使用ガイド
開発者向け MiniMax H3 Max 画像から動画へのプロンプトレシピ
そのままコピー&ペーストできるプロンプト構造、カメラワークの言い回し、ネガティブワードリスト。あなた自身の最初のフレームで試せる
このページの内容
プロンプトは長さよりも構造が重要な理由
期待外れの画像から動画への出力のほとんどは、短すぎるプロンプトが原因ではなく、冗長で曖昧で自己矛盾したプロンプトが原因だ。映画風の形容詞が壁のように並んでいるのに、何を保持し、何を動かすべきかをモデルに一度も伝えていない。
画像から動画への生成では、最初のフレームがすでに大部分の視覚情報——被写体の同一性、構図、照明、色調、質感——を担っている。あなたのプロンプトの役割は、想像以上に限定的だ。それは、(1)必ず維持しなければならない内容を確認し、(2)変化すべき内容を指定し、(3)それらの変化が起こる中でカメラがどう動くかを記述すべきである。「叙事詩的」「息をのむような」といった形容詞は、この 3 つの責務のいずれにも該当しない。
レシピの骨格
本記事のすべてのレシピは、同じ 6 つのブロックを同じ順序で使用する:
- 被写体——画面内の人物または物体と、保持しなければならない識別的なディテール。
- 最初のフレームの状態——静止画が示しているもの:姿勢、構図、光の方向、背景のレイヤー。
- 動き——シーン内の単一の主要な動き、および副次的な動き。
- カメラ——1 種類の動き、1 つの方向、おおよその大きさ。
- リズム——ショットの長さ、および動きが収束するか継続するか。
- ネガティブワード——抑制したいアーティファクト。
この順序で書くことは見かけだけのものではない。これは条件情報が実際に作用する仕方に対応している:まず静止画を固定し、次に変化量を記述する。レシピが失敗したとき、固定された骨格があれば、特定のブロックを指して修正でき、文章全体を書き直してどの文が問題だったかを推測する必要はない。
骨格がレシピを比較可能にする理由
すべてのプロンプトが自由形式の散文であれば、より良い出力が新しく書いたカメラの言い回しのおかげなのか、たまたま被写体の記述も書き換えたせいなのかを永遠に判断できない。骨格はプロンプト調整を職人的な技から制御された実験へと変える:同じ被写体、同じ最初のフレームの状態、1 つのブロックだけを変更する。
各ブロックは簡潔に保つ——段落ではなく 1 つの節で。目標は、コードレビューで行単位の diff が取れるプロンプトを得ることだ。
最初のフレーム記述ブロック
最初のフレームのブロックはドリフトに対抗するために存在する。画像から動画へのモデルは入力の静止画を条件とするが、静止画を無視する——さらに悪いことに、静止画と矛盾する——プロンプトは、モデルを誘ってあなたの被写体を何か一般的なものに描き直させる。あなたの記述は、実際にアップロードしたフレームへの注釈のように読めるべきであり、別のフレームへの願望リストであってはならない。
再想像せず、注釈する
4 つの事柄を簡潔に網羅する:
- 被写体の同一性:変わってはならないディテール——髪の長さと色、ジャケットの仕立て、製品ラベルの位置、建物の窓枠のリズム。
- 構図:クローズアップ、ミディアムショット、ワイド。画面内の被写体の位置(「中央」「左三分の一」)。見える頭上空間や地面の量。
- 光の方向と質感:「カメラ左側からの柔らかなキーライト」「硬い逆光、肩にリムライト」「曇天、目立つ影なし」。
- 背景のレイヤー:被写体の後ろにあるもの、およびどれくらい遠くに見えるか——「ぼやけた街路」「継ぎ目のない平らな背景布」「約 10 メートル先の樹列」。
効果的な書き方のパターン
被写体:30 代の女性、肩までの暗い髪、オリーブグリーンのフィールドジャケット、眼鏡なし。
最初のフレーム:ミディアムクローズアップ、中央、顎が画面中央の高さ、カメラ左側からの柔らかなキーライト、右頬に冷色のフィルライト、背後に街路距離のぼやけた店先。
