MiniMax H3 提示词完全指南：5 种模式 + 六段式结构
non_diegetic_music，没有配乐就写 N/A。
写对格式，永远比堆形容词重要。
为什么格式比形容词更重要
H3 是画面与声音联合生成模型：一次生成里，运镜、对白、音效、配乐要在一段文本中各自归位。 ComfyUI 官方文档的说法是「H3 的多模态训练成果正是在 prompt 里兑现：镜头、运镜、对白、音效都住在同一个 prompt block 里」。 因此 H3 的 prompt 本体是一条时间轴：第几秒发生什么、谁在第几秒说了哪句话、环境里有什么持续的声音、配乐什么时候淡出。 这些信息一旦写错位置——比如把台词塞进环境音字段——模型就会收到互相矛盾的两份指令。
MiniMax 官方给了两份写作指南：基础模式（T2VA、I2VA、FL2VA、L2VA）与全参考模式（R2V，社区也写作 Ref2VA）。 前者是一副共用的三字段「有声片体」，图锚定任务在前面加一行精确的对齐指令；后者不是把基础版写长， 而是先定义每个参考资产贡献什么，再在目标时间轴上记录它如何被使用。 先把任务归类、再动笔，能避免大半返工（来源：ComfyUI 提示指南页与官方两份指南）。
5 种模式对照表
| 模式 | 输入资产 | 对齐要求 | 适合场景 |
|---|---|---|---|
| T2VA 文生视频 | 无（纯文本，从零构建） | 无对齐指令，直接以 integrated_multimodal_description 开头 |
只有创意或分镜脚本、不锁定任何画面时；需要模型自建完整视听时间轴 |
| I2VA 图生视频 | 1 张图，作为精确首帧 | 在核心三字段之前加首帧对齐句（官方原文）：For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. |
让静态人物、产品、场景动起来；要求身份、服装、构图与空间关系保持不变 |
| FL2VA 首尾帧 | 2 张图，首帧 + 尾帧 | Picture 1 对齐 0.00 秒，Picture 2 对齐精确结束时间（S.SS）；官方建议单镜头，重点写两帧之间的可见变化路径 | 状态 A→B 的过渡：产品演示、姿态变化、需要精确收尾的镜头 |
| L2VA 尾帧倒推 | 1 张图，作为精确尾帧 | <Picture 1>（from [Shot N]）对齐精确结束时间；先推断一个合理的前置状态，让动作、构图与光线逐步收敛到尾帧 |
结局必须定格在你给的画面：产品落位、杯子碎裂、人物闭眼等 |
| Ref2VA 多参考（官方称 R2V / Full-Reference） | 图像 / 视频 / 音频混合参考（角色、风格、动作、音色等） | 六段式结构：subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music；先定义资产角色，再在时间轴上引用 |
角色一致性、动作与运镜迁移、音频复制或音色参考、风格与结构迁移 |
核心三字段详解
基础模式的四个任务共用同一副「有声片体」：三个字段各管一层信息。把它们写成同一段散文， 是 H3 提示词里最常见的故障源。
integrated_multimodal_description: [Shot 1] ... overall_soundscape: ... non_diegetic_music: ...
-
integrated_multimodal_description（视觉时间轴，主字段）： 写「看得见 + 听得见」的时间轴。开头先交代整体风格与初始构图 （Cinematic / live-action / 2D-animated / 3D CG / claymation / watercolor / vintage film 等）， 再写主体外观与位置、场景与关键道具、动作与反应、转场、说话人与对白、画面内的同步声音。 镜头规则：[Shot 1] 不带时间戳；后续镜头写成[Shot 2] At 00:03.500, the camera cuts to …， 切点严格递增且落在时长内；只有引入了新的主体、空间、状态、视角或时间信息才值得切镜， 单纯的远近或小角度变化请用运镜（Push In / Pan / Truck / Arc / Tracking / Static 等，可按需加with small amplitude、at slow speed，且建议写成自然动作句而不是标签堆叠）。 -
overall_soundscape（全片环境声，1–4 句）： 概括环境音 + 物理动作音 + 非语言人声：风、雨、街道底噪、脚步、布料摩擦、碰撞、呼吸、笑声等。 这里不要重复对白、歌唱或画面内音乐——它们已经在时间轴里；也不要把配乐写进来。 只有用户明确要求全片静音时才写N/A。 -
non_diegetic_music（观众独享配乐，1–3 句）： 描述角色听不到、只有观众能听到的背景配乐：乐器、速度、节奏与强弱变化， 不要用抽象情绪词代替配器与速度。没有配乐时写N/A。 角色能听到的收音机、电视、乐器、歌唱属于画面内（diegetic）事件，应留在时间轴里，而不是这里。
