Receitas de prompts de texto para vídeo do MiniMax H3 Max (para desenvolvedores)

Do que é feito um bom prompt de texto para vídeo

Um prompt de texto para vídeo não é uma frase. É um pequeno arquivo de configuração escrito em linguagem natural. Quando o resultado não está certo, a pergunta realmente útil nunca é "o prompt é bom?", mas sim "qual parte do prompt falhou?". Só é possível responder a essa pergunta quando o prompt que você escreveu tem componentes identificáveis.

Considere cada prompt como seis blocos independentes:

• Sujeito (Subject) — quem ou o que está na imagem, com especificidade suficiente para se manter consistente entre gerações (espécie, material, vestuário, faixa etária, traços identificadores).
• Ação (Action) — o que o sujeito faz, na ordem em que acontece. Isto é uma tabela de batidas, não uma atmosfera.
• Cena (Scene) — local, hora, clima, atividade de fundo e fonte de luz.
• Câmera (Camera) — onde a câmera está, como se move, em que velocidade se move. Isto é diferente da cena e deve ficar em sua própria linha.
• Duração (Duration) — quanto tempo o clipe deve durar, o que determina implicitamente quantas batidas de ação cabem nele.
• Resolução (Resolution) — o nível de saída para esta geração.

A razão para separar fisicamente esses blocos — uma linha por bloco, ou um fragmento rotulado por bloco — é que a geração de vídeo é um problema de otimização multivariável, e em cada experimento você só pode mover uma variável. Se sujeito, câmera e duração estiverem entrelaçados em um texto fluido, então ao mudar a câmera você também muda a formulação do sujeito e o ritmo da frase, e nunca mais saberá exatamente qual alteração produziu um resultado diferente.

Blocos separados também resistem melhor às edições repetidas. Um bloco de sujeito pode ser reutilizado em dez clipes da mesma cena. Um bloco de câmera pode ser substituído como trocar de lente. Um bloco de duração pode ser aumentado ou diminuído sem reescrever a ação. Prompts escritos em forma de prosa precisam ser reescritos do zero toda vez; prompts escritos em blocos podem ser comparados item por item.

Um último ponto a ter em mente: esses blocos não têm peso igual. Mudanças no sujeito e na ação geralmente são visíveis a olho nu e intuitivamente compreensíveis. Mudanças na formulação da câmera e na duração são a fonte da maioria dos resultados inesperados, e em ambas as direções — uma preposição pode inverter o enquadramento, uma mudança de duração pode remover silenciosamente sua última batida de ação. Distribua sua atenção de acordo, reserve um lugar ajustável para câmera e duração, em vez de enterrá-los em adjetivos.

Tudo neste texto se baseia nessa estrutura. O que chamamos de receita nada mais é do que um conjunto de blocos bem estruturados, prontos para copiar e editar.

Do que é feita uma receita pronta para copiar

Uma receita é um modelo de prompt com slots rotulados. Copie-o, preencha os slots, envie — e você obtém um resultado que pode ser comparado com a próxima versão, porque a estrutura nunca mudou.

Use o esqueleto abaixo como base para cada experimento:

SUBJECT: <quem/o quê, com 2–3 detalhes identificadores>
ACTION: <batida 1> -> <batida 2> -> <batida 3>
SCENE: <local>, <hora do dia>, <fonte de luz>, <atividade de fundo>
CAMERA: <posição>, <movimento>, <ritmo>
DURATION: <duração alvo>
RESOLUTION: <nível para esta passada>

Duas regras tornam esse modelo de fato útil, e não apenas uma formalidade.

Separe os slots que mudam dos slots que ficam fixos

Em um projeto típico, SUBJECT e SCENE são sua base estável — você filma o mesmo personagem e o mesmo local em muitos clipes. ACTION, CAMERA, DURATION e RESOLUTION são as variáveis de cada clipe. Marque-as mentalmente como "fixas" e "flutuantes", e ao experimentar mexa apenas nas flutuantes. Se um resultado for inesperado e naquela vez você também mudou a descrição do sujeito, perdeu um teste.