何が欠けているかに注目してほしい:感情の形容詞はなく、背景のストーリーもなく、静止画の既存のカラーグレーディングと衝突するグレーディング指示もない。あなたは再撮影を演出しているのではなく、記述しているのだ。
よくある失敗:過剰な記述
最初のフレームのブロックが動きのブロックより長ければ、優先順位を逆にしている。冗長な記述は矛盾を招く——あなたが「明るい日光」と述べたのに静止画が夕暮れなら、モデルは選択を迫られる。静止画とテキストが一致しないとき、ドリフトが結果となることが多い。画面を見ながらこのブロックを書き、画面からすでに明らかな内容は削除する。
実用的な習慣:参照フレームと最初のフレームのブロックを同じファイル内に隣り合わせに置く。一方を編集したら、もう一方を読み直す。
カメラワークと時間の言い回し
曖昧な映画的な言葉は「ランダムな」動きの最も一般的な原因だ。「ダイナミックなカメラワーク」はモデルに実行可能な情報を何も伝えない。動きに名前を付け、方向を示し、大きさを示し、それがどれだけ続くかを述べる。
4 つの主力の動きの言い回しパターン
プッシュイン / ドリーイン
カメラ:被写体の顔へゆっくり近づき、ショット全体で約 15% ズームイン、回転なし。
パン
カメラ:滑らかな水平パン、左から右へ、中程度の速度、地平線は水平を保つ。
オービット
カメラ:被写体の周りをゆっくり周回、カメラ右方向へ約 30 度、被写体は中央を維持、背景の視差が見える。
固定カメラ+被写体の動き
カメラ:固定、動きなし。動くのは被写体のみ。
以上のいずれも 3 つのことを行っている:1 種類の動き、1 つの方向、おおよその大きさ。2 つ目の動きを加えること(「プッシュインしながらオービット」)は許されるが、意図的に行うべきだ——予期しない結果の確率が倍になる。
時間とリズム
動きが収束するか継続するかを述べ、平易な言葉でショットの長さと結びつける:
- 「プッシュインは最終フレームで完了する」
- 「パンはショットが終わっても続く」
- 「前半は静止を保ち、その後オービットを開始する」
- 「単一の連続ショット、カットなし」
パイプラインがクリップの長さを固定していない限り、具体的な秒数を書くのは避ける。固定しているなら、言い回しをその長さに合わせれば失敗の一カテゴリ全体を排除できる。「カットなし」は明示的に書く価値がある。そうしないと、一部のプロンプトは暗黙のカットを招くからだ。
本当に意味のある速度の言葉
曖昧な用語を、モデルが較正できる相対的な言葉に置き換える:「ゆっくり」「中程度」「速く」「ほとんど知覚できない」。これらは「映画的」「スイープ」「ドラマチック」よりはるかに有用だ。後者には方向も大きさもないからだ。良い検証基準:写真家があなたの記述を読んで、どちらへ動かすべきか分かるか?分からなければ書き直す。
コンテンツタイプ別のネガティブワードリスト
ネガティブワードは安価な保険だが、万能ではない。トーク素材向けに調整されたネガティブリストは、製品のターンテーブル動画をかえって損なう可能性がある。コンテンツタイプごとにそれぞれのリストを保ち、再現可能なアーティファクトを見たときだけリストを拡張する。
人物
ネガティブワード:余分な指、変形した手、歪んだ顔の特徴、フレーム間の同一性ドリフト、目のちらつき、不気味な歯、重複した肢体、衣類テクスチャのちらつき
同一性ドリフトと手のアーティファクトは 2 つの長年の問題だ。被写体が頭を向けたり身振りをしたりするなら、「頭を向けたとき顔の構造を変形させない」を加える。
製品
ネガティブワード:ラベル文字の歪み、ロゴ形状の変化、表面反射のちらつき、直線的な幾何学の震え、フレーム間の色ずれ、背景物体の出現
製品ショットはドラマ性ではなく一貫性で失敗する。直線のエッジと印刷文字はカナリアだ——ラベルが「呼吸」していれば、そのショットは使えない。
環境
