帧和参考图不能混用
一次请求要么以帧为主，要么以参考图为主。如果你既需要固定的首帧，又需要好几张参考图，就决定哪一个来定义样貌，把另一个写进提示词文字里。
176积分
剩余积分：
公开
BestAIVideo
用文字、帧或你自己的音频拍摄 MiniMax H3 视频
MiniMax H3 能把一份文字需求变成 4 到 15 秒的视频，并随画面一起生成立体声。在这里，你可以从纯文字开始，用首帧和尾帧锚定一个镜头，或者把参考图和音频片段交给模型，提交之前先看到积分消耗。
MiniMax H3 给你哪些可控项
它会同时读取文字、图片和音频，所以同一个生成器既能承接一个白纸上的想法，也能承接一个分镜画面，还能承接用你自己的声音营造的氛围。下面是实际用起来最关键的控制。
三种方式开始一个镜头
可以选文生视频、帧生成（必须有首帧，尾帧可选），或者用一到五张图片的全能参考。每种模式只显示它能用到的输入。
768P 用来试稿，2K 用来定稿
先用 768P 快速试构图，当毛发、织物或文字需要在大屏上经得起细看时，再把同一份需求切换到 2K。默认选中的是 2K。
4 到 15 的整数秒时长
可以选 4 到 15 秒之间的任意整数时长，让产品揭晓、转场或一个简短的场景刚好得到它需要的空间。
声音随画面一起到来
对白、环境声、音效和音乐会以立体声与视频一起生成。不用到处找音频开关，声音的要求就写在你的提示词里。
怎样写镜头需求
MiniMax 表示，提示词的结构在 H3 上比大多数视频模型更重要，因为读取你需求的是一个多模态语言模型。把它当作一份简短的拍摄笔记，而不是一串标签。
说清楚镜头是什么
开头用一句话写主体和场景，再写那一个应该发生的动作。一个主体加一个动作的镜头，比拥挤的场景更容易评判。
每张参考图只给一项任务
在全能参考模式下，写明每张图的贡献：角色、产品、场地还是风格。音频文件也是同样的做法，说明它提供的是人声、音乐还是环境声。
把镜头说明放在描述之后
MiniMax 的文档里有简短的方括号镜头提示，比如 [pan]、[zoom] 和 [static]，放在场景文字之后。每段视频只用一个运镜。
把配乐写进需求里
把每一句台词、每一个音效或音乐提示，写在它所属的动作旁边。提示词最长可以到 7,000 个字符，足够写一份带时间点的声音计划。
生成之前值得研究的三个镜头
冠斑守宫的 2K 微距肖像
在黑色背景的衬托下，这段视频展示了 2K 怎样让每一片鳞、半透明的眼睑和反光的虹膜保持清晰，而这只动物在呼吸、眨眼、弹出舌头。它的提示词写明了光线、对焦深度和那一个自然的动作。
复古未来主义高塔上的垂直运镜
镜头向上攀升，掠过重复排列的窗户和悬挂的灯，绿色和洋红色的光在金属墙面上滑动。提示词把声音写成了一条路径，从电梯的嗡鸣到电缆在立体声场中晃动，这正是 H3 能够跟随的那类指令。
十五秒的新黑色电影片头
旋转的唱片、被雨淋湿的列车和一个红色的证据文件夹，与流动的字体和半色调纹理剪辑在一起。对于依靠节奏和匹配剪辑、而不是单一连续动作的视频，这是一个有用的范本。
制作笔记
按动作来规划时长
4 秒的视频刚好容纳一个手势。超过 10 秒，就有余地安排第二个节拍或一次剪辑，但要按顺序写出来，这样模型就不必猜接下来会发生什么。
把声音当作单独的一轮来审
先静音看一遍来判断动作，再把画面遮住听一遍。时机和平衡上的问题，在把两者分开之后更容易听出来。
积分花在哪里最值
片头与氛围短片
为提案文稿或电影节预告片制作一个 15 秒的开场，包含字体、剪辑和音乐的律动，画面和声音只用一条提示词。
会动的产品页
从首帧出发让产品展示图动起来，或者加一个尾帧，让产品停在你的版面所期望的位置。
竖版海报和主视觉
用 9:16 的画幅，给角色图加上缓慢的镜头漂移、呼吸般的循环，或者光线的轻柔变化。
营销活动的多个版本
把同一组参考图用在好几份不同的需求里，在确定一个方向之前，先测试色彩、镜头和音乐的走向。
游戏与动画预演
用 768P 勾勒一个过场动画的节拍、一个界面时刻或一个生物的登场，只把认可的镜头用 2K 完成。
带旁白提示的讲解视频
把清晰的画面步骤和一句台词或一个音效配对，让一堂简短的概念课连声音一起到位。
MiniMax H3 常见问题解答
MiniMax H3 又称 Hailuo 3.0 或 Hailuo 03，是 MiniMax 的多模态视频模型。它把文字、图片和音频作为同一个上下文来读取，并返回同时生成了立体声的视频。
有文生视频、帧生成和全能参考。帧生成需要一个首帧，并接受一个可选的尾帧。全能参考至少需要一张图片，最多五张，另外还可以加最多三个可选的音频文件。
还在确定构图和动作时用 768P，因为它是更便宜的迭代方式。最后一轮再转到 2K，尤其是当质感、小字或产品细节很重要的时候。
4 到 15 之间的任意整数秒。默认是 6 秒，适合单个动作；较长的时长留给带剪辑或声音层层递进的段落。
会。人声、环境声、音效和音乐会以立体声与视频一同生成，所以除非你想用自己的音频参考来引导声音，否则不需要上传任何东西。
可以。上传首帧来开始镜头，或者再加一个尾帧，让视频在两个确定的样貌之间过渡。画幅比例跟随你上传的帧。
一到五张 JPG、PNG、WebP、HEIC 或 HEIF 格式的图片，以及最多三个 WAV 或 MP3 文件。图片是必需的，画幅比例可以设为自适应，让输出跟随你的参考图。
文字生成提供 21:9、16:9、4:3、1:1、3:4 和 9:16，默认是 16:9。参考模式多一个自适应选项，帧模式则跟随上传的图片。
先描述主体和场景，再写一个动作，然后是运镜，最后是声音。简短的方括号提示，比如 [static] 或 [pan]，可以放在场景文字之后，并且每张参考图都应该有明确的用途。
使用干净、光线充足、主体没有被截断的图片，并让它们的风格保持一致。把音频里的静音剪掉，这样人声、音乐提示或环境底噪就容易辨认。
先看人物特征和构图，再看动作能否在选定的时长内完成。接下来看镜头的连贯性、手部和细节，最后才看台词的时机和立体声的平衡。