说话人与对白：每个真正发声的角色分配稳定 ID（S1、S2；两人齐声可用 (S1,S2)），
并跨镜头复用；身份、音色、动作与语气写在 <d> 外，
<d> 内只保留语言标签与逐字台词：
The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>。
画外音要写明是 off-screen voiceover、并说明画面人物嘴唇保持闭合；一句台词跨切点用 <scenetrans>，
被片尾截断用 <cutoff>。不说话的角色不要分配 ID。
画面可见文字：招牌、横幅、字幕、霓虹等必须出现在画面里的文字，放进英文双引号并保留原文与标点， 不要翻译。ComfyUI 文档引用的社区测试还指出：逐条列举引号内文字能保持可读，未定义的文字容易糊成乱码。
ComfyUI 附加：H3 支持标准 embedding: 语法——把风格 embedding 放进
ComfyUI/models/embeddings/ 后按文件名引用，例如 embedding:my_embedding。
Comfy-Org/MiniMax-H3 仓库的 embeddings 文件夹收录了 10 个风格 embedding（由社区成员 silveroxides 贡献，非官方出品）。
（来源：ComfyUI 官方提示指南页。）
Ref2VA 的六段式结构
全参考模式（Ref2VA / R2V）不是「更长的三字段」：它先定义每个参考资产是什么、贡献什么， 再在目标时间轴上说明它如何使用与保留。六个字段必须按顺序齐全，不用的标签可以删，必需段落不能删。
subject_definitions：定义每个可复用主体、具体帧锚点、整段视频源与音频源。 例如「<Subject 1> 是 <Picture 1> 中的女孩，保留红风衣与面部特征」。summary：一段话写任务类型（如 keyframe completion / reference generation / video editing / video continuation / audio reuse / audio reference，可组合）+ 主要参考关系。retention_analysis：逐项记录每个视觉或音频参考的保留/迁移/复制/弱参考关系，并点名具体特征。detailed_description：按播放顺序逐镜头写目标视频；风格总述放在 [Shot 1] 之前（这是与基础模式相反的排序）；在参考角色真正生效的镜头处插入标签。overall_soundscape：全片环境音与物理音，含适用的音频复制/参考关系。non_diegetic_music：观众独享配乐及其与参考音频的关系，或N/A。
| 标签 | 指向什么 |
|---|---|
<Subject N> | 从资产中提取的可复用可见内容：人、物、场景、服装、道具、界面、风格、动作、姿态、效果。它描述「内容单元」，不是上传的文件本身。 |
<Picture N> | 图片本身作为具体首帧、关键帧、尾帧、编辑帧或构图/分镜锚点被引用。 |
<Video N> | 整段源视频承担剪辑、续写，或全局运镜、剪辑、节奏、时间结构角色；从中提取的人物或动作仍记作 Subject。 |
<Audio N> | 被主动使用的音频信号：整体或部分复制，或参考其音色、音乐、词句、效果、节拍、节奏。参考视频自带声音不自动需要 Audio 标签。 |
保留关系标记（retention）：视觉侧用 fully_preserved（完整保留，须点名不变的具体特征）、
partially_preserved（保留但有部分改变，须写明改了什么）、
attribute_transfer（把动作/风格/姿态/构图等属性迁移到新主体）、
weak_reference（只跟随大致类别或氛围）；
音频侧用 fully_copy（整段源音频 1:1 作为最终音轨）、
partially_copy（只复制部分时间/图层或对复制信号增删改）、
reference（只跟随音色、演绎、节拍、音乐风格、台词内容或声音质感，不复制信号）。
三条容易踩坑的官方/社区结论：音频关系标记必须写对——ComfyUI 文档指出，fully_copy 才是把源音频 1:1
用作最终音轨，写成 reference 时 H3 只把音频当音色参考，口型会与歌词漂移（社区验证）。
六段正文官方要求用英文撰写，只有对白、歌词与画面可见文字保留原语言。典型生成任务的
detailed_description 以 350–500 英文词为参考区间（不是配额）；对白密集的片段优先保证完整台词时间轴。
此外，参考音频不能作为唯一输入，必须伴随图像或视频素材（来源：minimaxh3.cc 提示库）。
两个完整示例（可直接改写）
示例 1 · T2VA（含对白与环境音，约 5 秒）：