Escreva ACTION como batidas, não como adjetivos

Uma lista de batidas lhe dá algo para conferir contra a duração. entra -> coloca uma caixa no chão -> olha para cima são três batidas; se o clipe voltar contendo apenas duas delas, você sabe que o clipe está sobrecarregado ou que a duração é curta demais. uma cena movimentada e dinâmica não permite nenhuma verificação. Adjetivos pertencem ao ritmo de SCENE e CAMERA, descrevem textura e não ordem.

Mantenha os rótulos no prompt

Esses rótulos em maiúsculas servem tanto ao modelo quanto à sua própria contabilidade. Eles tornam as diferenças mais legíveis em um changelog, deixam campos faltantes óbvios e impedem que o prompt degenere em prosa ao longo de edições sucessivas. Se o modelo lida bem com fragmentos rotulados, mantenha-os; se ele prefere frases fluidas, remova os rótulos na última passada, mas mantenha os rótulos nos seus registros para manter a estrutura documentada.

Um exemplo preenchido:

SUBJECT: ceramista na casa dos 40, avental coberto de argila, cabelo preso para trás
ACTION: levanta uma tigela molhada do torno -> gira-a para inspecionar -> coloca-a na prateleira
SCENE: pequeno ateliê, fim de tarde, luz única de janela vinda da esquerda, poeira no ar
CAMERA: plano médio-fechado na altura do torno, aproximação lenta, ritmo sem pressa
DURATION: passada curta
RESOLUTION: nível de rascunho

Esse é o formato completo. Cada receita a seguir é esse esqueleto com um slot específico como objeto de teste.

Receita: controlar a duração

A duração não é um controle deslizante que estica uma cena. Ela muda o que uma cena consegue conter. Um clipe curto é uma ação; um clipe mais longo é uma sequência com começo, meio e fim, e se você não escrever essa sequência, o modelo inventa conteúdo de preenchimento por conta própria ou perde uma batida.

Portanto, faça ACTION corresponder à duração que você solicita, e declare a duração explicitamente em vez de deixá-la para o padrão.

Receita de clipe curto (uma ação clara)

SUBJECT: <bloco de sujeito consistente>
ACTION: gesto único e contínuo — <a única coisa que acontece>
SCENE: <bloco de cena estável>
CAMERA: <posição fixa, movimento mínimo>
DURATION: clipe breve, uma batida de ação
RESOLUTION: <nível de teste atual>

O clipe curto recompensa a contenção. Uma ação, uma ideia de câmera, nenhuma subtrama de fundo. Se o sujeito precisa entrar em quadro, essa entrada é a ação; não exija ao mesmo tempo um giro e um gesto.

Receita de clipe mais longo (batidas em sequência)

SUBJECT: <bloco de sujeito consistente>
ACTION: batida 1 -> batida 2 -> batida 3 (nesta ordem)
SCENE: <bloco de cena estável, mais qualquer mudança ao longo do tempo>
CAMERA: <movimento que apoia as batidas>
DURATION: clipe estendido, três batidas
RESOLUTION: <nível de teste atual>

Clipes mais longos exigem ordem explícita e um número limitado de batidas. Para um único plano contínuo, três batidas é uma meta razoável; se você precisa de cinco, primeiro pense se não está na verdade descrevendo dois planos. Decida também qual batida merece ocupar o tempo extra — geralmente a do meio, porque a primeira serve para estabelecer e a última para encerrar.

Como a formulação da duração muda o ritmo

Duas observações práticas obtidas ao rodar essas receitas:

• Palavras que descrevem o ritmo importam tanto quanto a duração em si. sem pressa, contínuo, em um único take e rapidamente mudam a distribuição da mesma lista de batidas dentro do clipe. A mesma lista de três batidas marcada como sem pressa e como rapidamente são dois clipes diferentes, não dois comprimentos diferentes.
• Quando uma batida se perde, aumente a duração primeiro e só depois considere cortar ação. Se sua última batida sempre é truncada, a correção usual é dar mais espaço a ela, não reduzir as batidas — desde que as três sejam indispensáveis.