ネガティブワード:物体の唐突な出現や消失、枝葉の震え、建築ラインの湾曲、水面の脈動、照明の急変、パン時の地平線の傾き
特にパンでは「地平線の傾き」と「建築の直線の歪み」をリストに入れる価値がある。
拡張か削減か
同じフレームと同じプロンプトで少なくとも 2 回の実行でアーティファクトを再現できるときにのみ、ネガティブワードを加える。一度も発動を見たことのないネガティブワードは削除する。特にそれが意図と衝突する場合はなおさらだ——プッシュインのレシピに「カメラの動きなし」というネガティブワードを書くのは矛盾であり、安定性を損なう。各リストは十数項目以内に保つ。長すぎるネガティブリストは、長すぎるポジティブプロンプトと同様に指示を薄める。
リストは各プロンプトにインラインで貼り付けるのではなく、設定内に名前付き文字列として保存し、同じコンテンツタイプのすべてのレシピが一貫するようにする。
実際の出力を伴うレシピ演習
以下のレシピは完全で、コピー&ペーストできる。出力の記述は私たち自身の最初のフレームに対するテスト実行から来ている。あなたのフレームは異なるので、検証すべき期待として扱い、保証とは考えないでほしい。
レシピ 1:ポートレートのプッシュイン
被写体:40 代の男性、短い白髪混じりの髪、ネイビーのクルーネックセーター。
最初のフレーム:ミディアムクローズアップ、中央、カメラ左側からの柔らかなキーライト、ぼやけた背景に室内距離の暖色の実用光源。
動き:頭がカメラ方向へわずかに向き、肩が少し下がる。歩かない。
カメラ:顔へゆっくり近づき、ショット全体で約 15% ズームイン、回転なし。
リズム:単一の連続ショット、プッシュインは最終フレームで完了する。
ネガティブワード:余分な指、歪んだ顔の特徴、フレーム間の同一性ドリフト、目のちらつき、照明の急変。
出力:同一性は保たれ、プッシュインはズームクロップではなく意図的に見えた。初期バージョンには「回転なし」がなく、わずかなロールが生じて画面がハンディに見えた。
レシピ 2:製品ターンテーブル
被写体:片面に印刷ラベルのあるマットなセラミックマグカップ。
最初のフレーム:製品が継ぎ目のない淡いグレーの背景布の中央、柔らかなトップライト、淡い接地影。
動き:製品自体は動かない。視点の変化に伴いラベルが読めるようになる。
カメラ:カメラ右方向へゆっくり周回、約 30 度、被写体は中央を維持。
リズム:連続、周回はショットが終わっても続く。
ネガティブワード:ラベル文字の歪み、ロゴ形状の変化、直線的な幾何学の震え、フレーム間の色ずれ。
出力:ラベルは弧の大部分で読める状態を保った。最後の三分の一でわずかなエッジのぼけが現れ、ネガティブワードを増やすのではなく、周回角度を約 25 度に減らすことで解決した。
レシピ 3:環境のパン
被写体:曇天の正午の、海側に低いガードレールがある空っぽの海岸道路。
最初のフレーム:ワイドショット、道路が右へ伸びる、平坦な拡散光、太陽は見えない。
動き:路肩の草地に穏やかな風。他は動かない。
カメラ:滑らかな水平パン、左から右へ、中程度の速度、地平線は水平。
リズム:連続パン、カットなし。
ネガティブワード:パン時の地平線の傾き、建築ラインの湾曲、物体の唐突な出現、水面の脈動。
出力:明示的に書いたので地平線は水平を保った。これがない初期の実行では、ショット全体で数度ドリフトした——微妙だが、ワイドな風景をなんとなく不自然に感じさせるには十分だった。
プロンプトの反復と回帰テスト
プロンプトは一度きりのメッセージではなく、設定値だ。出力に影響する他のあらゆる設定と同様に扱う:バージョン管理し、何を生み出したかを記録し、一度に 1 つの変数だけを変更する。
単一変数のループ
- 出力の中から失敗の挙動を 1 つ選ぶ(ドリフト、手のアーティファクト、不要なカメラのロール)。
- それがどのブロックに属するかを特定する——通常は動き、カメラ、ネガティブワードのいずれか。
