转载：https://zhuanlan.zhihu.com/p/2067950644137403735

前言 🔖

---

最近 MiniMax-H3 很火，但很多人打开生成页面以后，还是会卡在同一个地方，提示词到底应该怎么写？

明明脑子里已经有画面了，真正输入时却只能写出：

一个女孩走在街上，电影感，高质量，画面精美。

最后生成的视频不是动作不对，就是镜头乱跑，甚至人物、场景和声音都与想象中不一样。问题不一定出在模型上，而是我们仍在用“写图片提示词”的思路写视频。图片只需要描述一个静止画面，视频却需要交代：

• 一开始是什么画面
• 人物接下来做什么
• 镜头怎么移动
• 画面如何发生变化
• 最后停在哪里
• 视频中出现什么声音

这篇文章不讲复杂参数，直接用新手能看懂的方式，把 MiniMax-H3 的三类提示词一次讲清楚：

• 文生视频
• 图生视频与首尾帧生视频
• 全能参考生视频

文章最后还准备了一套完整指令。即使你完全不会写提示词，也可以把自己的简单想法交给 AI，让 AI 帮你整理成 MiniMax-H3 提示词。

　　

一、MiniMax-H3 有什么不同？🔖

---

MiniMax-H3 是一个通用多模态视频模型，可以统一理解文字、图片、视频和音频，并根据不同素材生成带有声音的视频。

主要提供三类生成方式：

生成方式	需要提供什么	适合场景
文生视频	文字提示词	从零创作场景和故事
图生视频、首尾帧	一张或两张图片 + 提示词	让图片动起来，控制开始和结束画面
全能参考生视频	图片、视频、音频 + 提示词	参考人物、产品、动作、镜头、声音或风格

　　

MiniMax-H3 支持4—15秒视频、多种常见画面比例、最高2K输出，并且可以原生生成立体声音。全能参考模式最多可以输入9张图片、3段视频和3段音频，混合素材总数不超过12个。

不过，对普通用户来说，暂时不用记住这些复杂规格。

只需要先记住一句话：

MiniMax-H3 提示词不是关键词清单，而是一份简短的视频拍摄说明。

　　

二、一个好用的视频提示词应该写什么？🔖

---

最简单的 MiniMax-H3 提示词，可以使用下面这个公式：

主体＋场景＋动作过程＋镜头运动＋画面变化＋声音

例如，我们先写一个非常普通的提示词：

一名女孩在雨夜街道上奔跑，电影感。

这句话虽然没有错，但模型并不知道：

• 女孩穿什么衣服
• 她为什么奔跑
• 摄像机在哪里
• 奔跑过程中发生什么
• 雨声、脚步声是否出现
• 视频最后停在哪里

稍微完善以后，可以改成：

8秒写实电影风视频。雨夜的城市街道上，一名穿黑色风衣的年轻女孩从远处快速跑向镜头，路面布满积水，霓虹灯倒映在水面上。镜头低机位向后平稳跟拍，女孩跑过水坑时溅起水花。第6秒，她突然停下并回头望向身后，镜头缓慢推近她紧张的面部。环境中有持续的雨声、急促的脚步声和轻微喘息声，无背景音乐。

两段提示词表达的是同一个想法，但第二段明显更像一个真正的视频。

　　

三、文生视频提示词怎么写？🔖

---

文生视频不需要上传任何素材，人物、场景、动作和镜头都由模型根据文字创建。它比较适合：

• 创意短片
• 广告镜头
• 风景视频
• 动画片段
• 电影感画面
• 无固定角色的故事场景

　　

🔹 3.1 文生视频通用结构

可以按照下面的顺序写：

视频时长和风格＋开场画面＋主体外观＋动作过程＋镜头运动＋结束画面＋声音

例如：

10秒，16:9，写实电影广告风格。清晨，一辆银灰色越野车停在被薄雾笼罩的山路上，车身表面凝结着细小水珠。镜头从车头灯的特写开始，缓慢向后拉远，展示完整车身和周围的高山森林。第4秒，车辆启动并沿着弯曲山路向前行驶，镜头切换为低机位侧面跟拍，车轮压过潮湿路面，带起少量水雾。最后两秒，镜头升高，展示车辆驶向远处山谷的全景。声音包括发动机低沉启动声、轮胎摩擦湿润路面的声音和清晨微弱的风声，搭配节奏缓慢、逐渐增强的低音弦乐。

