終了フレームにたどり着かない
原因：プロンプトが 2 枚の静止画を説明しているだけで、その間の道筋を書いていないため、モデルに収束する理由がありません。
対処：間を書いてください。被写体が通る途中の状態を挙げ、最後のショットの終わりで Picture 2 の構図に一致するまで差が縮まる、と書きます。
MiniMax H3 · FL2VA プロンプトビルダー
MiniMax H3 最初と最後のフレームプロンプト生成ツール
2 枚の画像は H3 にも見えています。見えないのはその間をどう進むかで、FL2VA プロンプトが書くべきなのはそこだけです。変化を説明すれば、MiniMax がモデルと一緒に配布している書式どおりに組み立てます。整合文、ショットのタイムライン、環境音、音楽までまとめてです。
公式の FL2VA 書式その場で走る 8 種類のチェックホスト版 H3 でも ComfyUI でも
プロンプトを組み立てる
2 枚の画像から 1 本の動きの道筋へ
プリセットから始めても、ゼロから書いても構いません。右側はその場で組み上がります。手書きだと間違えやすい整合文も含めてです。
FL2VA プロンプト
MiniMax 公式の書式です。整合文のあとに 3 つのフィールド。
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.ホスト版 MiniMax H3 で実行
このプロンプトを読み込み、Image to Video タブを開いた状態でジェネレーターが開きます。開始フレームと終了フレームはそちらで添付してください。
プロンプトのチェック
指摘はありません。両方のフレームが書かれ、間の道筋もあり、1 本の連続したショットになっています。
構造
FL2VA プロンプトの中身
4 つの部分が決まった順番で並びます。整合文を省くと、どちらが冒頭でどちらが着地点なのか H3 には分かりません。
Alignment line
必ず先頭Picture 1 を 0.00 秒に、Picture 2 を終端に固定する 1 文です。終了時刻は小数点以下ちょうど 2 桁で、そのあと 1 行空けてからフィールドが始まります。
integrated_multimodal_description
必須本文です。スタイル、冒頭の構図、2 枚の間の動きの道筋、カメラワーク、話者、セリフ、画面上で鳴るすべての音。FL2VA の成否はここで決まります。
overall_soundscape
必須全編の環境音・動作音・言葉以外の人の声を 1〜4 文でまとめます。セリフ、歌、登場人物に聞こえる音楽は本文の担当なのでここには書きません。
non_diegetic_music
必須登場人物には聞こえない音楽を 1〜3 文で。楽器、テンポ、リズム、強弱を書きます。無ければ N/A で、これは手抜きではなく正式な答えです。
MiniMax 公式の FL2VA 例
H3 の重みに同梱されているプロンプト作成ガイドから、8 秒の単一ショットの例です（長さの都合で一部省略）。本文が 2 枚の画像を説明せず、その間で傘が開く過程を書いている点に注目してください。
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/AHugging Face でガイド全文を読む
うまくいかないとき
終了フレームを外す 6 つのパターン
失敗した最初と最後のフレーム動画は、ほぼこのどれかです。6 つのうち 5 つはモデルではなくプロンプトの問題です。
途中で人物や衣装が変わる
原因：どの属性が固定なのかを本文が伝えていないため、被写体が動き出した時点でモデルが作り直しています。
対処：服装、色、重要な小道具、位置関係といった手がかりを、冒頭の一文だけでなく動きを書く文にも持ち込んでください。
頼んでいないカットが入る
原因：複数ショット向けの言い回しが単一ショットの指示に混ざったか、視点の跳躍を編集として解釈されました。
対処：本当に必要でない限り FL2VA は 1 ショットにします。寄り引きや角度はカメラワークで、「the camera cuts to」は新しい情報のためにとっておきます。
動きが急いだあと止まる
原因：尺と書かれた動作量が噛み合っていません。6 秒分の内容を 4 秒に詰め込めば、どこかにしわ寄せがきます。
対処：動作量を尺に合わせるか、カット位置を動かします。3 つ詰め込んで全部切れるより、1 つの変化をはっきり見せるほうが良い結果になります。
セリフが尺に収まらない
原因：自然な話速では尺より長いセリフなので、途中で切れるか、音が止まったあとも口が動き続けます。
対処：1 秒あたり 2〜3 語を目安にし、動作の分も残してください。長いセリフには速い喋りではなく長い尺が必要です。
音楽と環境音がぶつかる
原因：登場人物に聞こえる音を non_diegetic_music に書いたか、環境音の欄が本文の内容を繰り返しています。
対処：登場人物に聞こえる音は本文へ。観客だけに聞こえる音楽は non_diegetic_music へ。環境音の欄は雰囲気・衝撃音・息づかいだけをまとめます。
モードを選ぶ
FL2VA と他の 3 モード
H3 はキーフレームを 4 通りの方法で受け取ります。違いは整合文で、ここを間違えると参照画像が黙って無視されます。
| モード | 画像 | 整合文 | 制御 | 選ぶ場面 |
|---|---|---|---|---|
| T2VA | テキストのみ | 整合文なし | 最も弱い | 参考画像がなく、構図も動きもモデルに任せたいとき。 |
| I2VA | 最初のフレーム | Picture 1 が 0.00 秒 | 冒頭を固定 | 冒頭の画が重要で、終わり方はモデルに委ねてよいとき。 |
| FL2VA | 最初 + 最後のフレーム | Picture 1 が 0.00 秒、Picture 2 が終端 | 両端を固定 | 冒頭と結びの画がどちらも決まっていて、その間の説得力ある道筋が要るとき。 |
| L2VA | 最後のフレーム | Picture 1 が終端 | 終端を固定 | 着地の画が決まっているとき（ロゴ、リヴィール、決めのポーズ）。そこまでの流れは自由に作れます。 |