Mantenha a duração fixa enquanto testa qualquer outra coisa

É essa disciplina que torna as receitas dignas de uso. A duração muda o ritmo, o ritmo muda a percepção do movimento de câmera, e a câmera afeta como a ação parece se desenrolar. Se você deixa a duração flutuar enquanto testa a câmera, cometerá erros de atribuição. Trave-a, registre-a e só então mexa no próximo slot.

A mesma lógica vale para a resolução, que é o tema da próxima receita.

Receita: escolher o nível de resolução

A resolução é, antes de tudo, uma decisão de custo e velocidade de iteração, e só depois uma decisão de qualidade de imagem. O prompt muda pouco entre os níveis; o que muda é quantas tentativas você pode pagar e com que rapidez consegue ver se uma ideia de prompt se sustenta.

Pense em dois níveis: o nível de rascunho, para exploração, e o nível final, para entrega. Os valores concretos estão na documentação de parâmetros do modelo — o foco aqui é o fluxo de trabalho, não os números.

Receita de nível de rascunho

SUBJECT: <bloco de sujeito>
ACTION: <lista de batidas>
SCENE: <bloco de cena>
CAMERA: <bloco de câmera>
DURATION: <duração de teste curta>
RESOLUTION: nível de rascunho

Uma execução de rascunho responde a perguntas de composição: o sujeito é reconhecível? O movimento de câmera é legível? Todas as batidas estão presentes? No nível baixo, você pode rodar várias variantes no tempo que levaria para uma única renderização final, e é exatamente disso que você mais precisa enquanto o prompt ainda está mudando.

Receita de nível final

SUBJECT: <bloco de sujeito travado>
ACTION: <lista de batidas travada>
SCENE: <bloco de cena travado>
CAMERA: <bloco de câmera travado>
DURATION: <duração de entrega>
RESOLUTION: nível final

Note a palavra travado. Subir para o nível final é promover um prompt já validado, não experimentar de novo. Não mude nada além da resolução e da duração; se a composição da renderização final diferir do seu rascunho, você descobre que algo no prompt é sensível à resolução, e isso merece ser registrado.

Escolha o nível por caso de uso

• Exploração e revisão interna — nível de rascunho. Você verifica a estrutura, não o refinamento.
• Verificação de regressão de prompt — nível de rascunho. Barato o suficiente para rodar a cada mudança.
• Entrega para cliente ou incorporação — nível final, e somente depois que o rascunho passar conforme a intenção.
• Fundo ou elemento fortemente recortado em uma composição — se o elemento ocupa apenas uma pequena parte do quadro, o nível de rascunho pode bastar.

Por que testar no nível baixo primeiro economiza tempo de fato

O modo de falha caro em texto para vídeo é renderizar o clipe errado de forma bonita e em alta definição. Cada minuto gasto polindo uma composição que será descartada é desperdício, e em níveis mais altos esse desperdício se multiplica, porque as tentativas são mais lentas. A iteração no nível de rascunho antecipa as decisões baratas — clareza do sujeito, número de batidas, direção de câmera — e deixa o nível caro para a confirmação.

Um alerta: não faça rascunhos em um nível baixo demais para julgar detalhes finos. Se o seu clipe depende de um pequeno objeto de cena ou de uma expressão facial, esse detalhe pode só ser avaliável em um nível mais alto, e esse tipo específico de verificação deve subir de nível mais cedo.

Receita: formulação de câmera que realmente muda o clipe

Se você levar apenas uma coisa deste guia, leve esta: a formulação da câmera influencia o resultado quase mais do que qualquer adjetivo que você possa acrescentar ao sujeito. Dois prompts com sujeito, ação e cena idênticos, diferindo apenas no bloco de câmera, são dois clipes diferentes. E dois prompts que diferem apenas em uma pilha de adjetivos de atmosfera costumam ser o mesmo clipe.

Isso faz do bloco de câmera o slot de maior alavancagem — e o mais digno de testar uma frase de cada vez.

