Recetas de prompts de texto a vídeo de MiniMax H3 Max (para desarrolladores)

Qué compone un buen prompt de texto a vídeo

Un prompt de texto a vídeo no es una frase. Es un pequeño archivo de configuración escrito en lenguaje natural. Cuando el resultado no es el esperado, la pregunta realmente útil nunca es «¿es bueno el prompt?», sino «¿qué parte del prompt ha fallado?». Solo se puede responder a esa pregunta cuando lo que has escrito tiene componentes identificables.

Considera cada prompt como seis bloques independientes:

• Sujeto (Subject): quién o qué aparece en la imagen, con suficiente concreción como para mantenerse consistente entre generaciones (especie, material, vestimenta, rango de edad, rasgos identificativos).
• Acción (Action): qué hace el sujeto, ordenado según la secuencia en que ocurre. Es una tabla de tiempos, no una atmósfera.
• Escena (Scene): lugar, hora, clima, actividad de fondo y fuente de luz.
• Cámara (Camera): dónde está la cámara, cómo se mueve y a qué velocidad. Esto es algo distinto de la escena y debería ocupar su propia línea.
• Duración (Duration): cuánto debe durar el clip y, de forma implícita, cuántos tiempos de acción caben en él.
• Resolución (Resolution): el nivel de salida al que se dirige esta generación.

La razón para separar físicamente estos bloques —cada uno en una línea, o cada uno en un fragmento etiquetado— es que la generación de vídeo es un problema de optimización multivariable, y en cada experimento solo puedes mover una variable. Si el sujeto, la cámara y la duración están entrelazados en un párrafo fluido, al cambiar la cámara también cambias la redacción del sujeto y el ritmo de la frase, y ya no puedes saber con claridad qué cambio produjo el resultado distinto.

Los bloques separados también resisten mejor la edición repetida. Un bloque de sujeto se puede reutilizar en diez planos de la misma escena. Un bloque de cámara se puede sustituir como quien cambia de objetivo. Un bloque de duración se puede subir o bajar sin reescribir la acción. Un prompt escrito en prosa hay que reescribirlo desde cero cada vez; un prompt escrito en bloques se puede comparar elemento por elemento.

Vale la pena tener presente un último punto: la potencia de estos bloques no es equivalente. Los cambios en el sujeto y la acción suelen ser visibles a simple vista e intuitivos. Los cambios en la formulación de la cámara y en la duración son la fuente de la mayoría de los resultados inesperados, y en ambos sentidos: una preposición puede dar la vuelta al encuadre, y un cambio de duración puede eliminar silenciosamente tu último tiempo de acción. Reparte tu atención en consecuencia y deja un hueco ajustable para la cámara y otro para la duración, en lugar de enterrarlos entre adjetivos.

Todo lo que sigue se apoya en esta estructura. Una receta no es más que un conjunto de bloques bien estructurados, listos para copiar y editar.

Qué compone una receta lista para copiar

Una receta es una plantilla de prompt con ranuras etiquetadas. Cópiala, rellena las ranuras y envíala, y obtendrás un resultado que puedes comparar con la siguiente versión, porque la estructura nunca cambia.

Usa el siguiente esqueleto como base de cada experimento:

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>

Hay dos reglas que hacen que esta plantilla sea realmente útil y no solo una formalidad.

Separar las ranuras que cambian de las que se mantienen fijas

En un proyecto típico, SUBJECT y SCENE son tu línea base estable: en muchos planos ruedas el mismo personaje y el mismo lugar. ACTION, CAMERA, DURATION y RESOLUTION son las variables de cada plano. Márcalas mentalmente como «fijas» y «flotantes», y al experimentar mueve solo las flotantes. Si un resultado te sorprende y en esa misma prueba también cambiaste la descripción del sujeto, has desperdiciado una prueba.

