用文字导演一场戏

MiniMax H3 文生视频怎么用

文生视频是进入 MiniMax H3 最快的方式。你写一段导演式的描述，H3 一次性渲染出整个镜头——主体、运镜、光线，以及与画面匹配的立体声轨——原生 2K 输出。没有单独的配音步骤，也不需要额外放大。模型把提示词当作导演阐述而不是关键词堆砌，所以你对运动和构图描述得越精确，结果越接近预期。

写出 H3 能真正执行的提示词

1. 1

   先说清主体和场景

   开头就交代画面里是谁、在哪。"一个穿霓虹黄夹克的女人走在夜市里"给了 H3 具体锚点，"一个人在外面"没有。

2. 2

   描述镜头，不只是场景

   H3 对镜头语言直接响应。写"缓慢推镜""手持跟拍""固定全景"。不写的话模型会自己选运动方式，每次结果都不一样。

3. 3

   把你想听到的声音也写进去

   声音和画面一起生成，所以要点名。"雨点打在帆布棚上，远处人声嘈杂"和默认留白得到的音轨完全不同。

真正影响成片的几个选择

提示词上限是 7000 字符，但长度不是质量的决定因素。下面四个选择比堆形容词有用得多：

• 时长：4-6 秒能干净地完成一个连续动作。10-15 秒给 H3 留出分镜空间，多镜头一致性正是在这个长度体现出来的。
• 画幅：生成前就定，不要事后改。横屏和电影感用 16:9，Shorts 和 Reels 用 9:16，宽银幕用 21:9。
• 光线和时间：写"黄金时刻逆光"或"顶部荧光灯"会改变整个影调，事前指定比事后补救便宜得多。
• 一个片子一个动作。把两件不相干的事塞进一条提示词，通常得到的是两者模糊的折中而不是各自完整。

一个完整示例

这条提示词产出的是稳定的多镜头结果，而不是一个好看的单帧：

一个穿霓虹黄夹克的年轻女子穿过灯笼节，分四个镜头，急促的手持跟拍，特写与人群全景交替，面容和服装保持一致，浓烈的夜间氛围，远处鼓声与人声。

它有效是因为同时固定了四件事：主体与服装（所以切镜时脸不会变）、镜头数量、拍摄风格、声音底噪。少写任何一项，H3 就会自己填空。

常见问题

MiniMax H3 的提示词该写多长？

上限是 7000 字符，但效果好的提示词大多在 30-80 个词之间。超过这个长度，多余的描述反而互相打架。优先写主体、运镜、光线和声音，而不是叠形容词。

文生视频能生成多长？

单次生成 4 到 15 秒。短片段适合一个连续动作；10-15 秒给模型留出切换镜头的空间，同时保持同一个角色。

文生视频带声音吗？

带。MiniMax H3 在同一次生成中输出与画面同步的立体声——环境音、音效、与动作匹配的声响。在提示词里描述声音就能控制生成什么。