这个提示词主要交代了六件事：

• 视频风格
• 主体是什么
• 主体在哪里
• 主体做什么
• 镜头怎么拍
• 视频里有什么声音

　　

🔹 3.2 动作较多时，加入时间线

当视频中不止一个动作时，最好使用时间分段。

例如：

12秒，复古胶片风格。

0—3秒：一名年轻男生坐在老式火车靠窗位置，低头查看手中的旧照片，镜头保持中景，窗外景色快速后退。

3—7秒：男生慢慢抬头望向窗外，镜头从侧面缓慢推近，玻璃上出现他的倒影。

7—10秒：画面切换到照片特写，一滴眼泪落在照片表面。

10—12秒：镜头重新回到男生面部，他轻轻闭上眼睛，画面逐渐变暗。

全程保留火车行驶的低频震动声、车轮与铁轨碰撞声。背景音乐使用缓慢、稀疏的钢琴声，结尾逐渐减弱。

官方提示词指南也建议：当视频包含多个情节节点时，可以通过镜头编号或时间节点描述视频过程，从而让动作和节奏更加清楚。

　　

🔹 3.3 文生视频最常见的错误

• 只写画面，不写动作

错误写法：模型只知道画面中有什么，却不知道视频应该怎样发展。

一个女孩站在海边，唯美电影感。

可以改成：

女孩背对镜头站在海边，海风吹动她的白色长裙和头发。她慢慢转身看向镜头，然后抬手遮挡迎面吹来的风。

• 一个短视频塞进太多剧情

8秒视频里同时安排奔跑、打斗、爆炸、转场、变装和对白，模型很难全部完成。

实际创作时，建议一个短视频围绕一个核心动作展开。复杂故事可以拆成几个镜头分别生成，再进行剪辑。

• 同时使用互相冲突的镜头

例如：

镜头静止，同时快速环绕人物并不断推进。

“镜头静止”和“快速环绕”是冲突的。每个镜头最好只安排一个主要运镜。

　　

四、图生视频和首尾帧提示词怎么写？🔖

---

图生视频的重点不是重新描述图片，而是告诉模型：

从这张图片开始，接下来发生什么。

首尾帧生视频则需要告诉模型：

怎样从第一张图片，自然地变化到第二张图片。

🔹 4.1 单图生视频

只上传一张图片时，这张图片一般作为视频的开场画面。

提示词可以使用下面的结构：

保留图片中的人物和构图＋人物开始做什么＋环境如何变化＋镜头如何移动＋最后达到什么状态

例如，上传一张女孩站在花田中的图片：

以图1作为视频首帧，完整保留女孩的面部特征、白色连衣裙、站立位置、花田环境和原有光线。视频开始后，微风逐渐吹动女孩的头发、裙摆和周围花朵。女孩先低头看向手中的花，随后慢慢抬头，对着镜头露出自然的微笑。镜头以很小的幅度缓慢向前推进，全程保持人物身份、服装和背景稳定。环境中有轻柔风声、花叶摩擦声和远处鸟鸣声，无对白。

这里最重要的是两点：

• 哪些内容必须保留
• 图片中的静止状态怎样开始运动

官方指南建议，单图生视频应该先锚定参考图中的人物、服装、颜色、物体和空间关系，再描述接下来连续发生的动作。

　　

🔹 4.2 首尾帧生视频

上传两张图片时，通常是：

• 图1：视频开始画面
• 图2：视频结束画面

这时不要只描述两张图片分别是什么，而要描述两张图片之间的变化过程。

例如：图1是一把关闭的雨伞，图2是一把完全打开的雨伞。

提示词可以写成：

图1作为视频0秒的首帧，图2作为视频8秒的尾帧。使用一个连续镜头完成整个变化过程。开始时，人物保持图1中的站姿、服装、雨伞位置和街道构图。人物右手握紧伞柄，左手推动伞骨滑环，黑色雨伞从收拢状态逐渐展开。伞面打开过程中，雨水沿着黑色布料向四周滑落，人物向前移动半步，并将伞柄调整到图2中的角度。镜头缓慢小幅后拉，最终准确落在图2的人物姿势、雨伞状态、画面构图和光线效果上。全程有连续雨声、伞骨展开的金属摩擦声和伞面弹开的轻微声响，无背景音乐。

