H3 sieht deine beiden Bilder bereits. Was fehlt, ist der Weg dazwischen — genau den beschreibt ein FL2VA-Prompt. Gib an, was sich verändert. Der Generator bringt es in das von MiniMax vorgegebene Format: Bildzuordnung, Szenenablauf, Geräuschkulisse und Filmmusik.
Prompt erstellen
Wähle eine Vorlage oder beschreibe deine eigene Idee. Rechts entsteht der Prompt direkt beim Eingeben — einschließlich der Bildzuordnung, die bei handgeschriebenen FL2VA-Prompts leicht übersehen wird.
Englische Prompt-Beispiele; passe die Beschreibungen nach Bedarf an. Feldnamen und Ausgabesyntax bleiben auf Englisch.
FL2VA-Prompt
Offizielles MiniMax-Format: zuerst die Bildzuordnung, dann drei Felder.
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, a matte black gift box sits closed and centred on a pale marble counter under soft window light, its lid seam facing camera, matching the position, framing, and lighting established by Picture 1. The camera pushes in with small amplitude at slow speed as two hands enter from the lower edge, lift the lid straight up and set it aside, then withdraw as the tissue paper falls open around a glass serum bottle. Toward the end of the shot the differences narrow until the serum bottle stands upright and unobstructed in the centre of the counter with the opened box behind it and the dropper cap facing camera, landing on the exact pose, spacing, and composition established by Picture 2 at the 6.00-second mark. overall_soundscape: A quiet room tone carries throughout, broken by the soft friction of the lid sliding free, the rustle of tissue paper, and the light tap of glass settling on stone. non_diegetic_music: Sparse marimba notes at a slow tempo, joined by a warm synth pad that swells once as the bottle is revealed.Mit MiniMax H3 im Browser starten
Öffnet den Generator mit diesem Prompt im Tab „Bild zu Video“. Füge dort dein Start- und Endbild hinzu.
Prompt-Prüfung
Keine Auffälligkeiten. Beide Bilder sind beschrieben, der Übergang ist ausgearbeitet und der Clip besteht aus einer durchgehenden Einstellung.
Aufbau
Vier Teile in fester Reihenfolge. Die Bildzuordnung legt fest, welches Bild den Anfang und welches das Ende vorgibt.
Ein Satz ordnet Picture 1 dem Zeitpunkt 0.00 Sekunden und Picture 2 dem Clipende zu. Die Endzeit hat genau zwei Nachkommastellen. Vor den übrigen Feldern folgt eine Leerzeile.
Die Hauptbeschreibung: Stil, Anfangskomposition, Bewegung zwischen den Bildern, Kamera, sprechende Personen, Dialoge und sichtbare Geräuschquellen. Hier legst du den eigentlichen Ablauf fest.
Ein bis vier Sätze zu Umgebungsgeräuschen, körperlichen Geräuschen und nichtsprachlichen Lauten. Dialog, Gesang und Musik, die Figuren hören, gehören in die Hauptbeschreibung.
Ein bis drei Sätze zur Musik, die die Figuren nicht hören: Instrumente, Tempo, Rhythmus und Dynamik. Wenn keine Musik gewünscht ist, ist N/A die richtige Angabe.
Ein FL2VA-Beispiel von MiniMax
Eine achtsekündige durchgehende Einstellung aus dem Prompt-Leitfaden zu den H3-Modellgewichten, hier gekürzt. Die Hauptbeschreibung beschreibt nicht einfach beide Bilder, sondern wie sich der Regenschirm dazwischen öffnet.
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 8.00-second mark of the target video. integrated_multimodal_description: [Shot 1] Live-action, cinematic, a rain-soaked cyclist begins in the position and framing established by Picture 1 … overall_soundscape: Rain falls steadily on the pavement, followed by the metallic click of the umbrella runner … non_diegetic_music: N/AVollständigen Leitfaden auf Hugging Face lesen
Typische Probleme
Diese Muster helfen dir bei der Fehlersuche. Häufig lässt sich das Ergebnis schon mit einer klareren Beschreibung des Übergangs verbessern.
Ursache: Der Prompt beschreibt zwei Standbilder statt des Wegs dazwischen. So fehlt ein klarer Ablauf, der zum Zielzustand führt.
Lösung: Beschreibe die Zwischenzustände. Lass die Unterschiede schrittweise kleiner werden, bis die Komposition am Ende der letzten Einstellung Picture 2 entspricht.
Ursache: Die Hauptbeschreibung legt nicht fest, welche Merkmale gleich bleiben sollen. Sobald sich die Person bewegt, kann das Modell sie neu interpretieren.