Escribir ACTION como tiempos, no como adjetivos

Una lista de tiempos te da algo que contar para la duración. entra -> deja una caja en el suelo -> levanta la vista son tres tiempos; si el clip vuelve con solo dos de ellos, sabes que el plano está sobrecargado o que la duración es demasiado corta. una escena ajetreada y dinámica no permite verificar nada. Los adjetivos pertenecen al ritmo de SCENE y CAMERA: describen textura, no orden.

Mantener las etiquetas en el prompt

Estas etiquetas en mayúsculas sirven al modelo y, a la vez, a tu propia contabilidad. Hacen que las diferencias se lean mejor en el registro de cambios, que los campos omitidos salten a la vista y que el prompt no degenere en prosa a lo largo de las modificaciones sucesivas. Si el modelo maneja bien los fragmentos etiquetados, consérvalas; si prefiere frases fluidas, quita las etiquetas en la pasada final, pero mantén las etiquetas en tu registro para que este siga estructurado.

Un ejemplo completo y rellenado:

SUBJECT: ceramista de unos 40 años, delantal manchado de arcilla, pelo recogido
ACTION: levanta un cuenco húmedo del torno -> lo gira para inspeccionarlo -> lo coloca en el estante
SCENE: pequeño taller, final de la tarde, luz única de ventana desde la izquierda, polvo en el aire
CAMERA: plano medio corto a la altura del torno, lento acercamiento, ritmo pausado
DURATION: pasada corta
RESOLUTION: nivel de borrador

Ese es todo el formato. Cada receta que sigue es este esqueleto con una ranura concreta como objeto de prueba.

Receta: controlar la duración

La duración no es un control deslizante que alarga la escena. Lo que cambia es qué cabe en una escena. Un clip corto es una acción; un clip algo más largo es una secuencia con principio, parte media y final, y si no escribes esa secuencia, el modelo inventará relleno por su cuenta o perderá un tiempo.

Por eso, haz que ACTION coincida con la duración que pides y especifica la duración de forma explícita en lugar de dejarla al valor por defecto.

Receta para clips cortos (una acción clara)

SUBJECT: <bloque de sujeto consistente>
ACTION: un único gesto continuo — <lo único que ocurre>
SCENE: <bloque de escena estable>
CAMERA: <posición fija, movimiento mínimo>
DURATION: clip breve, un tiempo de acción
RESOLUTION: <nivel de prueba actual>

Los clips cortos premian la contención. Una acción, una idea de cámara, ninguna subtrama de fondo. Si el sujeto necesita entrar en plano, esa entrada es la acción; no pidas además un giro y un gesto.

Receta para clips más largos (tiempos ordenados)

SUBJECT: <bloque de sujeto consistente>
ACTION: tiempo 1 -> tiempo 2 -> tiempo 3 (en este orden)
SCENE: <bloque de escena estable, más cualquier cambio a lo largo del tiempo>
CAMERA: <movimiento que acompaña a los tiempos>
DURATION: clip extendido, tres tiempos
RESOLUTION: <nivel de prueba actual>

Los clips más largos necesitan un orden explícito y un número limitado de tiempos. Para un único plano continuo, tres tiempos es un objetivo razonable; si necesitas cinco, pregúntate primero si en realidad estás describiendo dos planos. Decide también qué tiempo merece ocupar el tiempo extra; normalmente el del medio, porque el primero sirve para establecer y el último para cerrar.

Cómo la formulación de la duración cambia el ritmo

Dos observaciones prácticas que surgen al ejecutar estas recetas:

• Las palabras que describen el ritmo importan tanto como la longitud en sí. unhurried, continuous, in one take y quickly cambian cómo se distribuye la misma lista de tiempos a lo largo del clip. La misma lista de tres tiempos, marcada como unhurried o como quickly, son dos planos distintos, no dos longitudes distintas.
• Cuando se pierde un tiempo, alarga primero la duración y plantéate después recortar la acción. Si tu último tiempo siempre queda truncado, la solución habitual es darle más espacio, no reducir tiempos, siempre que esos tres tiempos sean imprescindibles.

