MiniMax H3 提示词必须用严格格式吗？图片、视频和音频的多素材模板怎么写？一文详解

我把网上流传的 MiniMax H3 六段提示词模板和官方 API 文档并排看了一遍，发现了一个必须讲清的区别。

六段结构确实好用。素材一多，它能逼着人把角色、场景、动作、运镜和声音逐项分开。但它不是 API 的强制语法。MiniMax 官方示例可以直接提交自然语言提示词；官方另有一个 H3-Context-IR 接口，专门把文字、图片、视频和音频整理成更完整的结构化提示词。

所以，这篇文章不会把模板包装成“少一个字段就跑不动”的玄学格式。我把它当成一套复杂项目的制作清单：简单任务可以删减，Omni-Reference 多素材任务再完整展开。

六段模板到底管什么

先把 API 层和提示词层分开。H3 可以接收文字、图片、视频和音频，但不是任意组合：首尾帧属于图生视频；参考图片、参考视频和参考音频属于 reference-to-video；官方 API 不允许把这两类输入放在同一个请求里。

MiniMax 官方视频生成文档公开的素材角色包括：

• first_frame、last_frame：首帧和尾帧图片
• reference_image、reference_video、reference_audio：参考图片、视频和音频
• 一条必填的文本提示词

这些是 API 请求里的 role。而 <Subject 1>、<Picture 1>、<Video 1>、<Audio 1> 是我们写在提示词里的别名，目的是让前后指代不乱。它们不是 API 枚举值。

官方后来另外发布了一份全参考格式指南，这些标签在里面有明确定义，已经不是谁都可以自行发明的写作约定了。它定义了四类：<Subject N> 指可复用的可见内容，<Picture N> 指具体的帧锚点，<Video N> 指整片级别的关系，<Audio N> 指音频信号，编号前都带一个空格。Picture、Video、Audio 三套编号各自独立，按各自类别内的上传顺序排，所以 <Video 1> 和 <Audio 2> 完全可能来自同一个文件。

fully_preserved、attribute_transfer 这类保留关系出自同一份指南，是固定枚举，不是可以自己措辞的说法。绝大多数资料漏掉的一点是：它有两套——视觉参考一套，音频参考另一套。下面第 3 节两套都列。

一句话概括：

API 角色负责把素材传进去；提示词标签负责说明每份素材提供什么、不能带入什么，以及在哪个镜头生效。

完整结构分六部分：

1. subject_definitions：定义人物、物体、场景、动作和声音来源。
2. summary：交代成片目标，并给每份素材分配任务。
3. retention_analysis：写清哪些特征必须保留，哪些可以改，哪些只做弱参考。
4. detailed_description：按播放顺序写出每个镜头真正能看到、听到的内容。
5. overall_soundscape：描述画面世界里真实存在的声音。
6. non_diegetic_music：描述只有观众能听见的配乐。

这个顺序的价值在于不漏项：先盘点素材，再决定约束，最后写分镜。模型未必要求你按这个次序，但人按这个次序写，出错会少很多。

第一段：定义 Subject，不要只报文件名

文件只是容器。真正要复用的是文件里的某个元素。

一张人物图可以提供脸、发型、服装和身材比例；一张室内图可以提供空间布局；一段视频可能只提供“走到窗边坐下”的动作，里面的演员、背景、声音都不该带进新视频。

可以这样拆：

subject_definitions:

<Subject 1> is the night-shift editor whose facial identity, short dark
hair, navy overshirt, and body proportions come from <Picture 1>.

<Subject 2> is the apartment interior from <Picture 2>, including the
floor-to-ceiling window, low sofa, reading lamp, and city view.

<Subject 3> is the slow walk-and-sit motion from <Video 1>, transferred
to <Subject 1>. Do not copy the performer or background from <Video 1>.

<Audio 1> is the voice-timbre reference for <Subject 1> (S1). It provides
vocal tone and pacing only; do not copy its original words.

