MiniMax H3 提示词指南：官方结构写法，附真实片段实测

MiniMax H3 被设计为读取一种三段式的结构化提示词：沿时间轴展开的画面与对白、整体声音环境，以及背景音乐（如有）。 MiniMax 把将普通请求转换成这种格式的步骤称为 H3-Context-IR，并说它“critical to the quality of the final output”（对最终输出质量至关重要）。^[1] 基于 MiniMax H3 构建的 SD Video 默认会在生成前改写你的提示词。在我们的四段测试片段中，普通提示词和按官方结构写的提示词得到的结果同样可用，而关闭改写则改变了镜头和声音混音。

本指南介绍官方结构，对白、切镜和参考素材的写法，以及测试的结果。

MiniMax H3 提示词长什么样？

对于文本、图片和关键帧模式，官方指南按固定顺序使用三个字段：^[2]

• integrated_multimodal_description：主体部分。按时间顺序写视觉风格、构图、主体、动作、运镜、镜头切换、谁在说话、说了什么，以及与画面动作对应的声音。
• overall_soundscape：贯穿整个片段的环境音、动作音效和非语言的人声。
• non_diegetic_music：只有观众能听到的背景音乐，没有则写 N/A。

下面是我们测试中按这种结构写的一个简短示例：

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a middle-aged baker in a flour-dusted apron behind the wooden counter of a small street bakery before sunrise, warm light from the ovens behind him. The camera pushes in with small amplitude at slow speed as the baker with a calm, slightly raspy voice (S1) places a fresh loaf on the counter, looks up at the camera and says: <d>[English] First batch of the morning.</d>

overall_soundscape: Trays clink softly inside the bakery and the doorbell rings once over a quiet street.

non_diegetic_music: N/A

官方指南要求这些段落用英文书写，而对白、歌词和画面中可见的文字保留原语言。^[3]

MiniMax H3 提示词里的对白怎么写？

给每个说话人一个固定的 ID，例如 (S1) 或 (S2)，在标签外描述音色，<d>…</d> 里只放语言标签和要说的话：^[2]

The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>
The two children (S1,S2) shout together, <d>[English] Wait for us!</d>

标签里的文字会被逐字保留，所以要写成它应该被说出来的样子。同一个说话人在不同镜头中保持同一个 ID，从不开口的角色不分配 ID。旁白的写法，指南用的是“says in an off-screen voiceover”（以画外音说），然后注明画面中角色的嘴唇保持闭合。^[2]

镜头和切镜的时间怎么控制？

把每个镜头标成 [Shot 1]、[Shot 2]，并给出切镜时间：“[Shot 2] At 00:05.000, the camera cuts to a close-up of…”（[Shot 2] 在 00:05.000 处，镜头切到……的特写）。时间轴加起来必须等于片段时长，即 4 到 15 秒。^[2][3] 在我们的测试中，普通句子也有效：“At 3 seconds, cut to a close-up of steam rising from the bread”（在第 3 秒切到面包冒出热气的特写）在大约 3 秒处产生了一次切镜（见下文片段 C）。

对白需要在所在镜头里留出时间。SD Video 自己的建议是每秒约 2.5 个词的对白，所以一段 5 秒的片段只能容纳一句短句。^[4]

如何在提示词中引用图片、视频和音频？

参考素材通过标签引用，按类型、按发送顺序编号：<Picture 1>、<Video 1>、<Audio 1>。官方指南要求每个标签在提示词的所有段落中保持一致。^[3] 在完整参考模式下，官方改写使用六个段落而不是三个：主体定义、摘要、保留分析（每个参考素材要保留什么）、详细描述、声音环境和音乐。^[3]

一个带标签的普通提示词往往就够了。这段片段使用了一段 3 秒的大提琴演奏参考视频，提示词是“The cellist in <Video 1> keeps playing one long bow stroke, static camera, warm room tone, the cello note, no music bed.”（<Video 1> 中的大提琴手持续拉出一个长弓，固定镜头，温暖的室内底噪，大提琴的音符，没有背景音乐。）：

SD Video 参考生视频，480p，5 秒，一段参考视频。

用多段参考视频是什么效果？

一段参考视频加一句简短的提示词。参考素材是一段 6 秒的滑冰者片段，提示词是“The skaters in <Video 1> glide across an outdoor rink at dusk, the camera holds still, skates scraping the ice, distant chatter, no music.”（<Video 1> 中的滑冰者在黄昏的户外冰场上滑行，镜头保持不动，冰刀刮过冰面，远处有交谈声，没有音乐。）：

一段参考视频，480p，5 秒。

同样的提示词和参考素材，把 duration 设为 10：

一段参考视频，480p，10 秒。

两段参考视频按发送顺序编号。这里 <Video 1> 是滑冰者，<Video 2> 是一段 8.6 秒的舞蹈片段，提示词是“The skaters in <Video 1> watch the dancer in <Video 2> perform on the ice at dusk, static camera, skates scraping, no music.”（<Video 1> 中的滑冰者在黄昏时观看 <Video 2> 中的舞者在冰上表演，固定镜头，冰刀刮擦声，没有音乐。）：