活用場面
2 枚の画像で実際に作られているもの
ビルダーのプリセットはそれぞれこのどれかです。形は共通しています。冒頭の画が固定、着地の画も固定、そして間の変化に説得力が要る、という形です。
EC
商品のリヴィール
1 枚目は未開封のパッケージ、2 枚目は商品が単体で立っている画。いちばん難しいのは、途中ずっとラベルを読める状態に保つことです。
6s · 単一ショット · Live-action, cinematic
リフォーム / メイクオーバー
ビフォーアフター
FL2V の代表的な用途です。2 枚は同じ部屋か同じ顔で、その間の道筋はモデルが考えることになります。
8s · 単一ショット · Live-action
制作プロセス
ラフから完成へ
1 枚目がラフ、2 枚目が完成品です。イラスト、デザイン、レタリング、3D のターンテーブルにも使えます。
10s · 単一ショット · 2D-animated
上のフレーム対は、良い FL2VA の入力がどういうものかを示す例です。構図と光が揃っていて、変わるものが 1 つだけ。参考用の静止画であり、MiniMax H3 の出力ではありません。
使い方
2 枚の静止画から 1 本の動画へ
- 1
まず 2 枚を選ぶ
FL2VA の出来はこの 2 枚で決まります。変化そのものが狙いでない限り、被写体・レンズ・光は揃え、2 枚の間に物理的に成り立つ道筋があるか確かめてください。
- 2
次に尺を決める
終了時刻は整合文にそのまま書き込まれるので、あとから変えるとプロンプトを書き直すことになります。対応範囲は 4〜15 秒、変化が 1 つなら 6〜10 秒でおおむね足ります。
- 3
画ではなく道筋を書く
2 枚ともモデルには見えています。本文は、何が動くか、何が受け渡されるか、構図がどう変わるか、差が終了フレームに向けてどう縮まるかに使ってください。
- 4
プロンプトをコピーして 2 枚で実行
生成されたプロンプトを、開始画像と終了画像を添付した画像から動画のエディタか、ローカルの ComfyUI に貼り付けます。評価するのは途中の見栄えではなく、最後のフレームに着地したかどうかです。
画像から動画のエディタを開く
よくある質問
最初と最後のフレームについて
MiniMax H3 の最初と最後のフレーム プロンプトとは何ですか。
FL2VA というプロンプト書式のことです。冒頭に Picture 1 を 0.00 秒、Picture 2 を終端に固定する整合文を置き、続けて integrated_multimodal_description、overall_soundscape、non_diegetic_music の 3 フィールドを書きます。2 枚とも H3 には見えているので、本文は画像そのものではなく、その間の動きの道筋を説明します。
なぜ整合文は小数点以下 2 桁でなければならないのですか。
MiniMax が終了時刻を S.SS、つまり小数点以下ちょうど 2 桁と定めているためです。8 秒なら 8.00 で、8 でも 8.0 でもありません。精度ではなく書式の決まりで、このツールが自動で書きます。
FL2VA プロンプトはショット 1 つですか、複数ですか。
ほとんどの場合 1 つです。MiniMax は、最初のフレームから最後まで連続的に補間できるよう FL2VA には単一ショットが望ましく、複数ショットは明示的に必要なときだけと述べています。カットを入れる場合も、終了フレームは最後のショットが動画の終わりで到達しなければなりません。
このサイトで最初と最後のフレーム動画を作れますか。
作れます。トップページのジェネレーターの Image to Video タブに開始フレームの枠と任意の終了フレームの枠があり、両方を入れると最初と最後のフレームの生成になります。2 枚は first_frame_url と終了フレームとして H3 に渡されます。ここでプロンプトを作り、実行を押して、そちらで 2 枚を添付してください。
FL2VA は画像から動画と何が違いますか。
画像から動画（I2VA）は冒頭のフレームだけを固定し、終わり方はモデルが決めます。FL2VA は両端を固定するので、結びの画がすでに決まっている場合（商品のメイン画像、確定したデザイン、指定のポーズ）に向いています。代わりに、物理的に成り立たない 2 枚を渡すと、1 枚だけ渡すより悪い結果になります。
このツールのプロンプトは ComfyUI でも使えますか。
使えます。書式は H3 のオープンな重みに同梱されたプロンプト作成ガイド由来なので、ホスト版 API でもローカルの ComfyUI でも同じテキストが通ります。LightX2V のマルチモーダル書き換えモデルは Qwen3-VL ベースの 8B 版になり、first_frame と last_frame を直接読んで同じ 3 フィールドを出力します。
セリフはどのくらいの長さにすべきですか。
1 秒あたり 2〜3 語を目安にし、動作の分の余裕も残してください。セリフは <d>[Language] ...</d> タグの内側に置き、話者の情報はタグの外に書きます。設定した尺に対して長すぎる場合は、このツールが警告します。
2 枚が離れすぎている場合はどうすればよいですか。
モデルは何かしら作りますが、たいてい動きではなくディゾルブに見えます。道筋に中間の一拍を足して変化に段階を持たせるか、尺を延ばすか、2 回の生成に分けてつなぐかのいずれかにしてください。
2 枚はもう揃っています。あとは間を書くだけです。
このサイトの完全な画像から動画のエディタは、開始フレームと終了フレームの両方を受け取り、そのまま MiniMax H3 に渡します。上でプロンプトを作り、エディタを開いて 2 枚を添付し、終了フレームに本当に着地するか確かめてください。
このページの FL2VA 書式（整合文、[Shot N] のカット表記、カメラ語彙、3 つの出力フィールド）は、MiniMaxAI が H3 のオープンな重みとともに公開している Video Prompt Writing Guide に基づいており、August 2026 時点で確認しています。当サイトは MiniMax とは無関係です。