integrated_multimodal_description: [Shot 1] 写实电影质感，中景框住一位面馆老板在清晨掀开卷帘门。镜头慢速小幅推进，他把第一碗面放到木台上，用低而平静的声音（S1）说：<d>[Chinese] 今天的第一碗，趁热吃。</d> [Shot 2] At 00:04.000，切到汤面蒸汽升起的特写，老板的尾音从上一镜延续过来。 overall_soundscape: 卷帘门金属摩擦声停下后，清晨街道与汤锅轻沸的底噪持续；碗沿与木台轻碰一声，筷子落在桌面。 non_diegetic_music: 稀疏的钢琴单音，慢速，随后加入低音提琴长音并逐渐淡出。
示例 2 · I2VA（含首帧对齐句）：
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced. integrated_multimodal_description: [Shot 1] 写实电影质感，<Picture 1> 中的女孩停留在便利店雨棚下，雨衣颜色、站立位置与街景构图保持与图片一致。镜头小幅右移，她抬头看向积水路面，把收起的伞轻轻向前倾，用略哑的年轻女声（S1）说：<d>[Chinese] 再等一分钟，雨就小了。</d> overall_soundscape: 雨点连续打在雨棚布面上，路面积水被车轮碾过，远处霓虹灯发出轻微电流嗡鸣。 non_diegetic_music: N/A
交卷前建议按官方清单自查：对齐指令是否在首行且后空一行；S.SS 是否两位小数、[Shot N] 是否是实际最后镜头编号；切点是否严格递增且落在时长内；说话人 ID 是否跨镜头稳定、<d> 内是否只有语言标签与逐字台词；overall_soundscape 是否没有重复对白与配乐；non_diegetic_music 是否描述了配器/速度/节奏或正确写了 N/A。
常见错误 5 条
-
把对白写进
overall_soundscape。 soundscape 只装环境音、物理音与非语言人声；对白、歌唱与画面内音乐属于时间轴。 同一句台词写进两个字段，会让模型收到互相竞争的声音指令。 -
配乐与画面音混在一起。
角色听不到的配乐只进
non_diegetic_music，按「乐器 + 速度 + 节奏 + 强弱变化」描述； 角色能听到的收音机、乐器、歌唱是画面内事件，应留在时间轴。想要静音，就明确写N/A，不要靠省略。 - 镜头描述与动作冲突。 为了一个小幅变焦硬切 [Shot 2]，或运镜方向与主体动作打架，画面就会碎掉或丢掉连贯性。 只有新信息才切镜；距离与角度变化用运镜；一条镜头只保留一个明确的运镜意图。
-
忘记 N/A。
non_diegetic_music留空不写，模型可能自行补上配乐；不想要观众独享配乐时写N/A。overall_soundscape的N/A则只在明确要求全片静音时使用，两者不要混用。 -
参考资产角色不清。
只写「保持一致性」而不点名身份/产品特征、不选 retention 标记、不在时间轴上引用标签，输出就会「大体像但关键处漂移」。
正确做法：在
subject_definitions里把成功标准写成具体特征，选对 fully_preserved / partially_preserved / attribute_transfer / weak_reference， 并在每个真正生效的镜头引用对应标签。
提示词不改变硬件需求
prompt 写得再长、参考塞得再多，算力账本仍由分辨率 × 时长决定（再叠加模型、精度、步数、注意力后端等因素）。 ComfyUI 文档给出的两个「硬边框」值得记住：H3 原生画布短边为 768px（16:9 即 1344×768，分辨率取 32 的整数倍）； 时长在 24fps 下按 17 帧一块（17k+5）对齐。也就是说，2000 字的 prompt 和 200 字的 prompt， 在同分辨率、同时长下的生成时间与显存占用是一样的。
估算具体耗时用本站硬件计算器（口径为分辨率×时长矩阵估算，说明见关于页）； 想把生成时间压下来，请看哪个 LoRA 加速方案最适合你， 先解决算力，再打磨提示词，顺序不要反。
来源清单
- ComfyUI 官方 MiniMax H3 提示指南（含通用技巧、画面文字引号规则、embedding 支持与 10 个社区风格 embedding）：docs.comfy.org
- MiniMax 官方基础模式写作指南（T2VA / I2VA / FL2VA / L2VA 的提示结构与案例）：VIDEO_PROMPT_WRITING_GUIDE_base_en.md
- MiniMax 官方全参考模式写作指南（R2V 六段式、标签与 retention 标记）：VIDEO_PROMPT_WRITING_GUIDE_ref_en.md
- 官方 H3 skills（含提示词写作技能包）：github.com/MiniMax-AI/MiniMax-H3
- 字段指南与故障诊断（三字段模板、六段式模板、常见失败与修法）：minimaxh3.co/prompt-guide
- 提示库（10 条提示骨架与工作示例，Ref2VA 示例与官方结构一致）：minimaxh3.cc/prompts