Padrões de movimento

CAMERA: estática, câmera travada
CAMERA: aproximação lenta
CAMERA: afastamento lento
CAMERA: travelling lateral da esquerda para a direita
CAMERA: acompanhamento na mão atrás do sujeito
CAMERA: órbita ao redor do sujeito, quarto de volta

Cada item acima é um bloco de câmera completo e pronto para copiar. Eles são deliberadamente curtos. Frases de câmera longas costumam conter duas instruções concorrentes (aproxima enquanto orbita), e quando elas conflitam, a saída escolhe uma delas de forma semialeatória.

Padrões de ângulo

CAMERA: altura dos olhos, plano médio
CAMERA: ângulo baixo, close nas mãos
CAMERA: ângulo alto, plano aberto, sujeito pequeno no quadro
CAMERA: over-the-shoulder por trás do sujeito

O ângulo é onde reside a intenção de enquadramento. "Close nas mãos" e "sujeito pequeno no quadro" não são atmosfera — são decisões sobre o que o espectador pode ver, e mudam o clipe muito mais do que cinematográfico.

Padrões de ritmo

CAMERA: movimento pausado e deliberado
CAMERA: ágil, acompanha a ação de perto
CAMERA: acomoda-se e sustenta na batida final

O ritmo pertence ao bloco de câmera, não ao bloco de ação. Ele descreve como a câmera se comporta, e é o meio mais limpo de fazer um clipe longo parecer estruturado em vez de à deriva.

Substitua uma frase de cada vez

Como tornar a formulação de câmera legível:

1. Escreva um prompt base, com sujeito, ação, cena e duração fixos.
2. Rode esse prompt base com CAMERA: estática, câmera travada.
3. Mude apenas a linha de câmera — uma substituição por execução.
4. Guarde o clipe de cada execução e rotule-o com a frase de câmera usada.

Depois de quatro ou cinco execuções, você tem um manual de frases particular: você sabe o que aproximação lenta faz ao seu sujeito, na sua cena, o que vale mais do que qualquer lista genérica. Faça isso uma vez por projeto, e o manual de frases se estende a cada clipe seguinte.

Dois modos de falha

• Empilhar instruções. Escrever aproxima, depois orbita, depois afasta em um clipe curto equivale a pedir três movimentos de câmera que não cabem na duração. Dê um único movimento por clipe.
• Substituir por adjetivos. Usar uma palavra de atmosfera (dramático, dinâmico, épico) no lugar do movimento de câmera não especifica a câmera. Se nada no bloco de câmera diz onde a câmera está ou o que está fazendo, você deixou o slot mais importante vazio.

Incorporar e comparar saídas reais

Uma receita só é útil quando você consegue julgar se a versão B supera a versão A. Isso exige um aparato de teste — uma rotina pequena e entediante para produzir e alinhar saídas, de modo que a comparação seja mecânica e não baseada em sensação.

Você não precisa de ferramentas, precisa de disciplina e de uma pasta.

O aparato de teste, em cinco passos

1. Fixe tudo o que você não está testando. Escreva um baseline.md com os blocos de sujeito, ação, cena e duração que permanecem constantes neste experimento. Cada execução do lote copia esses blocos literalmente.
2. Indique a variável. Mude um único slot por execução. Se está testando a formulação de câmera, a única diferença entre os arquivos é a linha de câmera.
3. Gere o lote. Rode todas as variantes no mesmo nível de rascunho e na mesma duração, para garantir uma comparação justa.
4. Alinhe-os. Reproduza os clipes em sequência na mesma ordem todas as vezes, ou coloque-os lado a lado em uma grade simples. A ordem importa — o olho compara mais facilmente quando a posição se mantém estável entre as visualizações.
5. Registre uma conclusão para cada variante. Uma frase por variante: o que mudou, se foi a mudança desejada, se você vai mantê-la.

O que observar ao comparar

• Integridade das batidas — todas as batidas da lista de ações aparecem, em ordem?
• Legibilidade da câmera — um espectador conseguiria descrever o movimento de câmera sem instruções?
• Consistência do sujeito — entre execuções, o sujeito ainda é reconhecível como o mesmo bloco de sujeito?
• Mudanças não intencionais — substituir a frase de câmera alterou silenciosamente a cena? Isso é sinal de vazamento entre blocos.

