博客

使用指南

面向开发者的 MiniMax H3 Max 图生视频提示词配方

可直接复制粘贴的提示词结构、镜头运动措辞和负向词清单,供你针对自己的首帧进行测试

2026年11月18日
静默的混凝土平面在斜射日光下交接,暖灰色底、板蓝色阴影与细鼠尾草色接缝,为这篇指南文章的封面图。
本页内容
用 MiniMax H3 Max 图生视频制作的首帧主视觉片段:霓虹小巷推镜,6 秒。

为什么提示词的结构比长度更重要

大多数令人失望的图生视频结果,并非来自过短的提示词,而是来自冗长、含糊且自相矛盾的提示词——一整墙电影感的形容词,却从未告诉模型哪些内容要保留、哪些内容要运动。

在图生视频中,首帧已经承载了大部分视觉信息:身份、构图、光照、色调、质感。你的提示词职责比你想象的更窄。它应当(1)确认必须保持不变的内容,(2)指定应当发生变化的内容,(3)描述在这些变化发生时镜头如何运动。像“史诗般”“令人屏息”这类形容词,与这三项职责中的任何一项都不对应。

配方骨架

本文中的每个配方都使用相同的六个区块,按相同顺序排列:

  1. 主体——画面中是谁或什么,并附上必须保留下来的识别性细节。
  2. 首帧状态——静帧展示了什么:姿态、构图、光线方向、背景层次。
  3. 运动——场景中的单一主要运动,以及任何次要运动。
  4. 镜头——一种运动类型、一个方向、一个大致幅度。
  5. 节奏——镜头时长,以及运动是收束还是持续。
  6. 负向词——你希望抑制的伪影。

按这个顺序书写并非表面功夫。它对应了条件信息实际生效的方式:先锚定静帧,再描述变化量。当一个配方失败时,固定的骨架让你可以指向某一个区块去修改,而不必重写整段文字并猜测是哪句话出了问题。

为什么骨架能让配方可比较

如果每个提示词都是自由形式的散文,你就永远无法判断更好的输出是因为你新写的镜头措辞,还是因为恰好也改写了主体描述。骨架把提示词调优从手工技艺变成了受控实验:相同主体、相同首帧状态、只改一个区块。

让每个区块保持简短——一个从句,而不是一段话。目标是得到一份能在代码评审中逐行 diff 的提示词。

首帧描述区块

首帧区块的存在是为了对抗漂移。图生视频模型以输入静帧为条件,但忽视静帧——甚至更糟,与静帧相矛盾——的提示词会诱使模型把你的主体重绘成某种泛泛之物。你的描述应当读起来像对你实际上传那一帧的注释,而不是对另一帧的愿望清单。

做注释,不要重新想象

简要覆盖四件事:

  • 主体身份:不能改变的细节——发长与发色、夹克的剪裁、产品标签的位置、建筑的窗格节奏。
  • 构图:特写、中景、广角;主体在画面中的位置(“居中”“左三分之一”);可见的头顶留白或地面有多少。
  • 光线方向与质感:“来自相机左侧的柔光主光”“硬质逆光,肩部有轮廓光”“阴天,无明显阴影”。
  • 背景层次:主体身后是什么,以及看起来有多远——“模糊的城市街道”“平整无缝的背景布”“大约十米外的树线”。

有效的写法模式

主体:一位三十多岁的女性,齐肩深色头发,橄榄绿野战夹克,不戴眼镜。
首帧:中近景,居中,下巴位于画面中央高度,柔光主光来自相机左侧,右脸颊有冷色补光,身后是街道距离的模糊店面。

注意缺了什么:没有情绪形容词,没有背景故事,没有与静帧现有调色相冲突的调色指令。你是在描述,而不是在导演一次重拍。

常见失败:过度描述

如果你的首帧区块比运动区块还长,说明你把优先级弄反了。冗长的描述会招致矛盾——你提到“明亮的日光”,而静帧是黄昏,模型就必须做出选择。当静帧与文本不一致时,漂移通常是结果。看着画面写这个区块,然后删掉画面已经显而易见的内容。