首尾帧模式最重要的不是开头和结尾，而是中间的“运动路径”。

官方提示词指南建议优先使用连续单镜头，并明确人物姿势、物体状态、构图和光线如何逐渐靠近尾帧，避免只重复描述两张静止图片。

　　

🔹 4.3 首尾帧常见错误

• 错误一：首尾帧差异过大
  • 例如首帧是室内人物，尾帧突然变成太空飞船，模型需要同时完成人物变化、场景变化和镜头变化，稳定性容易降低。
• 错误二：没有说明变化过程
  • 只写：从图1变成图2。
  • 模型只能自己猜测中间发生了什么。
• 错误三：要求尾帧绝对静止太久
  • 首尾帧之间如果没有足够的动作路径，视频中间可能出现停顿、动作突然加速或最后强行对齐的问题。

　　

五、全能参考生视频提示词怎么写？🔖

---

全能参考是 MiniMax-H3 最有意思的一类能力。

你可以同时提供：

• 人物参考图片
• 产品参考图片
• 场景参考图片
• 动作参考视频
• 运镜参考视频
• 音色参考音频
• 音乐或节奏参考

但素材越多，越不能只上传以后什么都不说。

全能参考模式最重要的原则是：

明确告诉模型，每一个素材分别用来参考什么。

MiniMax 官方展示的示例中，可以让模型参考一段视频的希区柯克式运镜、另一张图片中的人物，以及一段音频中的声音。官方强调，需要通过自然语言说明不同参考素材和目标视频之间的关系。

　　

🔹 5.1 全能参考提示词结构

可以使用下面的格式：

图1负责什么
图2负责什么
视频1负责什么
音频1负责什么
最终视频要生成什么
时间线和镜头如何发展
哪些内容必须保持一致

例如：

图1用于参考女主角的面部特征、发型、身材和服装，生成过程中保持人物身份一致。

图2用于参考银色耳机产品的外观、颜色、材质、按键结构和品牌标志，不得改变产品设计。

视频1仅用于参考镜头环绕人物的运动方式和节奏，不参考视频中的人物、场景和服装。

音频1用于参考女主角的声音音色、语速和自然停顿，不复用音频中的原始台词。

生成一段10秒、16:9的科技产品广告。画面位于简洁的银白色未来空间中。女主角佩戴图2中的银色耳机站在画面中央，保持图1中的人物外观和服装。

0—3秒：镜头从女主角侧后方开始，参考视频1的环绕方式，缓慢移动到人物正面，耳机表面出现柔和高光。

3—7秒：女主角抬起右手轻触耳机侧面按键，周围出现细小的声波粒子效果。她使用音频1的音色和语速说：“戴上它，听见属于自己的世界。”

7—10秒：镜头继续缓慢靠近耳机产品，人物轻轻闭上眼睛，背景空间逐渐变暗，耳机轮廓保持清晰。

保持人物身份、耳机结构和品牌标志稳定。声音包括轻微按键声、空间环境声和低频电子音乐，人物口型与台词自然同步。

相比“参考这些素材生成一个广告”，这种写法最大的区别是：

每个参考素材都有明确任务。

官方完整参考模式还会进一步区分人物、图片、视频和音频的作用，并说明它们是需要完整保留、部分保留、属性迁移，还是只参考风格或节奏。

　　

六、多个参考素材应该怎样分工？🔖

---

可以直接参考下面这张表：

素材	可以参考的内容	提示词写法
人物图片	面部、发型、服装、身份	图 1 用于参考人物外观和服装
产品图片	结构、材质、颜色、Logo	图 2 用于参考产品外观，不得改变结构
场景图片	建筑、背景、光线、构图	图 3 用于参考场景和整体光线
动作视频	人物动作、姿势、节奏	视频 1 仅参考人物动作
运镜视频	推拉、环绕、跟拍、转场	视频 2 仅参考镜头运动
风格视频	色调、剪辑、画面质感	视频 3 参考整体影像风格
人声音频	音色、语速、情绪	音频 1 参考人物声音，不复用台词
音乐音频	节奏、配器、音乐风格	音频 2 参考音乐节奏和配器

　　

