MiniMax H3 Max Text-zu-Video-Prompt-Rezepte (für Entwickler)

Woraus ein guter Text-zu-Video-Prompt besteht

Ein Text-zu-Video-Prompt ist kein Satz. Er ist eine kleine Konfigurationsdatei, geschrieben in natürlicher Sprache. Wenn das Ergebnis nicht stimmt, ist die wirklich nützliche Frage nie „Ist der Prompt gut?“, sondern „Welcher Teil des Prompts hat versagt?“. Diese Frage lässt sich nur beantworten, wenn der Prompt Bestandteile hat, auf die man zeigen kann.

Betrachte jeden Prompt als sechs voneinander unabhängige Blöcke:

• Subjekt – wer oder was im Bild ist, spezifisch genug, um über mehrere Generierungen hinweg konsistent zu bleiben (Art, Material, Kleidung, Altersgruppe, erkennbare Merkmale).
• Aktion – was das Subjekt tut, in der Reihenfolge des Geschehens. Das ist eine Beat-Tabelle, keine Stimmung.
• Szene – Ort, Tageszeit, Wetter, Hintergrundaktivität und Lichtquelle.
• Kamera – wo die Kamera steht, wie sie sich bewegt, mit welchem Tempo. Das ist etwas anderes als die Szene und sollte eine eigene Zeile haben.
• Dauer – wie lange der Clip dauern soll, was implizit bestimmt, wie viele Aktions-Beats hineinpassen.
• Auflösung – die Ausgabestufe, auf die diese Generierung abzielt.

Der Grund, diese Blöcke physisch zu trennen – eine Zeile pro Block oder ein beschriftetes Segment pro Block –, ist, dass Videogenerierung ein multivariates Optimierungsproblem ist und man pro Experiment nur eine Variable bewegen kann. Wenn Subjekt, Kamera und Dauer in einem flüssigen Text verflochten sind, ändert man beim Ändern der Kamera gleichzeitig die Formulierung des Subjekts und den Rhythmus des Satzes, und man kann nie mehr sagen, welche Änderung das andere Ergebnis bewirkt hat.

Getrennte Blöcke halten auch wiederholtem Editieren besser stand. Ein Subjekt-Block lässt sich über zehn Shots derselben Szene wiederverwenden. Ein Kamera-Block lässt sich austauschen wie ein Objektiv. Ein Dauer-Block lässt sich erhöhen oder verringern, ohne die Aktion neu zu schreiben. In Prosa geschriebene Prompts müssen jedes Mal von Grund auf neu geschrieben werden; in Blöcken geschriebene Prompts lassen sich Punkt für Punkt vergleichen.

Ein letzter Punkt, den man sich merken sollte: Diese Blöcke sind nicht gleich mächtig. Änderungen an Subjekt und Aktion sind meist mit bloßem Auge sichtbar und intuitiv verständlich. Änderungen an Kameraformulierung und Dauer sind die Quelle der meisten unerwarteten Ergebnisse, und zwar in beide Richtungen – eine Präposition kann die Bildkomposition umdrehen, eine Daueränderung kann stillschweigend den letzten Aktions-Beat löschen. Verteile deine Aufmerksamkeit entsprechend und gib Kamera und Dauer jeweils einen justierbaren Platz, statt sie in Adjektiven zu vergraben.

Alles im Folgenden baut auf dieser Struktur auf. Ein Rezept ist nichts anderes als eine gut strukturierte Gruppe von Blöcken, die man kopieren und bearbeiten kann.

Woraus ein direkt kopierbares Rezept besteht

Ein Rezept ist eine Prompt-Vorlage mit beschrifteten Slots. Kopiere sie, fülle die Slots aus, sende sie ab, und du erhältst ein Ergebnis, das du mit der nächsten Version vergleichen kannst, weil die Struktur sich nie geändert hat.

