幀和參考圖不能混用
一次請求要嘛以幀為主，要嘛以參考圖為主。如果你同時需要固定的首幀和好幾張參考圖，請決定由哪一個定義外觀，另一個則寫進提示詞文字裡。
176積分
剩餘積分：
公開
BestAIVideo
用文字、幀畫面或你自己的音訊拍出 MiniMax H3 影片
MiniMax H3 能把一份文字需求變成 4 至 15 秒的影片，並隨畫面一起生成立體聲。在這裡，你可以從單純的文字開始，用首幀與尾幀固定一個鏡頭，或把參考圖片與音訊片段交給模型，提交之前再確認積分花費。
MiniMax H3 讓你控制什麼
它會同時讀取文字、圖片和音訊，所以同一個生成器，既能應付空白頁的點子，也能處理分鏡畫面，還能依你自己的聲音營造氛圍。以下是實務上最重要的控制項。
開始一個鏡頭的三種方式
可以選文生影片、必須提供首幀且尾幀可選的幀生成，或是搭配一到五張圖片的全能參考。每個模式只會顯示它用得到的輸入項目。
測試用 768P，成品用 2K
先用 768P 快速試構圖，當毛髮、布料或文字需要在大螢幕上經得起檢視時，再把同一份需求切換成 2K。預設選取的是 2K。
4 到 15 的整數秒長度
可以選擇 4 到 15 秒之間的任何整數時長，讓產品亮相、轉場或一小段場景，剛好得到它所需要的空間。
與畫面同時到位的聲音
對白、環境聲、音效和音樂會以立體聲與影片一起生成。不必到處找音訊開關，聲音的方向應該寫在你的提示詞裡。
如何下鏡頭需求
MiniMax 表示，在 H3 上提示詞的結構比在多數影片模型上更重要，因為是由多模態語言模型來讀你的需求。請把它當成簡短的拍攝筆記，而不是一串標籤。
說明這個鏡頭是什麼
先用一句話寫出主體和場景，再寫要發生的那一個動作。只有一個主體、一個動作的鏡頭，比擁擠的場面更容易判斷。
每張參考圖只給一項任務
在全能參考中，要說明每張圖片的貢獻：角色、產品、場景或風格。音訊檔案也是同樣的做法，不論它提供的是人聲、音樂還是環境聲。
在描述之後加上鏡頭註記
MiniMax 文件中提到，可在場景文字之後加上簡短的方括號鏡頭提示，例如 [pan]、[zoom] 和 [static]。每支影片只用一個運鏡。
把配樂寫進需求裡
把每句對白、音效或音樂提示，放在它所屬的動作旁邊。提示詞最多可寫到 7,000 個字元，足夠容納一份有時間點的聲音規劃。
生成之前值得研究的三個鏡頭
冠蜥的 2K 微距肖像
在黑色背景的襯托下，這支影片展示了 2K 如何讓每一片鱗片、半透明的眼瞼和反光的虹膜保持清晰，同時動物在呼吸、眨眼和彈出舌頭。它的提示詞點名了光線、對焦深度，以及那一個自然的動作。
沿著復古未來風高塔向上攀升
鏡頭爬過一排排重複的窗戶和垂掛的燈具，綠色與洋紅色的光線在金屬牆面上滑過。提示詞把聲音寫成一條路徑，從電梯的嗡嗡聲，到纜線在立體聲場中喀啦作響，這正是 H3 能夠遵循的指示。
十五秒的新黑色電影片頭
旋轉的唱片、被雨淋濕的火車和一份紅色證物夾，與動態字體和網點質感剪接在一起。對於靠節奏和匹配剪輯、而不是單一連續動作的影片，這是個實用的範本。
製作筆記
依動作規劃時長
4 秒的影片只放得下一個手勢。超過 10 秒，才有餘裕加入第二個節拍或剪輯切換，但要依序寫出來，這樣模型就不必猜接下來會發生什麼。
把聲音當成獨立的一輪來檢查
先把影片靜音，只判斷動態，再把畫面遮起來，專心聽。把兩者分開，時間點和平衡的問題會更容易聽出來。
積分花在哪裡最值得
片頭與氛圍短片
為提案簡報或影展預告，用一則提示詞同時處理畫面和聲音，做出帶有字體、剪輯與音樂律動的 15 秒開場。
會動的商品頁
從首幀讓產品圖動起來，或加上尾幀，讓產品停在你的版面所預期的位置。
直式海報與主視覺
用 9:16 的比例，讓角色圖有緩慢的鏡頭漂移、呼吸般的循環，或是光線的輕柔變化。
活動素材的各種變化
把同一組參考圖，搭配幾份不同的需求，在確定其中一個方向之前，先測試色調、鏡頭和音樂的走向。
遊戲與動畫預視
用 768P 勾勒過場動畫的一個節拍、一個介面時刻或一個生物的登場，再只把核准的鏡頭用 2K 完成。
附旁白提示的解說影片
把清楚的畫面步驟，搭配一句台詞或一個音效，讓簡短的概念課程一出爐，就已經配好了聲音。
MiniMax H3 常見問題解答
MiniMax H3，也稱為 Hailuo 3.0 或 Hailuo 03，是 MiniMax 的多模態影片模型。它把文字、圖片和音訊當成同一個脈絡來讀取，並回傳同時生成立體聲的影片。
有文生影片、幀生成和全能參考。幀生成需要首幀，尾幀可選。全能參考至少需要一張圖片，最多可放五張，另外最多可加三個選填的音訊檔。
還在決定構圖和動態時，用 768P，因為這是比較便宜的反覆調整方式。最後一輪再換成 2K，尤其是在質感、小字或產品細節很重要的時候。
4 到 15 秒之間的任何整數秒。預設是 6 秒，適合單一動作；較長的長度則留給有剪輯切換或聲音逐步堆疊的段落。
會。人聲、環境聲、音效和音樂會以立體聲隨影片一起生成，所以除非你想用自己的音訊參考來引導聲音，否則不需要上傳任何東西。
可以。上傳首幀作為鏡頭的開始，或加上尾幀，讓影片在兩個明確的樣貌之間推進。畫幅比例會依照你上傳的幀。
一到五張 JPG、PNG、WebP、HEIC 或 HEIF 格式的圖片，以及最多三個 WAV 或 MP3 檔案。圖片是必要的，比例可以設為自適應，讓輸出依照你的參考圖。
文字生成提供 21:9、16:9、4:3、1:1、3:4 和 9:16，預設為 16:9。參考模式多了一個自適應選項，幀模式則依照上傳的圖片。
先描述主體和場景，再寫一個動作，接著是運鏡，最後是聲音。可以在場景文字後面加上 [static] 或 [pan] 這類簡短的方括號提示，而且每張參考圖都該有明確的用途。
使用乾淨、光線充足、主體沒有被截掉的圖片，並讓它們的風格保持一致。把音訊中的空白修剪掉，讓人聲、音樂提示或環境聲底層容易辨認。
先檢查身分和構圖，再看動作是否在選定的長度內完成。接著看鏡頭的連貫性、手部和細節，最後才是對白的時間點和立體聲的平衡。