不要只写：

参考图1、图2和视频1。

而应该写：

图1参考人物，图2参考产品，视频1只参考动作，不参考其中的人物和背景。

这一点往往比增加更多形容词更重要。

　　

七、MiniMax-H3 提示词的6个实用技巧 🔖

---

🔹 7.1 先写动作，再补风格

先确定人物做什么、镜头怎么走，再补充电影感、广告感或动画风格。

不要一开始就堆满：

电影感、大师级、震撼、极致、顶级、超高质量。

这些词不能代替具体画面。

　　

🔹 7.2 使用可以被看见的动作

模糊表达：

女孩感到悲伤。

具体表达：

女孩低下头，握紧手中的照片，眼眶逐渐湿润。

模型更容易理解可以直接呈现在画面中的行为。

　　

🔹 7.3 每个镜头只安排一个主要运镜

例如：

• 缓慢推近
• 向右平移
• 环绕人物
• 跟随人物移动
• 保持固定镜头

不要在一个短镜头里同时要求快速推近、拉远、旋转和升高。

　　

🔹 7.4 多个动作使用时间线

只有一个简单动作时，可以自然描述。

动作较多时，使用：

0—3秒
3—6秒
6—10秒

这样更容易控制节奏。

　　

🔹 7.5 不要忽略声音

MiniMax-H3 可以同时生成视频和声音，因此提示词中可以写：

• 环境声
• 动作音效
• 人物对白
• 人物呼吸或笑声
• 背景音乐
• 音乐的速度和乐器

官方提示词结构会分别描述整体环境与动作声音，以及只有观众能够听到的背景音乐。

　　

🔹 7.6 明确哪些内容不能改变

使用参考素材时，可以增加：

保持人物面部、服装和身份一致。
保持产品外形、颜色、材质和Logo稳定。
不参考视频中的人物，只参考镜头运动。
不复用参考音频的原台词，只参考音色。

　　

八、三类提示词的万能模板 🔖

---

🔹 8.1 文生视频模板

【时长、比例和风格】
在【时间和场景】中，【主体外观与位置】。

0—X秒：【主体动作＋镜头运动】。
X—X秒：【画面变化＋主体动作＋镜头运动】。
X—X秒：【结束动作＋最终画面】。

声音包括【环境声】【动作音效】【对白】。背景音乐使用【乐器、速度和节奏】。
保持【人物、物体或场景的一致性要求】。

　　

🔹 8.2 图生视频模板

以图1作为视频首帧，保留图中的【人物、服装、物体、构图、场景和光线】。

视频开始后，【主体从静止状态开始做什么】，随后【动作如何连续发展】。镜头使用【运镜方式】，最终停在【结束状态】。

声音包括【环境声和动作音效】。
保持【人物身份、产品结构或场景】稳定。

　　

🔹 8.3 首尾帧模板

图1作为视频0秒首帧，图2作为视频X秒尾帧。

开始时保持图1中的【人物状态和构图】。主体先【第一个动作】，接着【中间变化】，最后【逐渐接近尾帧的动作】。镜头使用【单一连续运镜】，最终准确落在图2中的【姿势、物体状态、构图和光线】。

全程保持【人物、服装、物体和场景】一致。声音包括【环境声、动作声音和音乐】。

　　

🔹 8.4 全能参考模板

图1用于参考【人物、产品、场景或风格】。
图2用于参考【具体内容】。
视频1仅用于参考【动作、运镜、节奏或剪辑】，不参考【排除内容】。
音频1用于参考【音色、音乐、节奏或声音】，不复用【排除内容】。

生成一段【时长、比例和风格】视频。

0—X秒：【镜头和动作】。
X—X秒：【镜头和动作】。
X—X秒：【结尾画面】。

保持【必须一致的内容】，不得改变【产品结构、人物身份、Logo或文字】。
声音包括【环境声、音效、对白和背景音乐】。

　　