Nutze das folgende Gerüst als Grundlage für jedes Experiment:

SUBJECT: <who/what, with 2–3 identifying details>
ACTION: <beat 1> -> <beat 2> -> <beat 3>
SCENE: <location>, <time of day>, <light source>, <background activity>
CAMERA: <position>, <movement>, <pace>
DURATION: <target length>
RESOLUTION: <tier for this pass>

Zwei Regeln machen diese Vorlage wirklich nützlich, statt nur eine Formalität zu sein.

Trenne die Slots, die sich ändern, von denen, die fest bleiben

In einem typischen Projekt sind SUBJECT und SCENE deine stabile Basis – du drehst in vielen Shots dieselbe Figur, denselben Ort. ACTION, CAMERA, DURATION und RESOLUTION sind die Variablen jedes einzelnen Shots. Markiere sie im Kopf als „fest“ und „variabel“ und bewege beim Experimentieren nur die variablen. Wenn ein Ergebnis unerwartet ist und du in diesem Durchlauf auch die Subjektbeschreibung geändert hast, hast du einen Test verschwendet.

Schreibe ACTION als Beats, nicht als Adjektive

Eine Beat-Liste gibt dir etwas, das du gegen die Dauer abzählen kannst. walks in -> sets down a box -> looks up sind drei Beats; wenn der Clip nur zwei davon enthält, weißt du, dass der Shot zu voll gepackt oder die Dauer zu kurz ist. a busy, dynamic scene lässt sich dagegen mit nichts abgleichen. Adjektive gehören zum Rhythmus von SCENE und CAMERA; sie beschreiben Textur statt Reihenfolge.

Behalte die Labels im Prompt

Diese Großbuchstaben-Labels dienen dem Modell ebenso wie deiner eigenen Buchführung. Sie machen Unterschiede in einem Änderungsprotokoll lesbarer, lassen fehlende Felder sofort auffallen und verhindern, dass Prompts im Laufe aufeinanderfolgender Überarbeitungen zu Prosa verkommen. Wenn das Modell beschriftete Segmente gut verarbeitet, behalte sie; wenn es flüssige Sätze bevorzugt, entferne die Labels im finalen Durchlauf, aber behalte sie in deiner Aufzeichnung, um die Aufzeichnung strukturiert zu halten.

Ein vollständig ausgefülltes Beispiel:

SUBJECT: ceramicist in her 40s, clay-dusted apron, hair tied back
ACTION: lifts a wet bowl off the wheel -> turns it to inspect -> sets it on the shelf
SCENE: small studio, late afternoon, single window light from the left, dust in the air
CAMERA: medium close-up at wheel height, slow push in, unhurried pace
DURATION: short pass
RESOLUTION: draft tier

Das ist das gesamte Format. Jedes folgende Rezept ist dieses Gerüst plus jeweils ein Slot als Testobjekt.

Rezept: Die Dauer steuern

Die Dauer ist kein Schieberegler, der eine Szene verlängert. Sie verändert, was eine Szene aufnehmen kann. Ein kurzer Clip ist eine Aktion; ein längerer Clip ist eine Sequenz mit Anfang, Mitte und Ende, und wenn du diese Sequenz nicht ausschreibst, füllt das Modell die Lücken selbst mit Erfundenem oder lässt einen Beat fallen.

Stimme deine ACTION also auf die angeforderte Dauer ab, und schreibe die Dauer explizit hin, statt sie dem Standardwert zu überlassen.

Rezept für kurze Clips (eine klare Aktion)

SUBJECT: <consistent subject block>
ACTION: single continuous gesture — <the one thing that happens>
SCENE: <stable scene block>
CAMERA: <fixed position, minimal movement>
DURATION: brief clip, one action beat
RESOLUTION: <current test tier>

Kurze Clips belohnen Zurückhaltung. Eine Aktion, eine Kameraiidee, keine Nebenhandlungen im Hintergrund. Wenn das Subjekt ins Bild kommen muss, ist dieses Hineinkommen die Aktion; fordere nicht gleichzeitig noch eine Drehung und eine Geste.