Mantener la duración fija mientras pruebas cualquier otra cosa

Esta disciplina es la que hace que merezca la pena usar recetas. La duración cambia el ritmo, el ritmo cambia la percepción del movimiento de cámara, y la cámara afecta a cómo parece desarrollarse la acción. Si dejas la duración flotante mientras pruebas la cámara, cometerás errores de atribución. Bloquéala, regístrala y solo entonces pasa a la siguiente ranura.

La misma lógica se aplica a la resolución, que es el tema de la siguiente receta.

Receta: elegir el nivel de resolución

La resolución es ante todo una decisión de coste y velocidad de iteración, y solo en segundo lugar una decisión de calidad de imagen. El prompt apenas cambia entre niveles; lo que cambia es cuántos intentos puedes permitirte y con qué rapidez puedes ver si una idea de prompt se sostiene.

Piensa en dos niveles: el nivel de borrador para explorar y el nivel final para entregar. Los valores concretos están en la documentación de parámetros del modelo; lo que importa aquí es el flujo de trabajo, no las cifras.

Receta para el nivel de borrador

SUBJECT: <bloque de sujeto>
ACTION: <lista de tiempos>
SCENE: <bloque de escena>
CAMERA: <bloque de cámara>
DURATION: <longitud de prueba corta>
RESOLUTION: draft tier

Las pasadas de borrador responden a preguntas de composición: ¿se reconoce al sujeto? ¿se lee el movimiento de cámara? ¿están todos los tiempos? En un nivel bajo puedes ejecutar varias variantes en el tiempo que cuesta un render final, y eso es justo lo que más necesitas mientras el prompt sigue cambiando.

Receta para el nivel final

SUBJECT: <bloque de sujeto bloqueado>
ACTION: <lista de tiempos bloqueada>
SCENE: <bloque de escena bloqueado>
CAMERA: <bloque de cámara bloqueado>
DURATION: <longitud de entrega>
RESOLUTION: final tier

Fíjate en la palabra bloqueado. Subir al nivel final es una promoción de un prompt ya validado, no otro experimento. No cambies nada excepto la resolución y la duración; si la composición del render final difiere de tu borrador, sabrás que algo en el prompt es sensible a la resolución, y merece la pena registrarlo.

Elegir el nivel según el caso de uso

• Exploración y revisión interna: nivel de borrador. Lo que compruebas es la estructura, no el refinamiento.
• Comprobaciones de regresión de prompts: nivel de borrador. Es lo bastante barato como para ejecutarlo con cada cambio.
• Entrega a cliente o integración: nivel final, y solo después de que el borrador pase la validación de intención.
• Fondos o elementos muy recortados en una composición: si el elemento ocupa solo una pequeña parte del encuadre, el nivel de borrador puede bastar.

Por qué probar primero en un nivel bajo ahorra tiempo de verdad

El modo de fallo caro en texto a vídeo es renderizar el plano equivocado de forma hermosa y en alta resolución. Cada minuto que dedicas a pulir una composición que vas a descartar es desperdicio, y en niveles más altos ese desperdicio se multiplica porque los intentos son más lentos. La iteración en nivel de borrador adelanta las decisiones baratas —claridad del sujeto, número de tiempos, dirección de cámara— y deja los niveles caros para la confirmación.

Una advertencia: no hagas borradores en un nivel tan bajo que no puedas juzgar detalles finos. Si tu plano depende de un objeto pequeño o de una expresión facial, ese detalle puede que solo sea evaluable en un nivel superior, y esa comprobación concreta debería subir de nivel antes.

Receta: formulación de cámara que cambia de verdad el plano

Si de esta guía te llevas una sola cosa, que sea esta: la formulación de la cámara influye en el resultado casi más que cualquier adjetivo que puedas añadir al sujeto. Dos prompts con sujeto, acción y escena idénticos, que solo difieren en el bloque de cámara, son dos planos distintos. Y dos prompts que solo difieren en un montón de adjetivos de atmósfera suelen seguir siendo el mismo plano.