这几行把四件事说死了：

• <Picture 1> 负责人物身份和穿着。
• <Picture 2> 负责房间。
• <Video 1> 只交动作，不交演员和背景。
• <Audio 1> 只参考音色和说话节奏，不复制原台词。

图片需要控制构图或外观时，可以单独定义 <PictureN>。如果它必须成为真正的首帧或尾帧，请改用图生视频请求，并给图片设置 first_frame 或 last_frame；不要再与 reference_video、reference_audio 混在同一个请求里。如果图片只是提供脸或衣服，把它写进 Subject 定义就够了。

<VideoN> 更适合表示整段视频关系，例如续写原视频、修改原视频、参考剪辑节奏或运镜。如果只取其中一个动作，就把动作抽出来定义成 Subject，并顺手写清不要继承什么。如果续写本身就是目的——你在把分段串成 60 或 120 秒的成片——H3 长视频规划器可以替你把每段提示词写好。

第二段：Summary 不是剧情简介

“一个男人雨夜回家，看着窗外”只能算故事梗概。

模型更需要的是制作说明：成片多长、谁出现、每份素材各管什么。

summary:

[reference generation + audio reference] Create a 12-second cinematic
interior scene in which <Subject 1> enters <Subject 2>, sits beside the
window, and speaks one quiet line. <Picture 1> supplies identity,
<Picture 2> supplies the environment and composition, <Video 1> supplies
the walk-and-sit motion, and <Audio 1> supplies voice timbre only.

方括号里的任务类型不是自由文本。官方定义了恰好六种，摘要开头写上适用的那些：

用 + 连接，同一个类型不重复。素材存在本身不产生任务类型：一条只提供节奏的参考视频属于 reference generation，不是 video editing。而改一条原声还听得见的片子，前缀里还得有 audio reuse——这半边最容易漏，因为漏了画面上什么也不会坏。

改片时，摘要还必须以一句固定句开头：The target video is an edited version of <Video 1>.

最忌讳的是一句 “Use Video 1 for everything”。一份素材承担三个任务，就把三个任务分别列出来；有明确不需要的内容，也一起写掉。

第三段：给每条参考关系定强弱

同一张图里，人脸可能不能动，衣服却可以换；同一段视频里，动作需要迁移，运镜只想借一点节奏。所有参考都写成“完全保留”，最后很容易互相打架。

视觉素材通常可以分成四种关系：

• fully_preserved：身份、产品结构、服装、场景布局或关键帧必须稳定。
• partially_preserved：保留指定部分，同时允许改动已说明的特征。
• attribute_transfer：把动作、表情、服装或其他属性迁移给另一个主体。
• weak_reference：只借氛围、色彩、构图或节奏，不要求逐项一致。

音频用的是另外四个标记，而这正是多数六段式资料写错的地方——它们直接套用了视觉那四个：

• fully_copy：整条源音频成为成片完整的最终音轨。
• partially_copy：只复制部分时间线或部分音频层，或复制后又增删替换了别的层。
• reference：不复制信号，只参考音色、节奏、音乐风格、对白内容或声音质感。
• weak_reference：只保留类别或氛围上的大致相似。

两套里只有 weak_reference 是共有的。特别注意 fully_copy 的存在：原样复用一段录音在这套格式里是可以声明的关系，不必留到后期合成。它需要的只是正确的标记和配套的前缀——原声保留的改片写成 [video editing + audio reuse]。

前面的雨夜公寓可以这样写：

retention_analysis:

<Subject 1> (appears in [Shot 1], [Shot 2], [Shot 3]): fully_preserved -
retain facial identity, short dark hair, navy overshirt, and body
proportions.

<Subject 2> (appears in [Shot 1], [Shot 2], [Shot 3]): partially_preserved -
retain room layout, window position, sofa, and lamp; change the exterior
from sunset to rain.

<Subject 3> (appears in [Shot 1], [Shot 2]): attribute_transfer - transfer
only the walking, turning, and sitting motion to <Subject 1>.

<Video 1> (timing): weak_reference - borrow the unhurried pace, not its
camera angle, performer, environment, or audio.