Rezept für längere Clips (geordnete Beats)

SUBJECT: <consistent subject block>
ACTION: beat 1 -> beat 2 -> beat 3 (in this order)
SCENE: <stable scene block, plus any change over time>
CAMERA: <movement that supports the beats>
DURATION: extended clip, three beats
RESOLUTION: <current test tier>

Längere Clips brauchen eine klare Reihenfolge und eine begrenzte Anzahl von Beats. Für einen einzelnen durchgehenden Shot sind drei Beats ein vernünftiges Ziel; wenn du fünf brauchst, frag dich zuerst, ob du nicht eigentlich zwei Shots beschreibst. Entscheide außerdem, welcher Beat die zusätzliche Zeit verdient – meist der mittlere, denn der erste etabliert, der letzte schließt ab.

Wie die Dauerformulierung den Rhythmus verändert

Zwei praktische Beobachtungen aus dem Ausführen dieser Rezepte:

• Das Tempo mit Worten zu beschreiben ist ebenso wichtig wie die Länge selbst. unhurried, continuous, in one take und quickly verändern die Verteilung derselben Beat-Liste im Clip. Dieselbe Liste mit drei Beats, als unhurried versus als quickly markiert, ergibt zwei verschiedene Shots, nicht zwei verschiedene Längen.
• Wenn ein Beat fehlt, verlängere zuerst die Dauer und erwäge erst dann, Aktionen zu streichen. Wenn dein letzter Beat immer abgeschnitten wird, ist die übliche Korrektur, ihm mehr Raum zu geben, statt Beats zu reduzieren – vorausgesetzt, alle drei Beats sind unverzichtbar.

Halte die Dauer fest, während du alles andere testest

Genau diese Disziplin macht Rezepte nützlich. Die Dauer verändert den Rhythmus, der Rhythmus verändert, wie sich die Kamerabewegung anfühlt, und die Kamera beeinflusst wiederum, wie sich die Aktion zu entfalten scheint. Wenn du beim Testen der Kamera die Dauer variieren lässt, machst du Fehler bei der Zuordnung. Sperre sie, halte sie fest, und erst dann ändere den nächsten Slot.

Dieselbe Logik gilt für die Auflösung, das Thema des nächsten Rezepts.

Rezept: Die Auflösungsstufe wählen

Auflösung ist zuerst eine Entscheidung über Kosten und Iterationsgeschwindigkeit, erst dann eine über Bildqualität. Der Prompt ändert sich zwischen den Stufen kaum; was sich ändert, ist, wie viele Versuche du dir leisten kannst und wie schnell du erkennst, ob eine Prompt-Idee überhaupt trägt.

Denke in zwei Stufen: eine Entwurfsstufe zum Erkunden und eine Finalstufe zur Auslieferung. Die konkreten Werte stehen in der Parameterdokumentation des Modells – hier geht es um den Workflow, nicht um Zahlen.

Rezept für die Entwurfsstufe

SUBJECT: <subject block>
ACTION: <beat list>
SCENE: <scene block>
CAMERA: <camera block>
DURATION: <short test length>
RESOLUTION: draft tier

Entwurfsläufe beantworten Fragen auf der Ebene der Bildkomposition: Ist das Subjekt erkennbar? Ist die Kamerabewegung ablesbar? Sind alle Beats vorhanden? In einer niedrigen Stufe kannst du in der Zeit, die ein finales Rendering braucht, mehrere Varianten durchlaufen lassen, und genau das brauchst du am meisten, solange der Prompt noch in Bewegung ist.

Rezept für die Finalstufe

SUBJECT: <locked subject block>
ACTION: <locked beat list>
SCENE: <locked scene block>
CAMERA: <locked camera block>
DURATION: <delivery length>
RESOLUTION: final tier

Achte auf das Wort gesperrt. Der Aufstieg in die Finalstufe ist die Beförderung eines bereits validierten Prompts, kein weiteres Experiment. Ändere nichts außer Auflösung und Dauer; wenn die Bildkomposition des finalen Renderings von deinem Entwurf abweicht, weißt du, dass irgendetwas am Prompt auflösungsempfindlich ist, und das ist es wert, festgehalten zu werden.