一个实用习惯:把参考帧和首帧区块放在同一个文件里、彼此相邻。如果你编辑了其中一个,就重读另一个。

镜头运动与时间措辞

含糊的电影化语言是“随机”运动最常见的来源。“动态运镜”没有告诉模型任何可执行的信息。说出运动名称,给出方向,给出幅度,并说明它持续多久。

四种主力运动的措辞模式

推镜 / 推轨向内

镜头:缓慢推近主体面部,整个镜头期间拉近约 15%,无旋转。

摇镜

镜头:平稳的水平摇镜,从左到右,中等速度,地平线保持水平。

环绕

镜头:围绕主体缓慢环绕,向相机右侧约 30 度,主体保持居中,背景视差可见。

固定镜头 + 主体运动

镜头:锁定,无运动。只有主体在动。

以上每一种都做了三件事:一种运动类型、一个方向、一个大致幅度。添加第二种运动(“一边推近一边环绕”)是允许的,但应当是有意为之——它会让出现非预期结果的概率翻倍。

时间与节奏

说明运动是收束还是持续,并用平实的词语与镜头时长挂钩:

  • “推镜在最后一帧完成”
  • “摇镜在镜头结束后仍在继续”
  • “前半段保持静止,然后开始环绕”
  • “单条连续镜头,无剪辑”

除非你的流水线固定了片段时长,否则避免写具体的秒数;如果固定了,让措辞与该时长匹配,就能消除一整类失败。“无剪辑”值得明确写出,因为有些提示词否则会招致隐含的剪辑。

真正有意义的快慢词

用模型能校准的相对词替代含糊的术语:“缓慢”“中等”“快速”“几乎不可察觉”。这些远比“电影感”“横扫”“戏剧性”有用,因为后者既没有方向也没有幅度。一个好的检验标准:一位摄影师读到你的描述后,能否知道该往哪个方向移动?如果不能,就重写。

按内容类型划分的负向词清单

负向词是廉价的保险,但并非通用。为口播素材调好的负向清单,可能反而会损害产品转台视频。按内容类型保留各自的清单,只有在看到可复现的伪影时才扩充清单。

人物

负向词:多余手指、变形的手、扭曲的面部特征、帧间身份漂移、眼睛闪烁、诡异牙齿、重复肢体、衣物纹理闪烁

身份漂移和手部伪影是两个长期问题。如果主体转头或做手势,就加上“转头时面部结构不得变形”。

产品

负向词:标签文字扭曲、标志形状改变、表面反射闪烁、直边几何抖动、跨帧色彩偏移、背景物体出现

产品镜头失败在一致性上,而不是戏剧性上。直边和印刷文字是金丝雀——如果标签在“呼吸”,这个镜头就不可用。

环境

负向词:物体突然出现或消失、枝叶抖动、建筑线条弯曲、水面脉动、光照突变、摇镜时地平线倾斜

尤其是摇镜,“地平线倾斜”和“建筑直线扭曲”值得列入清单。

扩充还是精简

当你能用相同的帧和提示词在至少两次运行中复现某个伪影时,才添加一个负向词。删掉那些你从未见其触发的负向词,尤其是当它们与你的意图冲突时——在推镜配方里写“无镜头运动”负向词是一种矛盾,会损害稳定性。让每个清单保持在十几个条目以内;过长的负向清单会稀释指导,正如过长的正向提示词一样。

把清单作为具名字符串存在你的配置里,而不是为每个提示词内联粘贴,这样同一内容类型的所有配方都能保持一致。

带真实输出的配方演练

以下配方是完整的,可直接复制粘贴。输出描述来自针对我们自己首帧的测试运行;请把它们当作待验证的预期而非保证,因为你的帧不同。

配方 1:人像推镜

主体:一位四十多岁的男性,短灰白发,海军蓝圆领毛衣。
首帧:中近景,居中,柔光主光来自相机左侧,模糊背景在房间距离处有暖色实用光源。
运动:头部朝相机方向轻微转动,肩膀略微下沉;不走动。
镜头:缓慢推近面部,整个镜头期间拉近约 15%,无旋转。
节奏:单条连续镜头,推镜在最后一帧完成。
负向词:多余手指、扭曲的面部特征、帧间身份漂移、眼睛闪烁、光照突变。

输出:身份保持住了,推镜看起来是有意为之,而不是缩放裁切。早期版本没有“无旋转”这一条,产生了轻微滚转,让画面感觉像手持。

配方 2:产品转台

主体:一只哑光陶瓷马克杯,一侧有印刷标签。
首帧:产品居中于无缝浅灰背景布上,柔和顶光,淡淡的接触阴影。
运动:产品自身无运动;随着视角变化,标签变得可读。
镜头:向相机右侧缓慢环绕,约 30 度,主体保持居中。
节奏:连续,环绕在镜头结束后继续。
负向词:标签文字扭曲、标志形状改变、直边几何抖动、跨帧色彩偏移。