九、不会写提示词？让 AI 帮你写 🔖

---

很多人看完模板还是会觉得麻烦。

其实没有必要自己一个字一个字组合。

你只需要告诉 AI：

一个女孩在雨夜逃跑，最后回头看，想要电影感。

然后让 AI 根据固定规则，自动补充人物、动作、镜头、时间线和声音。

下面这套指令可以直接复制使用。

MiniMax-H3 视频提示词生成指令（精简版）

你是一名专业的AI视频导演和MiniMax-H3提示词设计师。
你的任务是将用户简单、混乱或不完整的视频想法，整理成清晰、可执行、适合MiniMax-H3的视频生成提示词。
MiniMax-H3主要包含三种生成模式：
1.文生视频：只使用文字生成视频。
2.图生视频或首尾帧生视频：使用一张首帧图片，或者首帧和尾帧两张图片。
3.全能参考生视频：使用人物、产品、场景、风格图片，以及动作、运镜、剪辑视频或音频作为参考。
请先根据用户提供的素材自动判断生成模式。
模式判断规则：
-没有上传任何素材：文生视频。
-上传一张作为视频开始或结束画面的图片：图生视频。
-上传首帧和尾帧两张图片：首尾帧生视频。
-上传图片、视频或音频用于参考人物、产品、场景、动作、镜头、风格或声音：全能参考生视频。
-首尾帧素材与全能参考素材不要混淆。
提示词编写规则：
1.使用自然、清楚、具体的语言，不要堆砌空洞关键词。
2.明确视频时长、画面比例和整体风格。
3.描述主体的外观、位置、动作和状态变化。
4.描述动作从开始到结束的连续过程。
5.动作超过一个时，使用时间段划分，例如0—3秒、3—6秒。
6.每个镜头只安排一个主要运镜。
7.镜头运动必须与人物动作和画面变化配合。
8.可以使用推近、拉远、平移、跟拍、环绕、升降、固定镜头等运镜。
9.描述环境声、动作音效、人物对白和背景音乐。
10.对白必须保持用户原文，不得自行修改。
11.使用参考素材时，必须明确每个素材的具体作用。
12.不得笼统地写“参考所有素材”。
13.明确哪些内容需要完整保留，哪些内容只参考风格、动作、运镜或声音。
14.如果参考视频只用于动作或运镜，明确说明不参考其中的人物、服装和场景。
15.图生视频需要从参考图的静止状态自然向前发展。
16.首尾帧生视频需要重点描述首帧到尾帧之间的动作路径，优先使用连续单镜头。
17.不得凭空增加用户没有要求的重要人物、产品、文字、Logo或剧情。
18.避免安排无法在指定时长内完成的复杂剧情。
19.保持人物身份、服装、产品结构、Logo和重要场景的一致性。
20.输出内容使用中文；人物对白、歌词和画面文字保持用户指定语言。
输出格式：
一、生成模式
说明判断出的生成模式。
二、素材分工
没有参考素材时写“无”。
有参考素材时，逐一说明每张图片、每段视频和每段音频负责什么。
三、提示词设计思路
用简短要点说明主体、动作、镜头、声音和结尾设计。
四、最终提示词
输出一份可以直接复制使用的完整MiniMax-H3提示词，不要在提示词中加入解释。
五、精简版提示词
在不改变核心内容的情况下，输出一份更短的版本。
用户输入信息：
生成想法：
【填写想生成的视频】
视频时长：
【例如8秒、10秒或15秒】
画面比例：
【例如16:9、9:16、1:1】
整体风格：
【选填】
参考图片：
【说明每张图片的内容；没有则填写无】
参考视频：
【说明每段视频想参考什么；没有则填写无】
参考音频：
【说明想参考音色、音乐、节奏或声音；没有则填写无】
人物对白：
【没有则填写无】
必须保留：
【人物、产品、Logo、文字等】
禁止出现：
【选填】
其他要求：
【选填】

　　

十、最后总结 🔖

---

MiniMax-H3 提示词其实没有想象中那么复杂。

文生视频主要解决：

要生成什么，以及这个画面怎样动起来。

图生视频和首尾帧主要解决：

怎样从已有画面自然发展到下一个状态。

全能参考生视频主要解决：

每份参考素材分别提供什么，以及哪些内容必须保持一致。

真正影响视频效果的，通常不是提示词写得有多华丽，而是你有没有说清楚：

• 谁出现在画面中
• 他在哪里
• 他做什么
• 动作怎样发展
• 镜头怎样拍
• 最后停在哪里
• 视频中听到什么
• 参考素材分别负责什么

不会写也没有关系。

先把自己的想法用最简单的话说出来，再交给 AI 整理成完整提示词，就已经足够开始创作了。