Esto convierte el bloque de cámara en la ranura de mayor apalancamiento, y también en la que más merece la pena probar de una frase en una frase.

Patrones de movimiento

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

Cada una de estas líneas es un bloque de cámara completo y listo para copiar. Están deliberadamente escritas cortas. Las frases de cámara largas suelen contener dos instrucciones en competencia (push in while orbiting), y cuando entran en conflicto, la salida elige una de las dos de forma semialeatoria.

Patrones de ángulo

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

El ángulo es donde reside la intención de encuadre. «Close on hands» y «subject small in frame» no son atmósfera: son decisiones sobre lo que el espectador puede ver, y cambian el plano mucho más que cinematic.

Patrones de ritmo

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

El ritmo pertenece al bloque de cámara, no al bloque de acción. Describe cómo se comporta la cámara, y es el medio más limpio de hacer que un plano largo parezca tener método en lugar de flotar.

Sustituir una sola frase cada vez

Cómo hacer legible la formulación de cámara:

1. Escribe un prompt base con sujeto, acción, escena y duración fijos.
2. Ejecuta ese prompt base con CAMERA: static, locked off.
3. Cambia solo la línea de cámara: una sola sustitución por ejecución.
4. Conserva el clip de cada ejecución y etiquétalo con la frase de cámara usada.

Después de cuatro o cinco ejecuciones tendrás un manual de frases propio: sabrás qué hace slow push in con tu sujeto y en tu escena, lo cual vale más que cualquier lista genérica. Hazlo una vez por proyecto y ese manual te servirá para cada plano posterior.

Dos modos de fallo

• Apilar instrucciones. Escribir push in, then orbit, then pull out en un clip corto equivale a pedir tres movimientos de cámara que no caben en la duración. Un solo movimiento por plano.
• Sustituir con adjetivos. Usar una palabra de atmósfera (dramatic, dynamic, epic) en lugar de un movimiento de cámara no especifica ninguna cámara. Si nada en el bloque de cámara dice dónde está la cámara ni qué hace, has dejado vacía la ranura más importante.

Incrustar y comparar resultados reales

Una receta solo es útil si puedes juzgar si la versión B supera a la versión A. Eso requiere un dispositivo de prueba: un procedimiento rutinario, pequeño y aburrido, para producir y alinear resultados que hagan que la comparación sea mecánica y no una cuestión de sensación.

No necesitas herramientas; necesitas disciplina y una carpeta.

El dispositivo de prueba, en cinco pasos

1. Fija todo lo que no estás probando. Escribe un baseline.md con los bloques de sujeto, acción, escena y duración que se mantienen constantes en este experimento. Copia esos bloques literalmente en cada ejecución del lote.
2. Señala la variable. Cambia una sola ranura por ejecución. Si estás probando la formulación de cámara, lo único que difiere entre archivos es la línea de cámara.
3. Genera el lote. Todas las variantes se ejecutan en el mismo nivel de borrador y con la misma duración, para que la comparación sea justa.
4. Alinéalas. Reproduce los clips seguidos en el mismo orden cada vez, o colócalos uno al lado de otro en una rejilla simple. El orden importa: el ojo compara mejor cuando la posición se mantiene estable entre visionados.
5. Registra una conclusión por variante. Una frase por variante: qué cambió, si es el cambio que querías y si lo conservarás.

Qué mirar al comparar

• Integridad de los tiempos: ¿aparecen todos los tiempos de la lista de acciones, y en orden?
• Legibilidad de la cámara: ¿podría el espectador describir cómo se mueve la cámara sin leer las instrucciones?
• Consistencia del sujeto: entre ejecuciones, ¿sigue reconociéndose el mismo bloque de sujeto?
• Cambios no intencionados: ¿sustituir la frase de cámara cambió silenciosamente la escena? Es señal de que los bloques se filtran entre sí.

