提示词写法指南

基于 MiniMax H3 官方 V2 规范整理 · 与平台 V2 接口对应 · 2026-08-29

一句话版：写清楚「谁、在哪、做什么、什么风格」，有台词就用引号写出原句，按时间顺序描述动作，最后交代声音。不需要堆砌形容词。

一、官方公式（三段式）

官方手册定义的完整提示词结构，按此顺序组织：

板块	内容	要点
① 参考素材说明	声明每个上传文件的角色	没上传文件可跳过。每个素材只负责一件事，并写清负责什么
② 核心创意	主体 + 地点 + 事件 + 风格	风格用具名美学：实拍 / 电影感 / 日漫 / 商业广告 / 赛博朋克…
③ 分段过程描述	按时间顺序描述动作与声音	可带时间戳（0–3s…）；台词原句写在这里

二、参考素材怎么引用

上传的图片 / 视频 / 音频按上传顺序编号，在正文里用「图1」「图2」「视频1」「音频1」引用（英文写作 Image 1 / Video 1）。每个文件必须声明角色，否则会被忽略：

角色	作用	写法示例
角色参考	锁定人物的脸与形象	图1是角色参考，锁定这位女性的外貌与服装
物体参考	锁定产品 / 道具	图2只负责产品外形和标签
场景参考	锁定地点环境	图3负责场景：深夜便利店
动作参考	从视频锁定动作	视频1负责动作：这段剑舞
运镜参考	锁定镜头运动	视频1负责运镜与节奏
声音参考	锁定音色	音频1负责音色

多素材冲突时必须指定优先级：「图1决定人物身份，视频1只提供动作」——不要让两个素材同时"负责人物"却不说明谁说了算。

三、台词与声音（本模型最容易翻车的地方）

语音来源二选一（重要）

	平台配音（默认）	模型原生台词 `voice_mode:"model"`
用法	台词请按官方 H3 结构写入 prompt；音频和口型结果需要单独质检	同样引号写台词，加参数 `voice_mode` 为 `model`，语音完全由模型自己生成
台词准确率	逐字保证（TTS 照稿念）	基本能念对，但不保证逐字
风险	音色为平台默认音（可上传音频或克隆音色覆盖）	无台词时段可能冒出自语、乱码语音；音色不可控
适用	带货口播、广告、任何正式用途（推荐）	追求模型原生语感、快速试创意、对语音容错高的场景

台词必须写原句、加引号：她说了句动人的话 ❌ → 她说："你来了，这把剑等得够久了。" ✅（可能被模型作为台词处理；是否完整、口型是否同步必须质检）
不要台词就明说：写「无台词」。不写台词时模型会自由发挥
声音三要素尽量写全：人声（内容+情绪+音色）、环境音、背景音乐。不想要背景音乐写 non_diegetic_music: N/A 或「无背景音乐」
不要自相矛盾：一处要配乐、另一处禁配乐，是官方列出的典型失败模式

四、镜头与灯光术语（模型认识这些行话）

运镜：推进 Push in · 拉远 Pull out · 跟拍 Tracking · 环绕 Orbital · 手持 Handheld · 甩镜头 Whip pan · 焦点转移 Rack focus · 希区柯克变焦 Dolly zoom · 升降镜头 Crane shot

灯光：黄金时刻 Golden hour · 伦勃朗光 · 轮廓光 Rim light · 剪影 · 霓虹 noir · 明暗对照

想要一镜到底必须明说：模型默认会切镜头，写「全程一镜到底，不切镜」才会保持单镜头。切镜头时指明新镜头的景别，脸部一致性会更好。

五、可直接复制的模板

模板 A：人物口播（最常用）

现代简约客厅实拍，中景固定机位，一镜到底。
穿白衬衫的年轻女性面对镜头，自然微笑，
她说："这款保温杯能保温十二个小时，今天下单还送杯刷。"
环境音：安静的室内底噪。无背景音乐。