Stufe nach Anwendungsfall wählen

• Erkundung und interne Reviews – Entwurfsstufe. Du prüfst die Struktur, nicht die Feinheit.
• Prompt-Regressionstests – Entwurfsstufe. Günstig genug, um nach jeder Änderung zu laufen.
• Kundenlieferung oder Einbettung – Finalstufe, und zwar erst, nachdem der Entwurf die Absicht bestätigt hat.
• Hintergründe oder stark beschnittene Elemente in Kompositen – wenn das Element nur einen kleinen Teil des Bildes einnimmt, reicht möglicherweise die Entwurfsstufe.

Warum das Testen in niedriger Stufe tatsächlich Zeit spart

Der teure Fehlermodus bei Text-zu-Video ist, den falschen Shot schön und hochauflösend zu rendern. Jede Minute, die du in die Politur einer Bildkomposition steckst, die ohnehin verworfen wird, ist verschwendet, und in einer höheren Stufe vervielfacht sich diese Verschwendung, weil Versuche langsamer sind. Iteration in der Entwurfsstufe zieht die billigen Entscheidungen nach vorn – Subjektklarheit, Beat-Anzahl, Kamerarichtung – und überlässt die teure Stufe der Bestätigung.

Eine Einschränkung: Entwirf nicht in einer so niedrigen Stufe, dass feine Details nicht beurteilbar sind. Wenn dein Shot von einem kleinen Requisit oder einem Gesichtsausdruck abhängt, lässt sich dieses Detail möglicherweise erst in einer höheren Stufe bewerten, und für solche spezifischen Prüfungen solltest du früher in eine höhere Stufe wechseln.

Rezept: Kameraformulierungen, die den Shot wirklich verändern

Wenn du nur eine Sache aus dieser Anleitung mitnimmst, dann diese: Kameraformulierungen beeinflussen das Ergebnis fast mehr als jedes Adjektiv, das du an das Subjekt hängen kannst. Zwei Prompts mit identischem Subjekt, identischer Aktion und identischer Szene, die sich nur im Kamera-Block unterscheiden, sind zwei verschiedene Shots. Zwei Prompts, die sich nur in einem Haufen Stimmungsadjektive unterscheiden, sind oft derselbe Shot.

Das macht den Kamera-Block zum Slot mit dem größten Hebel – und zum Slot, bei dem es sich am meisten lohnt, jeweils nur eine Phrase zu testen.

Bewegungsmuster

CAMERA: static, locked off
CAMERA: slow push in
CAMERA: slow pull out
CAMERA: lateral tracking left to right
CAMERA: handheld follow behind the subject
CAMERA: orbit around the subject, quarter turn

Jede der obigen Zeilen ist ein vollständiger, direkt kopierbarer Kamera-Block. Sie sind bewusst kurz gehalten. Lange Kamerassätze enthalten oft zwei konkurrierende Anweisungen (push in while orbiting), und wenn sie kollidieren, wählt die Ausgabe halb zufällig eine davon.

Winkel-Muster

CAMERA: eye level, medium shot
CAMERA: low angle, close on hands
CAMERA: high angle, wide, subject small in frame
CAMERA: over-the-shoulder from behind the subject

Der Winkel ist der Ort, an dem die Bildabsicht sitzt. „Close on hands“ und „subject small in frame“ sind keine Stimmung – sie sind Entscheidungen darüber, was das Publikum sehen kann, und sie verändern den Shot weit mehr als cinematic.

Tempo-Muster

CAMERA: unhurried, deliberate movement
CAMERA: brisk, follows the action closely
CAMERA: settles and holds on the final beat

Das Tempo gehört in den Kamera-Block, nicht in den Aktions-Block. Es beschreibt, wie sich die Kamera verhält, und ist das sauberste Mittel, damit lange Shots strukturiert statt ziellos wirken.

Ersetze jeweils nur eine Phrase

So machst du Kameraformulierungen lesbar:

1. Schreibe einen Basis-Prompt und fixiere Subjekt, Aktion, Szene und Dauer.
2. Führe diesen Basis-Prompt mit CAMERA: static, locked off aus.
3. Ändere nur die Kamera-Zeile – pro Lauf nur eine Stelle.
4. Behalte den Clip jedes Laufs und beschrifte ihn mit der verwendeten Kamera-Phrase.