- そのブロック内の 1 つの節だけを変更する。
- 同じ最初のフレームで再実行する。
- 見たものに基づいて保持またはロールバックし、記録する。
2 つのブロックを一度に変えることが、チームが 6 週間後に誰も推論できないプロンプトを手にする原因だ。
フレーム、プロンプト、出力を一緒に記録する
各実行記録には以下を含めるべきだ:
- 入力フレームのハッシュまたは ID
- 完全なプロンプト文字列、ネガティブワードを含む
- レシピのバージョン
- 出力への参照と、合格または不合格に関する短いメモ
この三つ組——フレーム、プロンプト、出力——こそが回帰を検出可能にする鍵だ。基盤モデルが更新されたとき、または共有のネガティブリストを調整したとき、保存したフレームを再実行し、結果を既知の良好な出力と diff できる。
小さなゴールデンセットを構築する
コンテンツタイプごとに、実際のワークロードを代表する 5〜10 のフレームを保つ:頭を向けるポートレート、印刷文字のある製品、地平線のあるワイドな環境。レシピの変更が本番に入る前に、このセットに対して実行する。数分で済み、ほとんどの予期しない回帰を捉えられる。
スコアだけでなく期待を追跡する
各ユースケースの単純な合格/不合格——「手がきれい」「ラベルが読める」「地平線が水平」——は、単一の主観的な品質スコアより有用だ。どのブロックに戻って確認すべきかを教えてくれるからだ。あるユースケースが合格から不合格に変わったとき、どのレシピバージョンとどの節のせいかを正確に知ることができる。
レシピをパイプラインに組み込む
レシピが安定したら、ノートアプリに置いておくべきではなく、コードに入れるべきだ。
レシピをバージョン管理された設定として保存する
各レシピを、事前に連結済みの文字列ではなく、構造化オブジェクト——ブロックごとに 1 つのフィールド——として保存する。リクエスト時にブロックを連結すれば、レシピ間で被写体と最初のフレームのブロックを共有し、コンテンツタイプごとにネガティブリストを差し替えられる。設定はバージョン管理下に置き、タグを付け、各ログ記録にバージョンを含める。
{
"id": "portrait_pushin",
"version": "3",
"subject": "...",
"first_frame": "...",
"motion": "...",
"camera": "顔へゆっくり近づき、約 15% ズームイン、回転なし",
"pacing": "単一の連続ショット、プッシュインは最終フレームで完了する",
"negatives": "portrait_default"
}
リリース前のバッチテスト
組み立てたプロンプトをループでゴールデンフレームに通し、出力を実行記録とともに保存し、レシピバージョンを昇格させる前にフラグの立ったユースケースをレビューする。各レシピは同じインターフェースを通じて同じエンドポイントにアクセスするため、バッチテストフレームワークは通常の呼び出しの薄いラッパーにすぎない——モデルごとの特別なケースを保守する必要はない。
エンドポイントをスケールさせて呼び出す
本番環境では、設定からプロンプトを組み立て、最初のフレームを渡し、API を通じて送信する。レート制限とリトライは他のあらゆる非同期ワークロードと同様に扱う:ジョブをキューに入れ、各ジョブにレシピバージョンとフレーム ID を添え、返ってきた出力参照をログに書き戻す。あるレシピが本番で異常な挙動を示したら、それを生み出した正確なフレームとプロンプトを引き出せる。
エンドポイントのパラメータ、対応するアスペクト比、リクエスト/レスポンスの詳細については、MiniMax H3 Max 画像から動画へのモデルページを参照してほしい——上記のレシピはそのまま当てはめられるよう設計されている。
コードを書くようにプロンプトを書き、テスト結果を見るように出力を見れば、画像から動画への生成はもはやスロットマシンではない。