两段参考视频，480p，5 秒。

这里 <Video 1> 是那段 3 秒的大提琴手片段，<Video 2> 是舞蹈片段，提示词是“The cellist in <Video 1> plays while the dancer in <Video 2> moves slowly beside her, static camera, cello note, footsteps, no music bed.”（<Video 1> 中的大提琴手演奏，<Video 2> 中的舞者在她身旁缓慢移动，固定镜头，大提琴的音符，脚步声，没有背景音乐。）：

两段参考视频，480p，5 秒。

aspect_ratio 保持 adaptive 时，片段会采用第一段参考视频的画面形状。舞蹈片段是竖屏的，所以这两条结果都是 480 × 832 的竖屏。两条使用了相同的提示词和相同的参考素材，没有固定 seed，所以每次运行各自选了自己的 seed，两条结果也不一样。提示词是“The dancer in <Video 1> repeats the same moves in an empty studio, static camera, footsteps on wood, no music.”（<Video 1> 中的舞者在空荡的练功房里重复同样的动作，固定镜头，木地板上的脚步声，没有音乐。）：

同一请求运行两次，480p，5 秒，竖屏。

结构化格式比普通提示词效果更好吗？

我们在基于 MiniMax H3 构建的 SD Video 上用四种方式生成了同一个面包店场景：文生视频，480p，5 秒，16:9，seed 42。每个提示词只跑了一次，所以请把这些结果看作单次观察，而不是平均值。

A. 普通提示词。 面包师放下面包，在缓慢推近的镜头中对着镜头说出台词。

A middle-aged baker in a flour-dusted apron stands behind the wooden counter of a small street bakery before sunrise. He places a fresh loaf on the counter, looks up at the camera and says in a calm, slightly raspy voice, "First batch of the morning." Medium shot, slow push-in, warm light from the ovens behind him. Trays clink softly, the doorbell rings once, no music.

B. 官方结构。 即上文第一节展示的提示词。结果与 A 接近：动作相同，台词说得正确，画面稍宽一些。

C. 带定时切镜的普通提示词。 台词在大约 2.5 秒处说完，镜头在 3 到 3.5 秒之间切到面包特写。

A middle-aged baker in a flour-dusted apron stands behind the wooden counter of a small street bakery before sunrise. He places a fresh loaf on the counter, looks up at the camera and says in a calm, slightly raspy voice, "First batch of the morning." Medium shot, warm light from the ovens. At 3 seconds, cut to a close-up of steam rising from the bread as he slices it. Trays clink softly, the knife crunches through the crust, no music.

D. 关闭改写的提示词 A（prompt_enhancement: disabled）。镜头离得更远、几乎不动，门铃声先响，台词在大约 3.5 秒处才开始。音轨安静得多：平均电平比另外三段片段低约 20 dB。

这说明了什么：

当服务会改写你的提示词时，一个清晰的普通提示词就够了。当你关闭改写，或者在没有 H3-Context-IR 的情况下运行开源权重时，就需要自己按结构来写，因为这时没有任何环节会把你的文本转换成模型期望的格式。

写好 MiniMax H3 提示词的技巧

• 让时间轴与片段时长匹配；不要为 5 秒的片段描述 10 秒的动作。^[3]
• 用具体的视觉和声音细节，而不是“cinematic”（电影感）或“beautiful”（漂亮）这类词。^[3]
• 描述声音：室内底噪、动作音效以及它们的远近。如果不想要背景音乐，就写 no music。^[4]
• 对白保持简短，每几秒一句：自然语言写法放在引号里，结构化写法放进 <d> 标签。
• 迭代一个镜头时，固定 seed，每次只改一处。^[4]
• 使用关键帧时，说明首帧或尾帧如何与动作衔接。^[3]

SD Video 页面提供可以试写提示词的 playground，API 文档列出了所有参数，包括 prompt_enhancement。

提示词常见问题

MiniMax H3 提示词要用英文写吗？

官方指南用英文写描述性段落，对白、歌词和画面文字保留原语言。^[3] 其他语言的对白放在 <d> 标签里，并带上对应的语言标签。

H3-Context-IR 是什么？

它是 MiniMax 的预处理步骤，读取你发送的文本和媒体，并把它们改写成 H3 用来生成的结构化表示。它不在开源发布中；MiniMax 以 API 形式提供它，并公开了提示词指南，方便开发者自己实现。^[1][5]

SD Video 的 prompt_enhancement 有什么作用？

它控制生成前对提示词的改写：turbo（默认）、quality，或 disabled，即按原文发送。改写不会改动 <Picture 1> 这类参考素材标签。^[4]

MiniMax H3 提示词应该写多长？

长到足以覆盖整条时间轴。MiniMax 自己改写后的示例，单个片段就有几百个词，SD Video 的指南也指出细节写得多不会有坏处。^[1][4]

参考资料

1. MiniMax. MiniMax-H3 模型卡. 2026 年 10 月 4 日检索自 huggingface.co。
2. MiniMax. h3-prompt-writing: base mode reference（references/base-en.txt）. 2026 年 10 月 4 日检索自 github.com。
3. MiniMax. H3 Prompt Writing skill. 2026 年 10 月 4 日检索自 github.com。
4. SeedRouter. SD Video API reference. 2026 年 10 月 4 日检索自 seedrouter.ai。
5. MiniMax. Create H3-Context-IR Task. 2026 年 10 月 4 日检索自 platform.minimax.io。