Lösung: Nenne feste Merkmale wie Kleidung, Farbe, wichtige Requisiten und räumliche Beziehungen auch im Bewegungssatz — nicht nur am Anfang.
Ursache: Formulierungen für mehrere Einstellungen oder ein abrupter Perspektivwechsel werden als Schnitt interpretiert.
Lösung: Bleib nach Möglichkeit bei einer Einstellung. Beschreibe Abstands- und Winkeländerungen als Kamerabewegung. Nutze „the camera cuts to“ nur für einen bewusst geplanten Schnitt.
Ursache: Die Cliplänge passt nicht zum beschriebenen Ablauf. Zu viele Aktionen lassen sich nicht glaubwürdig in wenige Sekunden pressen.
Lösung: Passe die Handlung an die Dauer an oder verschiebe den Schnitt. Eine klar ausgeführte Veränderung ist besser als drei abgebrochene.
Ursache: Der Satz ist für die verfügbare Zeit zu lang. Er wird abgeschnitten, oder der Mund bewegt sich nach dem Tonende weiter.
Lösung: Plane ungefähr zwei bis drei Wörter pro Sekunde und zusätzlich Zeit für die Handlung. Verlängere den Clip, statt den Text unnatürlich schnell sprechen zu lassen.
Ursache: Hörbare Musik aus der Szene wurde in non_diegetic_music eingetragen, oder die Geräuschkulisse wiederholt bereits beschriebene Ereignisse.
Lösung: Geräusche, die Figuren hören können, gehören in die Hauptbeschreibung. Reine Filmmusik gehört in non_diegetic_music. Die Geräuschkulisse fasst Umgebung, Aufprall und Atmen zusammen.
Modus wählen
H3 kann Schlüsselbilder auf vier Arten nutzen. Die Bildzuordnung unterscheidet sich je nach Modus; eine falsche Zuordnung kann dazu führen, dass Referenzbilder nicht wie gewünscht berücksichtigt werden.
| Modus | Bilder | Bildzuordnung | Kontrolle | Geeignet, wenn … |
|---|---|---|---|---|
| T2VA | Nur Text | Keine Bildzuordnung | Geringste | Du keine Referenzbilder hast und das Modell sowohl Bildaufbau als auch Bewegung entwickeln soll. |
| I2VA | Startbild | Picture 1 bei 0.00 s | Anfang festgelegt | Das Anfangsbild feststeht, das Modell das Ende aber frei gestalten darf. |
| FL2VA | Start- und Endbild | Picture 1 bei 0.00 s, Picture 2 am Ende | Beide Enden festgelegt | Anfang und Ende bereits feststehen und du einen glaubwürdigen Übergang brauchst. |
| L2VA | Endbild | Picture 1 am Ende | Ende festgelegt | Das Zielbild feststeht — etwa ein Logo, eine Enthüllung oder eine Pose — und der Weg dorthin offen ist. |
Anwendungsfälle
Die Vorlagen im Generator folgen demselben Prinzip: ein festes Anfangsbild, ein festes Zielbild und eine glaubwürdige Veränderung dazwischen.
E-Commerce
Im ersten Bild die geschlossene Verpackung, im zweiten das freistehende Produkt. Wichtig ist, dass das Etikett während des gesamten Übergangs lesbar bleibt.
6s · eine Einstellung · Live-action, cinematic
Renovierung / Umgestaltung
Ein klassischer FL2V-Einsatz. Beide Bilder zeigen denselben Raum oder dasselbe Gesicht; das Modell ergänzt einen nachvollziehbaren Übergang.
8s · eine Einstellung · Live-action
Kreativer Prozess
Bild 1 zeigt den Entwurf, Bild 2 das fertige Werk. Geeignet für Illustrationen, Design, Lettering und 3D-Präsentationen.
10s · eine Einstellung · 2D-animated
Die Bildpaare veranschaulichen geeignete FL2VA-Eingaben: gleicher Bildausschnitt, gleiches Licht und eine gezielte Veränderung. Es sind Referenzbilder, keine mit MiniMax H3 erzeugten Ergebnisse.
Anleitung
Die Qualität eines FL2VA-Clips hängt stark vom Bildpaar ab. Motiv, Objektivwirkung und Beleuchtung sollten zusammenpassen, sofern ihre Veränderung nicht gerade das Ziel ist. Zwischen beiden Zuständen muss ein plausibler Weg möglich sein.
