>中的年轻女生坐在布满雨水的列车窗边，外貌、穿搭、座位、车厢布局完全保留。镜头小幅缓慢向右平移，她放下手中折叠的信件，望向窗外掠过的城市灯火，玻璃映出她的倒影。声线轻柔气音的年轻女生(S1)说道：<d>[English] I get off at the next station.</d>，她沿着原有折痕重新叠好信纸。

overall_soundscape: 车轮持续金属摩擦声，搭配微弱通风嗡鸣；雨水敲打车窗，纸张轻微沙沙作响。

non_diegetic_music: 绵长大提琴低音，缓慢节奏，搭配稀疏钢琴高音，音量逐步减弱。

　　

🔹 案例 3：FL2VA 首尾双帧参考

两张参考图分别锁定视频开场与收尾。提示词不要单纯描写两张静态图片，重点书写二者之间完整连贯的动作变化流程，下面是一段 8 秒单镜头示范。

参考图与目标视频对齐规则：图片1（镜头1）对应视频0.00秒帧；图片2（镜头1）对应视频8.00秒帧。

integrated_multimodal_description：[Shot 1] 真人实拍，电影质感，浑身淋雨的骑行者起始姿态、取景构图完全沿用图片1，她伫立在银色自行车旁，手里攥着收拢好的黑色雨伞。镜头小幅缓慢向后拉远，她松开自行车车把手，将雨伞举至肩头上方，向上推动伞滑套直至伞面撑开。雨水顺着舒展的伞布滚落，她移步躲到伞下，转动伞柄调整至最终角度，在镜头末尾，人物姿势、物体间距以及整体构图和图片2保持一致。

overall_soundscape：雨水持续敲打路面，接着传来伞骨卡扣的金属响动、伞面撑开的清脆声响；水珠从车架不断滴落，远处传来来往车流的环境噪音。

non_diegetic_music：无

　　

🔹 案例 4：L2VA 末帧锁定参考

仅使用一张参考图锁定视频结尾画面。先搭建合乎逻辑的初始画面，再通过动作演变、物体状态变化、构图推移，在镜头尾声慢慢收敛至参考图，下面为 6 秒单镜头示例。

参考图与目标视频对齐规则：<图片1>（镜头1）对应视频6.00秒结束帧。

integrated_multimodal_description：[Shot 1] 真人实拍，电影质感，特写镜头最开始，完好的玻璃杯摆放在深色木桌桌边，参考图当中同款衣袖的手从画面右侧伸入。镜头小幅缓慢向前推进，指尖触碰杯沿，玻璃杯倾斜滑落重重砸向地面，杯身裂开，碎片四散滑行。临近视频结尾，滑动的碎片慢慢停下，碎裂排布、手部位置、拍摄角度、光影氛围、整体构图完全和<图片1>一模一样。

overall_soundscape：指尖轻叩杯壁，玻璃杯在桌面摩擦、坠落、猛地碎裂；细小碎片四散滚落，最后慢慢停止滑动。

non_diegetic_music：低沉缓慢的电子脉冲音效，玻璃杯碎裂之后音效立刻终止。