<Audio 1>: reference - follow the low, tired timbre and measured delivery;
do not copy the original signal or words.

标签后面那半句比标签本身更重要。不要只写“完整保留角色”，要点名脸、发型、服装、身材比例和标志性配饰。

第四段：把故事改成镜头里能看见的东西

detailed_description 才是正文。

“他疲惫地回到家”无法直接拍。换成下面这种写法，画面才有执行顺序：

[Shot1] A medium-wide shot faces the apartment entrance. <Subject 1>,
the short-haired editor in a navy overshirt, enters from frame left and
closes the door with his right hand. His shoulders hang low. The camera
makes a slow handheld pan to the right. Wet shoes squeak once on the floor.

每个镜头按下面的顺序写，基本不会乱：

1. 景别和构图
2. 主体在画面里的位置；第一次出现时补关键识别特征
3. 一个主要动作
4. 能看见的状态变化，例如表情、姿势、灯光或物体位置
5. 运镜；不运镜就明确写静态机位
6. 本镜头发生的声音和台词

第一镜头可以不写时间。后面的镜头写切换时刻：

[Shot2] At 00:04.000, cut to a side medium shot...
[Shot3] At 00:08.000, cut to a close-up...

时间戳表示新镜头从什么时候开始，不是动作要持续多久。要反过来检查：这个时间段内，动作真的做得完吗？

四秒钟让人物穿过一个小房间再坐下，勉强合理；四秒内让他进门、脱外套、烧水、接电话、走到窗边、坐下、说台词再反应，动作一定会丢。

一个短镜头只放一个主要动作。复杂事件拆镜头。

台词和说话者编号

有台词时，可以给每个声音来源固定编号：

<Subject 1> (S1) says in a low, tired voice,
<d>[Chinese] 我还以为雨停了。</d>

同一个角色后面继续说话，仍然用 (S1)。画外音要写明 speaking off-screen。不要写“他说了一句关于雨的话”，直接把完整台词放进去。

<d>...</d> 和语言标签不是官方 API 的硬性语法，但实用：台词边界清楚，语言不容易猜错，旁白也不容易混进人物对白。

第五段：环境声只写画面世界里的声音

overall_soundscape 写的是角色也能听到的声音：

overall_soundscape:

Low apartment room tone, steady rain against the window, one wet shoe
squeak, soft fabric movement, a distant elevator bell, and the ceramic
click of a mug touching the side table.

别把完整台词重复到这里。台词跟着具体镜头写，口型和时间才有落点。

“电影感环境音”还是太虚。雨点打窗、冰箱低鸣、纸张摩擦、电梯提示音、远处车流，这些才是能落地的声音。

第六段：把观众听到的配乐单独列出来

non_diegetic_music 是画面里的角色听不到的配乐：

non_diegetic_music:

A sparse felt-piano motif at a slow tempo, very low in the mix. Hold
silence under the spoken line, then return with one unresolved note as
the final close-up holds.

通常写清四件事就够了：乐器、速度、情绪方向、什么时候停或变化。不需要配乐就写 N/A，或者直接写 no non-diegetic music。

可直接复制的六段模板

subject_definitions:

<Subject 1> is [人物、动物、物体、动作或场景], whose
[身份 / 外观 / 动作] comes from <Picture 1> or <Video 1>.
<Picture 2> is the [构图 / 外观] reference for [ShotN].
<Video 1> supplies [整段运镜 / 剪辑节奏 / 源视频 / 续写关系].
<Audio 1> supplies [音色 / 语气 / 节奏 / 声音质感].

summary:

[任务类型] Create a [时长]-second video showing [人物、场景和核心事件].
[素材] supplies [一项明确任务].

retention_analysis:

<Subject 1> (Shots [N-N]): [fully_preserved / partially_preserved /
attribute_transfer / weak_reference] — [必须保留和允许修改的具体特征].
<Audio 1>: [reference / weak_reference] — [参考什么，不得复制什么].

detailed_description:

The target video uses [一个主风格] with [光线、色彩和质感].