Die Endzeit steht wörtlich in der Bildzuordnung. Änderst du sie später, muss auch der Prompt angepasst werden. Unterstützt werden vier bis fünfzehn Sekunden; sechs bis zehn Sekunden passen oft zu einer einzelnen Veränderung.
Das Modell sieht beide Bilder bereits. Konzentriere dich darauf, was sich bewegt, wie Gegenstände weitergegeben werden, wie sich die Komposition entwickelt und wie sie das Endbild erreicht.
Füge den Prompt mit Start- und Endbild in den Bild-zu-Video-Editor oder einen lokalen ComfyUI-Workflow ein. Prüfe nicht nur die Bewegung in der Mitte, sondern vor allem, ob das Endbild tatsächlich erreicht wird.
MiniMax H3 Bild-zu-Video öffnenFAQ
Gemeint ist das FL2VA-Format. Eine Bildzuordnung legt Picture 1 auf 0.00 Sekunden und Picture 2 auf das Clipende. Danach folgen integrated_multimodal_description, overall_soundscape und non_diegetic_music. Da H3 beide Bilder bereits sieht, beschreibt der Haupttext vor allem die Bewegung dazwischen.
MiniMax gibt die Endzeit im Format S.SS vor, also mit genau zwei Nachkommastellen. Acht Sekunden werden als 8.00 geschrieben, nicht als 8 oder 8.0. Es geht um das Format, nicht um zusätzliche zeitliche Genauigkeit. Dieser Generator setzt es automatisch um.
In der Regel eine. MiniMax empfiehlt eine durchgehende Einstellung, damit das Modell kontinuierlich vom Start- zum Endbild interpolieren kann. Mehrere Einstellungen sind nur sinnvoll, wenn sie ausdrücklich benötigt werden. Bei einem Schnitt muss die letzte Einstellung das Endbild am Videoende erreichen.
Ja. Der Generator auf der Startseite hat einen Tab „Bild zu Video“ mit einem Startbild und einem optionalen Endbild. Sind beide vorhanden, werden sie als first_frame_url und last_frame_url an H3 übergeben. Erstelle hier den Prompt, öffne den Generator und füge dort beide Bilder hinzu.
I2VA legt nur das Startbild fest; das Ende bleibt dem Modell überlassen. FL2VA legt beide Enden fest und eignet sich etwa für eine bestimmte Produktansicht, ein fertiges Design oder eine Schlussgeste. Ein physikalisch unplausibles Bildpaar kann allerdings schlechtere Ergebnisse liefern als ein einzelnes Startbild.
Ja. Das Format stammt aus dem Prompt-Leitfaden zu den offenen H3-Modellgewichten und lässt sich sowohl im gehosteten Dienst als auch in einem lokalen ComfyUI-Workflow verwenden. Auch der auf Qwen3-VL 8B basierende multimodale LightX2V-Rewriter, der first_frame und last_frame direkt liest, gibt dieselben drei Felder aus.
Rechne grob mit zwei bis drei Wörtern pro Sekunde und lass Zeit für die Handlung. Dialog steht in einem <d>[Language] ...</d>-Tag; die sprechende Person wird außerhalb genannt. Der Generator warnt, wenn der Text für die gewählte Dauer zu lang erscheint.
Das Modell kann den Übergang wie eine Überblendung statt wie echte Bewegung darstellen. Beschreibe sichtbare Zwischenschritte, verlängere den Clip oder teile die Idee auf zwei Generierungen auf und schneide sie zusammen.
Weiterlesen
Ausführliche Anleitung zur Bildauswahl, zu sechs Anwendungsszenarien und zur Fehlersuche, wenn das Endbild nicht erreicht wird.
Die drei Felder in allen vier Modi sowie die Kamera- und Dialogbegriffe des H3-Prompt-Leitfadens.
Sieh dir die Kamerabewegungen und Geschwindigkeitsangaben an, die H3 versteht.
FL2V lokal mit vier bis acht statt etwa zwanzig Schritten ausführen — und erkennen, wann destillierte Checkpoints an ihre Grenzen stoßen.
Der Bild-zu-Video-Editor dieser Website übergibt Start- und Endbild an MiniMax H3. Erstelle oben den Prompt, öffne den Editor, lade beide Bilder hoch und prüfe, ob der Clip dein Zielbild erreicht.
Die FL2VA-Syntax dieser Seite — Bildzuordnung, [Shot N]-Schnitte, Kamerabegriffe und drei Ausgabefelder — stammt aus dem Video Prompt Writing Guide von MiniMaxAI zu den offenen H3-Modellgewichten. Geprüft am August 2026. Diese Website ist nicht mit MiniMax verbunden.