模板 B：产品广告（带参考图）

图1是物体参考，锁定香水瓶外形与标签。
高端商业广告质感，黑色大理石台面，金色粉尘缓慢飘浮。
0–3s：暖光从瓶身缓慢扫过，镜头极缓慢推近；
3–6s：微距对准标签，画面文字显示"NOCTURNE"。
低沉磁性男声旁白，语速缓慢。non_diegetic_music: 极简氛围底音

模板 C：纯画面氛围片（无人声）

雨夜城市街道，霓虹倒映在湿漉漉的路面，电影感，霓虹 noir 灯光。
镜头手持缓慢推进，行人撑伞走过。
无台词。环境音：雨声、远处车流。non_diegetic_music: N/A

六、六条救场规则

写镜头看得见的东西，别写含义：「雨水打湿的霓虹在她皮夹克上反光」胜过「都市忧郁的氛围」
画面里要出现的文字，原样加引号写出：手机屏幕显示"立即开始"
提示词不是越长越好——官方示例中位长度约 130 字，结构完整比堆砌重要
第一次测试：一个主体 + 一个动作 + 一种运镜。跑通了再逐个加参考、台词、转场
首尾帧模式：图片已经承载外观，文字只需描述「两帧之间发生什么」，重复描述图片是浪费
单条台词建议不超过 30 字，口型匹配度最好

六·补、长参考视频自动降级

上传超过 20 秒的参考视频时，平台自动抽取 2 帧剧情关键帧作为图参考（图1=开场、图2=中段剧情）并补全剧情，不再把整段视频送入工作流——这是防止显存溢出的保护机制，无需客户处理。20 秒以内的参考视频正常整段驱动。

七、专业模式：raw（平台不碰你的提示词）

平台不会把内部控制文本拼接进客户 prompt；控制项通过工作流和结果质检处理（防字幕乱码、音质保护、机位稳定等），对绝大多数客户更稳。如果你是专业用户、希望提示词一字不改直送模型，提交时加参数：

POST /v1/videos
{
  "model": "minimax-h3",
  "prompt": "你的完整提示词（平台零追加、零改写）",
  "prompt_mode": "raw",
  "size": "720P", "seconds": 15
}

注意：raw 模式下平台不做任何兜底——防字幕、音质、机位等全部由你自己的提示词负责；自动台词配音也不会触发，需要人声请显式上传音频（audio）或使用音色克隆参数。建议先用默认模式跑通，再切 raw 精细调优。

八、平台参数速查

参数	取值	说明
`size`	576 / 720P / 768P / 480P（横屏加 -l）	新项目使用官方 V2 的 resolution 字段
`seconds`	5–15	实测 15 秒稳定
`subtitle`	true / false	字幕默认关闭；模型可能自行生成画面文字，平台不保证模型完全遵循
`prompt_mode`	raw	专业模式，平台不追加任何指令
`voice_mode`	platform（默认）/ model	台词语音来源：平台配音或模型原生生成
`image_uploads` 对象式	[{"id":"素材id","role":"character","note":"补充说明"}]	导演台式分工：role 可选 face(换脸) / character(角色) / clothes(换装) / product(产品) / scene(场景) / style(画风)，note 自由补充
`voice_instruct`	文本，如"兴奋激动，语速加快"	配音情绪指令（平台配音与 voice 克隆均生效）
`voice_text`	文本 ≤500 字	audio_mode=voice 时要朗读的台词
`ref_mode`	first（默认）/ last / prompt	首帧锚定 / 尾帧锚定 / 提示词优先
`audio_mode`	track（默认）/ voice	track=上传音频作为成片音轨；voice=克隆参考音频的音色念 voice_text
`seed`	整数	同种子+同提示词可复现构图

参考来源：MiniMax H3 官方提示词手册（h3-prompt-writing SKILL / VIDEO_PROMPT_WRITING_GUIDE）与官方平台文档，已按本平台接口实际行为校对。