Nach vier oder fünf Läufen hast du ein persönliches Phrasenhandbuch: Du weißt, was slow push in bei deinem Subjekt in deiner Szene bewirkt, und das ist wertvoller als jede allgemeine Liste. Mach das einmal pro Projekt, und dieses Phrasenhandbuch trägt dich durch jeden folgenden Shot.

Zwei Fehlermuster

• Gestapelte Anweisungen. push in, then orbit, then pull out in einem kurzen Clip zu schreiben bedeutet, drei Kamerabewegungen zu verlangen, die nicht in die Dauer passen. Gib pro Shot nur eine Bewegung an.
• Durch Adjektive ersetzen. Ein Stimmungswort (dramatic, dynamic, epic) anstelle einer Kamerabewegung legt keine Kamera fest. Wenn im Kamera-Block nichts steht, wo die Kamera ist und was sie tut, lässt du den wichtigsten Slot leer.

Echte Ausgaben einbetten und vergleichen

Ein Rezept ist nur nützlich, wenn du beurteilen kannst, ob Version B Version A schlägt. Das erfordert einen Versuchsaufbau – eine kleine, langweilige Routine, die Ausgaben hervorbringt und anordnet, damit der Vergleich mechanisch statt nach Gefühl erfolgt.

Du brauchst kein Tool, du brauchst Disziplin und einen Ordner.

Der Versuchsaufbau in fünf Schritten

1. Fixiere alles, was du nicht testest. Schreibe eine baseline.md mit den Subjekt-, Aktions-, Szenen- und Dauer-Blöcken, die in diesem Experiment konstant bleiben. Jeder Lauf der Charge kopiert diese Blöcke wortwörtlich.
2. Benenne die Variable. Ändere pro Lauf nur einen Slot. Wenn du Kameraformulierungen testest, ist die Kamera-Zeile das Einzige, was sich zwischen den Dateien unterscheidet.
3. Erzeuge die Charge. Alle Varianten laufen in derselben Entwurfsstufe und mit derselben Dauer, damit der Vergleich fair ist.
4. Ordne sie an. Spiele die Clips jedes Mal in derselben Reihenfolge nacheinander ab oder lege sie in einem einfachen Raster nebeneinander. Die Reihenfolge ist wichtig – das Auge vergleicht leichter, wenn die Position über mehrere Betrachtungen stabil bleibt.
5. Notiere für jede Variante ein Fazit. Ein Satz pro Variante: was geändert wurde, ob es die gewünschte Änderung war, ob du sie behalten willst.

Worauf du beim Vergleich achten solltest

• Beat-Vollständigkeit – sind alle Beats aus der Aktionsliste in der richtigen Reihenfolge vorhanden?
• Kamera-Lesbarkeit – könnte ein Zuschauer ohne Erklärung beschreiben, wie sich die Kamera bewegt?
• Subjekt-Konsistenz – ist das Subjekt über verschiedene Läufe hinweg noch als derselbe Subjekt-Block erkennbar?
• Unerwartete Änderungen – hat das Ersetzen der Kamera-Phrase stillschweigend die Szene verändert? Das ist ein Zeichen dafür, dass Blöcke ineinander lecken.

Genau diese letzte Prüfung ist der eigentliche Ertrag des Versuchsaufbaus. Wenn die Blöcke sauber sind, ändert ein Slot genau eine Sache. Wenn sie lecken, bekommst du Übersprechen, das dir eine einzelne Betrachtung nie verraten würde – und Übersprechen ist der Grund, warum sich Prompt-Iteration wie Glücksspiel anfühlt.

Halte den Versuchsaufbau klein

Vier bis fünf Varianten reichen für eine Entscheidung. Größere Chargen verdünnen die Aufmerksamkeit und verleiten zum Überfliegen. Wenn die erste Charge kein Fazit liefert, ist die Antwort meist, dass deine gewählte Variable zu subtil war, und nicht, dass du zwanzig weitere Läufe brauchst.