Esta última comprobación es el verdadero rendimiento del dispositivo de prueba. Cuando los bloques están limpios, cambiar una ranura cambia una sola cosa. Cuando se filtran, obtienes interferencias que nunca notarías en un solo visionado, y las interferencias son justo lo que hace que la iteración de prompts parezca cuestión de suerte.

Mantener pequeño el dispositivo de prueba

Cuatro o cinco variantes bastan para tomar una decisión. Los lotes más grandes diluyen la atención e inducen a hojear por encima. Si el primer lote no da una conclusión, la respuesta suele ser que la variable elegida era demasiado sutil, no que necesites veinte ejecuciones más.

Por último, vuelca las conclusiones en tus archivos de recetas. Una frase de cámara ganadora debería ascender a la plantilla base para no tener que redescubrirla una y otra vez.

Flujo de trabajo repetible para iterar prompts

El ciclo completo, ensamblado a partir de las recetas anteriores, es el siguiente. Es deliberadamente poco vistoso, y es justo lo que determina si tu biblioteca de prompts progresa de forma constante o se va desviando.

Paso 1: redactar los bloques

Rellena la plantilla una vez: sujeto, tiempos de acción, escena, cámara, duración y resolución. No la pulas. La primera versión existe para ser modificada.

Paso 2: ejecutar barato y corto

Genera en el nivel de borrador y con una duración corta. Lo que compras es información sobre la composición, el número de tiempos y la legibilidad de la cámara, y nada más. Ejecuta dos o tres variantes, cada una distinta solo en una ranura flotante.

Paso 3: elegir la ganadora y bloquearla

Cuando una variante consiga lo que quieres, copia su texto exacto en un archivo de locked/. Bloquear significa que dejas de editar ese archivo; los experimentos posteriores se ramifican desde él en lugar de modificarlo en el sitio. Este pequeño hábito evita la degeneración más común: perder una buena versión por estar retocándola continuamente en el mismo lugar.

Paso 4: promover a la configuración final

Cambia solo la duración y la resolución a los valores de entrega, y renderiza. Si el resultado final presenta una diferencia significativa respecto al borrador, regístrala: indica que ese prompt es sensible a la resolución o a la duración, y querrás saber qué ranuras son frágiles antes del siguiente proyecto.

Paso 5: registrarlo todo

Cada ejecución tiene una entrada. El registro es el artefacto que hace que este flujo de trabajo genere interés compuesto. Estos son los campos mínimos:

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>

Tres reglas hacen que el registro sea fiable. Registra solo el texto literal del prompt: una paráfrasis no se puede reproducir. Cada entrada contiene una sola variable: de lo contrario, el registro no puede responder a «¿por qué funcionó esto?». Cada entrada lleva la ruta del clip: una conclusión sin artefacto es solo una opinión.

Paso 6: destilar en un manual de frases

Cada pocos proyectos, lee el registro y extrae lo que gana de forma repetida —frases de cámara, formas de listas de tiempos, bloques de escena— a un archivo compartido de manual de frases. El manual es tu conocimiento reutilizable; el registro es la evidencia que lo respalda.

Por qué importa el orden

Iterar barato primero, luego bloquear, luego promover y luego registrar: cada paso depende de la disciplina del anterior. Sin bloqueo, la prueba de promoción se hace sobre un blanco móvil. Sin registro, el bloqueo no tiene fundamento. Sin borradores baratos, no puedes permitirte suficientes ejecuciones como para producir algo que merezca la pena bloquear.

Ejecuta este ciclo con el texto a vídeo de MiniMax H3 Max a través de la API unificada de HiAPI.ai, y guarda el texto de los prompts y los valores de los parámetros en tu propio repositorio para que cada éxito siga siendo reproducible.