[Shot1] A [景别] shows [构图]. <Subject 1> is at [画面位置].
[一个主要动作]. [能看见的状态变化]. The camera [运镜或静止].
[环境声或台词].

[Shot2] At [镜头开始时间], cut to [构图]. [一个主要动作].
<Subject 1> (S1) says in [声音描述],
<d>[语言] 完整台词。</d> The camera [运镜或静止].

[Shot3] At [镜头开始时间], cut to [构图]. [一个主要动作].
The shot ends on [明确的最后一帧状态].

overall_soundscape:

[室内底噪、天气、脚步、衣物、道具碰撞和其他真实声音].

non_diegetic_music:

[乐器、速度、情绪、音量和音乐变化；不需要就写 N/A].

没有的素材直接删。只上传一张图片，不需要硬凑 <Video 1> 和 <Audio 1>。模板是检查清单，不是填表比赛。

如果图片必须作为真正的首帧或尾帧，请退出这套 reference 模板，改用带对应 API 角色的图生视频请求。

八个最常见的坑

1. 上传一张图就把它当关键帧

人物身份图不等于首帧。先判断你要的是脸、衣服，还是这张图的完整构图。只有画面本身要锁住，才把它当关键帧。

2. 只取动作，却让整段 Video 参与生成

要手势就定义手势并迁移。直接笼统引用整段视频，演员、背景、运镜和声音都可能被一起带进来。

3. 只写“参考这张图”

到底参考脸、衣服、房间布局、运镜还是音色？必须点名。

4. 一份素材包办所有事情

“Use Video 1 for everything”最容易制造冲突。外观、动作、节奏、运镜和声音分开写。

5. 只讲剧情，不写画面

“发生了一场紧张的面试”是故事。人物站位、先后动作、表情变化、运镜和台词时间才是分镜。

6. 一个镜头塞太多动作

先减动作，再加风格。一个做完整的四秒动作，比八个半截动作更有用。

7. Subject 和说话者编号前后乱跳

角色一旦是 <Subject 1> 和 (S1)，整条提示词都别改。

8. 把参考音频当成原样配乐

“希望保留这段录音”和“只参考它的音色”是两种不同意图，而这套格式给每种都准备了标记：前者是 fully_copy，后者是 reference。选错正是「本想留下的音轨回来变成重做的」的原因。想清楚要哪一种，并让摘要前缀与之一致——复制要 audio reuse，跟随要 audio reference。

三步写完一条复杂提示词

第一步：先做素材账本

每个文件都补全一句话：“这份素材提供___，但不能提供___。”大部分素材冲突，在生成前就能抓出来。

第二步：先拆分镜，再补风格

按总时长切成几个合理区间。每段只放一个主要动作，并写出镜头最后停在哪里。骨架定完，再加光线、色彩和质感。

第三步：一次只改一个约束

依次检查人物一致性、动作是否做完、台词时间、最后一帧能否接下一条片。哪项失败就改对应那一句。整段推倒重写，下一次即使变好，也不知道是哪条指令起作用。

最后结论

MiniMax H3 接收提示词时，并不要求必须出现六个标题。真正需要六段结构的，是面对一堆人物图、场景图、动作视频、声音参考和保留条件时容易写乱的人。

先给素材分工，只锁真正重要的特征；再把事件拆成按时间播放的可见镜头；环境声和配乐分开。任务简单就删减，任务复杂再完整展开。

想让这六段由工具替你写好并检查——标签编号、两套标记、摘要前缀——可以用参考生视频提示词工具。如果只用文字，或使用本站界面当前提供的图片输入，可以先在 MiniMax H3 生成器测试提示词，也可以去海螺3 提示词库找结构。涉及参考视频、参考音频或本站界面未提供的素材角色时，请使用官方 API，并查看 MiniMax H3 API 指南。想先了解模型边界，可以继续读海螺3 是什么和 MiniMax H3 与 Seedance 对比。