输出:标签在弧线的大部分过程中保持可读;最后三分之一出现了轻微边缘发软,我们通过把环绕角度缩小到约 25 度解决,而不是增加更多负向词。

配方 3:环境摇镜

主体:阴天正午一条空荡的海岸公路,靠海一侧有低矮护栏。
首帧:广角镜头,道路向右延伸,平坦漫射光,看不到太阳。
运动:路边草地中有轻柔的风;其余不动。
镜头:平稳的水平摇镜,从左到右,中等速度,地平线水平。
节奏:连续摇镜,无剪辑。
负向词:摇镜时地平线倾斜、建筑线条弯曲、物体突然出现、水面脉动。

输出:地平线保持水平,因为我们明确写了出来。没有这一条时,早期运行在整个镜头期间漂移了几度——很细微,但足以让广角风景感觉不对。

迭代与回归测试提示词

提示词不是一次性消息,而是一个配置值。像对待任何影响输出的配置一样对待它:版本化、记录它产出了什么、一次只改一个变量。

单变量循环

  1. 在输出中挑出一个失败行为(漂移、手部伪影、不想要的镜头滚转)。
  2. 确定它属于哪个区块——通常是运动、镜头或负向词。
  3. 只在该区块中改一个从句。
  4. 用同一个首帧重跑。
  5. 根据所见保留或回退,然后记录。

一次改两个区块,正是团队六周后得到没人能推理的提示词的原因。

把帧、提示词和输出一起记录

每条运行记录都应包含:

  • 输入帧的哈希或 ID
  • 完整提示词字符串,包括负向词
  • 配方版本
  • 输出引用以及关于通过或失败的简短备注

这个三元组——帧、提示词、输出——正是让回归可被检测的关键。当底层模型更新时,或当你调整共享负向清单时,你可以重跑存储的帧,并把结果与已知良好的输出做 diff。

建立一个小型黄金集

每种内容类型保留五到十个能代表你实际工作负载的帧:一个转头的人像、一个带印刷文字的产品、一个带地平线的广角环境。在每次配方变更进入生产前,针对这个集合运行。只需几分钟,就能抓住大多数意外回归。

跟踪预期,而不只是分数

每个用例简单的通过/失败——如“手部干净”“标签可读”“地平线水平”——比单一主观质量分更有用,因为它告诉你该回头检查哪个区块。当一个用例从通过翻转为失败时,你确切知道该归咎于哪个配方版本和哪个从句。

把配方接入你的流水线

一旦配方稳定下来,它们就不该再待在笔记应用里,而应该进入代码。

把配方存为版本化配置

把每个配方保存为结构化对象——每个区块一个字段——而不是预先拼接好的字符串。在请求时拼接区块,可以让你在配方之间共享主体和首帧区块,并按内容类型替换负向清单。把配置放进版本控制,打上标签,并在每条日志记录中包含版本。

{
  "id": "portrait_pushin",
  "version": "3",
  "subject": "...",
  "first_frame": "...",
  "motion": "...",
  "camera": "缓慢推近面部,拉近约 15%,无旋转",
  "pacing": "单条连续镜头,推镜在最后一帧完成",
  "negatives": "portrait_default"
}

发布前批量测试

在循环中把组装好的提示词跑过你的黄金帧,把输出与运行记录一起保存,并在提升配方版本前审查被标记的用例。由于每个配方都通过相同接口访问同一端点,批量测试框架只是对你正常调用的一层薄封装——没有需要维护的逐模型特殊情况。

规模化调用端点

在生产环境中,从配置组装提示词,传入你的首帧,并通过 API 提交。像对待任何其他异步工作负载一样对待速率限制和重试:把任务排入队列,为每个任务附上配方版本和帧 ID,并把返回的输出引用写回日志。如果某个配方在生产中表现异常,你可以拉出产生它的确切帧和提示词。

关于端点参数、支持的宽高比以及请求/响应细节,请参阅 MiniMax H3 Max 图生视频模型页面——上述配方设计为可直接套用。

像写代码一样写提示词,像看测试结果一样看输出,图生视频就不再是老虎机。

立即开始构建持久 AI 产物

获取 API 密钥,通过一个基于任务(task)的 API 调用图像、视频和音频模型。

阅读 API 文档