Essa última verificação é o verdadeiro retorno do aparato de teste. Quando os blocos estão limpos, mudar um slot altera apenas uma coisa. Quando vazam, você obtém interferências que uma única visualização jamais notaria — e é o vazamento que faz a iteração de prompts parecer um jogo de adivinhação.

Mantenha o aparato de teste pequeno

Quatro ou cinco variantes bastam para tomar uma decisão. Lotes maiores diluem a atenção e tentam você a folhear rapidamente. Se o primeiro lote não conclui nada, a resposta geralmente é que a variável escolhida era sutil demais, e não que você precisa de mais vinte execuções.

Por fim, retroalimente as conclusões no seu arquivo de receitas. Uma frase de câmera vencedora deve ser promovida ao modelo base, para que você não precise redescobri-la repetidamente.

Fluxo de trabalho de iteração de prompt reproduzível

Segue o ciclo completo, montado a partir das receitas anteriores. Ele é deliberadamente sem glamour, e é justamente isso que determina se sua biblioteca de prompts está progredindo de forma contínua ou se deteriorando aos poucos.

Passo 1 — esboce os blocos

Preencha o modelo uma vez: sujeito, batidas de ação, cena, câmera, duração, resolução. Não refine. A primeira versão existe para ser modificada.

Passo 2 — rode barato, rode curto

Gere no nível de rascunho com duração curta. O que você compra é informação sobre composição, número de batidas e legibilidade da câmera — nada além disso. Rode duas ou três variantes, cada uma diferindo em apenas um slot flutuante.

Passo 3 — escolha o vencedor e trave

Quando uma variante fizer o que você quer, copie o texto exato dela para um arquivo em locked/. Travar significa que você não edita mais aquele arquivo; os experimentos seguintes derivam dele, em vez de serem modificados no lugar em cima dele. Esse pequeno hábito evita a degeneração mais comum: perder a boa versão por ficar ajustando no lugar o tempo todo.

Passo 4 — promova para as configurações finais

Mude apenas a duração e a resolução para os valores de entrega, e renderize. Se o resultado final apresentar uma diferença que tenha impacto em relação ao rascunho, registre essa diferença — isso indica que o prompt é sensível à resolução ou à duração, e você quer saber quais slots são frágeis antes do próximo projeto.

Passo 5 — registre tudo

Cada execução tem um registro. O log é o produto que faz este fluxo de trabalho gerar juros compostos. Campos mínimos:

id: shot03_v2
template: studio-ceramics
variable_tested: camera
prompt: <texto completo do prompt, literal>
duration: <valor usado>
resolution: <nível usado>
verdict: <uma frase — o que mudou, manter ou descartar>
artifact: <caminho do clipe>

Três regras tornam o log confiável. Registre apenas o prompt literal — paráfrases não reproduzem. Cada registro contém apenas uma variável — caso contrário, o log não consegue responder "por que isto funcionou?". Cada registro traz o caminho do clipe — uma conclusão sem artefato é apenas uma opinião.

Passo 6 — destile em um manual de frases

A cada poucos projetos, releia o log e extraia o que venceu repetidamente — frases de câmera, formatos de lista de batidas, blocos de cena — para um arquivo compartilhado de manual de frases. O manual é seu conhecimento reutilizável; o log é a evidência por trás dele.

Por que a ordem importa

Iterar barato primeiro, depois travar, depois promover, depois registrar: cada passo depende da disciplina do anterior. Sem travar, a promoção testa um alvo móvel. Sem registrar, travar não tem base. Sem rascunhos baratos, você não consegue pagar execuções suficientes para produzir algo que valha a pena travar.

Rode este ciclo com a API unificada do HiAPI.ai para texto-para-vídeo do MiniMax H3 Max, e guarde o texto do prompt e os valores dos parâmetros no seu próprio repositório, para que cada sucesso permaneça reproduzível.