MiniMax H3开发者实战：提示词、素材与API验收

MiniMax H3 带来的变化不在于 “文字生成画面” 这件事本身。它把文本、图片、视频和音频放进同一个理解空间，让模型在生成动态影像时同时处理人物外观、动作轨迹、镜头运动和声音环境。这意味着写提示词不再只是堆形容词，素材也不再是 “上传越多越好”，成片验收更不能靠 “看起来还行” 来判断。下面按照提示词结构、场景案例、素材控制、验收方法和 API 接入的顺序，把这套工作流拆开来看。

一、先看清 H3 的输入输出边界

H3 官方规格中有几个数字直接决定了提示词和素材策略的写法。输出分辨率为 768P 和 2K，2K 由 H3-Regenerate-2K 在 768P 生成结果的基础上二次生成得到；单次输出时长 4 至 15 秒，取整数秒；输出帧率 24 FPS，音频为 32 kHz 立体声。参考素材模式下，图片最多 9 张，视频最多 3 段，每段 2 至 15 秒、总时长不超过 15 秒，音频最多 3 段且不能作为唯一输入，混合输入合计不超过 12 个文件。

这些限制不是需要 “记住的参数表”，而是提示词设计的起点。15 秒的上限决定了动作描述必须紧凑，参考素材数量决定了每份素材必须承担明确且不重叠的角色。

二、提示词拆成五层，而不是五个形容词

主体：用可识别的特征替代笼统身份

“一名女性展示手提包” 没有告诉模型包的颜色、轮廓、材质和位置。更有效的写法是把主体拆成身份、外观、数量和画面位置。例如深棕色皮质手提包，矩形轮廓，金属搭扣，位于画面中央。这些特征在后续镜头推进和旋转中会被反复调用，写清楚是为了后面的一致性检查有据可依。

场景：只保留与动作相关的环境信息

场景描述常见的问题是过度铺陈。时间、地点、光线和背景氛围当然需要，但背景细节一旦与主体动作无关，反而会分散模型注意力。傍晚商业街的暖色自然光、轻微虚化的行人和建筑，这些信息之所以有效，是因为它们决定了画面的光线方向和景深关系。

动作：按时间线写，而不是按状态写

视频提示词和图片提示词最大的区别在这里。需要明确主体从什么状态开始、经过哪些动作、最终停在什么状态。例如女性站在橱窗前，转身，将包提到身体侧面，向前走两步，停下侧身展示包身。动作之间存在先后关系，不能同时要求相互冲突的姿态。

镜头：起点、运动和落点缺一不可

镜头描述至少要说清三件事：从什么景别开始，如何运动，结束在什么构图上。固定镜头、缓慢推进、横向跟拍、环绕、俯拍、低角度各有用途，但一段短片中不宜安排过多运动。镜头越复杂，动作顺序和时间关系就需要写得越明确。

声音：把声音事件绑在画面事件上

H3 支持音画联合生成，因此声音不应该被当作 “后期再加” 的附属项。环境声、动作音效、对白和配乐需要与画面中的具体事件对应。例如脚步声对应行走阶段，杯底接触声对应放下动作，背景音乐的情绪变化对应镜头推进的节奏。对白最好写明说话者和具体台词，而不是 “人物自然地说话”。

三、可直接套用的模板与官方结构化字段

把上述五层组织起来，可以得到一个便于创作者使用的通用结构：视频主题、主体、场景、动作、镜头、视觉风格、声音、输出要求。这个模板不是官方 API 的请求格式，而是一种信息组织方式。

在官方提示词指南中，文生视频和首尾帧模式使用的是三个字段的结构：integrated_multimodal_description 承载时间线上可见与可听的内容，包括主体、场景、动作、镜头和对白；overall_soundscape 负责环境声与非语言人声；non_diegetic_music 只描述观众听到、角色听不到的配乐。完整参考素材模式则扩展到六个部分：subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape 和 non_diegetic_music。其中 retention_analysis 用固定枚举值来声明每份参考素材的保留策略，而不是用形容词描述 “尽量保持像”。

这些字段属于提示词编写层面的结构化表达，不应和 API 请求参数混为一谈。

四、三个场景：提示词如何对应不同的控制压力

案例一：商品展示视频

商品视频的控制重点是结构一致性。以深棕色皮质手提包为例，提示词需要锁定包身的矩形轮廓、金属搭扣的位置和皮革纹理的可见程度。镜头从产品中景开始，缓慢推近至搭扣特写，旋转幅度控制在能够展示侧面轮廓但不引发结构漂移的范围内。声音保持无对白，仅保留轻微环境底噪和节奏平缓的配乐。

验收时首先要看的不是画面是否 “高级”，而是包的颜色、轮廓和五金件在推近与旋转过程中是否维持同一套物理特征。电商素材的实用价值取决于商品信息是否准确，而不是氛围是否足够。

案例二：人物生活方式短视频

人物视频的控制压力集中在面部、手部和物体交互上。咖啡馆场景中，人物从拿起陶瓷杯到放下杯子的动作需要拆成连续阶段：起始姿态、抓握与抬起、饮用、放回桌面、视线转向窗外。镜头以中景为起点，在动作过程中缓慢推近，保持平视角度。

提示词可以降低手部与杯壁接触点偏移、杯体形状变化的概率，但不能完全消除生成模型可能出现的视觉瑕疵。这类视频的验收需要逐项检查面部稳定性、手部自然度和物体交互的一致性，而不是只看整体观感。