Schreibe die Fazits schließlich in deine Rezeptdateien zurück. Eine gewinnende Kamera-Phrase sollte in die Basisvorlage befördert werden, damit du sie nicht immer wieder neu entdecken musst.

Ein wiederholbarer Prompt-Iterations-Workflow

Das Folgende ist der vollständige Zyklus, zusammengesetzt aus den vorherigen Rezepten. Er ist bewusst unspektakulär, und genau das entscheidet, ob deine Prompt-Bibliothek stetig besser wird oder allmählich abdriftet.

Schritt 1 – Blöcke entwerfen

Fülle die Vorlage einmal aus: Subjekt, Aktions-Beats, Szene, Kamera, Dauer, Auflösung. Poliere nicht. Die erste Version existiert, um geändert zu werden.

Schritt 2 – Günstig und kurz laufen lassen

Generiere in der Entwurfsstufe mit kurzer Dauer. Du kaufst dir Informationen über Bildkomposition, Beat-Anzahl und Kamera-Lesbarkeit – mehr nicht. Führe zwei oder drei Varianten aus, die sich jeweils nur in einem variablen Slot unterscheiden.

Schritt 3 – Gewinner auswählen und sperren

Wenn eine Variante bewirkt, was du willst, kopiere ihren exakten Text in eine Datei unter locked/. Sperren bedeutet, dass du diese Datei nicht mehr bearbeitest; spätere Experimente zweigen von ihr ab, statt sie in place zu ändern. Diese eine kleine Gewohnheit verhindert den häufigsten Verfall: dass man eine gute Version verliert, weil man ständig in place nachjustiert.

Schritt 4 – In die finalen Einstellungen befördern

Ändere nur Dauer und Auflösung auf die Lieferwerte und rendere. Wenn das Endergebnis einen relevanten Unterschied zum Entwurf aufweist, halte diesen Unterschied fest – das zeigt, dass der Prompt auflösungs- oder dauerempfindlich ist, und du willst vor dem nächsten Projekt wissen, welche Slots fragil sind.

Schritt 5 – Alles protokollieren

Jeder Lauf bekommt einen Eintrag. Das Log ist das Artefakt, das diesen Workflow erst Zinseszins erzeugen lässt. Die Mindestfelder:

id: shot03_v2
template: studio-ceramics
variable_tested: camera
prompt: <full prompt text, verbatim>
duration: <value used>
resolution: <tier used>
verdict: <one sentence — what changed, keep or discard>
artifact: <clip path>

Drei Regeln machen das Log vertrauenswürdig. Protokolliere nur den wortwörtlichen Prompt-Text – Paraphrasen sind nicht reproduzierbar. Jeder Eintrag enthält nur eine Variable – sonst kann das Log nicht beantworten: „Warum hat das funktioniert?“. Jeder Eintrag enthält einen Clip-Pfad – ein Fazit ohne Artefakt ist nur eine Meinung.

Schritt 6 – Zu einem Phrasenhandbuch destillieren

Lies alle paar Projekte das Log und extrahiere, was wiederholt gewinnt – Kamera-Phrasen, Formen von Beat-Listen, Szenen-Blöcke – in eine gemeinsame Datei eines Phrasenhandbuchs. Das Handbuch ist dein wiederverwendbares Wissen; das Log ist die Beweislage dahinter.

Warum die Reihenfolge wichtig ist

Erst günstig iterieren, dann sperren, dann befördern, dann protokollieren: Jeder Schritt hängt von der Disziplin des vorherigen ab. Ohne Sperren testet die Beförderung ein bewegliches Ziel. Ohne Protokollierung hat das Sperren keine Grundlage. Ohne günstige Entwürfe kannst du dir nicht genug Läufe leisten, um etwas zu erzeugen, das es wert ist, gesperrt zu werden.

Führe diesen Zyklus über die einheitliche API von HiAPI.ai für MiniMax H3 Max Text-zu-Video aus, und speichere den Prompt-Text und die Parameterwerte in deinem eigenen Repository, damit jeder Erfolg reproduzierbar bleibt.