案例三：品牌产品广告

产品广告把控制压力放在镜头连续性和材质反射上。无线耳机的环绕镜头需要明确起始角度、环绕方向、推进节奏和结束构图，避免在一条短片中插入多次方向突变。金属框架和耳垫表面的视觉特征需要在环绕过程中保持连贯。声音设计上，电子音底与音乐渐强的时间点应当与镜头推进的节奏对齐。

这三个案例分别对应商品、人物和品牌广告。实际使用时可以保留主体和场景部分，只替换动作、镜头和声音描述，但每一类任务验收时关注的偏差类型并不相同。

五、文生、图生和参考素材：先分清素材角色

H3 的生成模式可以按输入素材来区分。文生视频只依赖文本，适合没有现成素材的创意探索和场景构建，但主体外观的约束完全来自文字，严格保持某一具体商品的外观时往往不够。首帧图生视频以已有图片作为起点，适合商品图片动态化；画幅由输入图片决定，不能通过单独修改比例参数来 “纠正” 输出构图。首尾帧模式提供起点和终点两张图片，提示词负责描述中间路径，但这不意味着模型能够自动还原所有合理的中间动作。

参考素材模式适合人物外观、动作风格和声音同时需要约束的复合任务。官方支持最多 9 张图片、3 段视频和 3 段音频，混合输入合计不超过 12 个文件。但数量本身不构成质量保证。更有效的做法是在提交前给每份素材分配不重叠的职责：哪张图约束人物面部，哪张图约束服装，哪段视频约束动作节奏，哪段音频约束声音风格。提示词中的素材标签需要与这一分工保持一致，否则模型面对的是多个相互竞争的信号。

六、成片验收：五项固定维度加一个对照实验

单条生成视频无法说明模型在某一类任务上的稳定程度。更可靠的方式是建立一个小型对照测试：同一商品或同一人物，分别使用 “仅主体与场景”“增加动作与镜头”“增加声音与完整时间线” 三组提示词，在相同参考素材、相同输出分辨率和相同时长下各生成多次。

验收维度可以固定为五项：提示词遵循度，检查主体和动作是否按描述执行；主体一致性，检查人物外观或商品结构是否在运动和镜头变化中保持稳定；动作连贯性，检查阶段之间是否存在无依据的跳变；镜头控制，检查景别、运镜方向和构图落点；音画匹配度，检查环境声、动作声与画面事件的时间关系。这五项之外，再记录任务成功率、实际输出分辨率和单次成本，就构成了一组可以横向比较的数据，而不是一段孤立的展示片段。

对照实验的价值不在于证明 “提示词越长越好”，而在于把修改方向从主观感受转移到可观察的偏差上：是主体漂移、动作断裂、镜头偏离，还是声音与画面脱节。每一次调整都有对应的验收项作为参照。

七、API 接入：异步流程、素材传递和成本口径

当视频生成进入应用系统，提示词质量只是其中一个环节。H3 官方 V2 接口采用异步任务流程：调用 POST /v2/video_generation 创建任务并获取 task_id，随后通过 GET /v2/query/video_generation/{task_id} 轮询状态，成功后才返回视频结果。提交成功不等于生成成功，业务系统需要把任务状态管理纳入设计，而不是把创建接口的响应当作最终产物。

多模态素材传递是第二个需要确认的环节。不同输入模式对素材数量、格式和角色标识有明确限制，接口是否能够正确传递 image_url、video_url 和 audio_url 以及对应的角色标签，需要在接入前逐项验证。统一入口解决的是鉴权、路由和调用统计的集中化，但它不会自动把文本模型的即时响应模式适配成视频任务的状态机。

成本口径也需要单独核算。H3 的 2K 输出按生成秒数计费，公开标价为每秒 $0.13；768P 为每秒 $0.08。一段 10 秒的 2K 输出，仅输出部分的成本就是 $1.30，这还不包括参考素材处理和可能的重新生成费用。如果应用每天生成大量视频，仅统计请求次数没有意义，需要按任务记录输出时长、分辨率、输入素材用量和实际账单。在多模型协作的项目中，部分团队会通过星链 API这类统一网关来管理国产模型的调用入口，但视频生成的异步任务机制和素材上传能力仍然需要逐一确认接口是否完整支持。

表格

八、常见问题

提示词越长越好吗？

不一定。优先保证信息完整、动作明确和镜头逻辑清晰，无关形容词和重复描述不会自动改善结果。

可以用中文写提示词吗？

可以用自然语言描述需求。复杂结构化提示词可以参考官方指南中的英文规范，建议用同一任务对比不同表达方式的结果。

如何减少人物变形？

提供人物参考图片，明确服装、发型、面部特征，把复杂动作拆成连续、合理的阶段。但人物一致性不是仅靠增加提示词就能完全保证的。

最长能生成多长？

官方规格为单次 4 至 15 秒，取整数秒。

支持 2K 吗？

支持，768P 和 2K 为官方列出的输出分辨率。不同模型变体的分辨率支持范围存在差异，不能把标准 H3 的参数直接套用到其他变体。

可以同时参考图片、视频和音频吗？

可以，但需要遵守各类素材的数量、格式和时长限制，音频不能作为唯一输入。

结语

H3 把视频生成从 “写一段描述” 变成了 “组织一组可执行的信息”：主体、场景、动作、镜头和声音各自占据可识别的位置，素材承担可追溯的角色，成片按照固定维度接受检查。对创作者来说，优先掌握的是这五层结构；对开发者来说，异步任务管理、素材传递和成本核算与提示词质量同样重要。可复用的工作流不依赖某一条偶然有效的提示词，而依赖一套能够重复提交、对比偏差、定位失败原因并调整输入的流程。