Home/Blog/AI视频模型/MiniMax H3 提示词指南 2026:声音提示与参考图写法
指南9 分钟阅读

MiniMax H3 提示词指南 2026:声音提示与参考图写法

MiniMax H3 提示词指南:把声音写进提示词、六段式结构、参考图(图生视频)三条纪律、5 条标注来源的可复制示例,以及 480p 试稿到 768p 定稿的工作流。

作者 ZNIX Team · AI视频研究与模型评测
发布于

MiniMax H3 系列(本站在售档为 H3 Max)与其他视频模型最大的不同:它在同一次渲染里直接生成同步立体声音频。这意味着提示词不只描述画面,还要描述声音——漏写声音提示,等于浪费了这个模型一半的能力。本指南按“声音提示 → 提示词结构 → 参考图提示 → 可复制示例 → 试稿流程”组织,事实基于本站模型档案与公开产品文档,示例逐条标注来源。

这份指南给谁

适合三类任务:带声音的产品揭示(开箱、按压、倾倒的同期声)、15 秒品牌短片(一次渲染完整叙事,不用拼接)、以及需要环境声氛围的社交内容。如果你只要无声画面、追求 1080p 或首尾帧控制,Seedance 更合适——见文末对比文链接。H3 Max 当前支持文生视频(T2V)与图生视频(I2V),480p/768p 两档,单次最长 15 秒。

把声音写进提示词

H3 Max 从文本生成音频:环境声、动作音效、背景音乐都可以直接写。三个实用写法:一是给动作配同期声(“subtle mechanical click sounds”“the sound of espresso pouring”);二是给场景配环境声(“ambient cafe noise”“rain on a window”);三是给情绪配音乐(“soft piano”)。声音描述越具体,音画同步越稳;只写“cinematic”而不写声音,模型会自行想象,方差更大。

H3 提示词结构

一条稳定的 H3 提示词按六段写:主体(谁/什么)→ 动作(一个连贯动作,别塞四个)→ 镜头(景别与运动,如 close-up、slow orbit)→ 光线(warm cafe interior、soft studio lighting)→ 声音(同期声+环境声)→ 时长(如 10s,不超过 15s)。动作超过两个节拍时,要么拆成两条渲染,要么接受一致性下降——15 秒窗口虽长,但扩散模型的时间锚会随片长衰减,8–10 秒通常最稳。

参考图提示(图生视频)

“reference prompting”在 H3 上的落地就是 I2V:上传一张参考图锁住主体外观,再用文本描述运动与声音。三条纪律:一、参考图要干净——产品图用纯色背景、正面光、无遮挡;人物图用清晰正面照。二、文本只写“变化量”(怎么动、什么声音),不要重复描述图里已有的外观,避免模型在两个来源之间摇摆。三、动作幅度从小开始:缓慢旋转、轻微推近比大幅运动更保身份。产品揭示类任务这是首选模式——外观由图锁定,H3 Max 负责运动与音频。

可复制提示词示例

前两条摘自本站 H3 Max 生产模型档案(samplePrompts),后三条为编辑模板——按你的产品替换主体与声音描述后使用,效果需逐条人工检查。

生产档案摘录 · T2V

A barista pours espresso into a ceramic cup, steam rising, warm cafe interior, close-up shot with ambient cafe sounds, 10s.

为什么这样写:H3 Max 原生生成倾倒声与环境声,不需要后期拟音层。

生产档案摘录 · I2V

[product photo] The product rotates slowly on a marble surface, soft studio lighting, subtle mechanical click sounds, 5s.

为什么这样写:I2V 锁定产品外观;H3 Max 补同步音频,质感更高级。

编辑模板 · 品牌短片

A 15-second brand story: hands unwrap a linen-bound package on a wooden desk, morning window light, slow push-in, paper rustle and a soft piano undertone, 15s.

为什么这样写:用满 15 秒窗口做单镜头叙事;纸张声+钢琴铺底写进提示词,音画一次成型。

编辑模板 · 氛围空镜

Rain streaks down a night-city window, neon reflections blur and shift, static camera, rain on glass with distant traffic hum, 8s.

为什么这样写:静态机位+单一动作最稳;环境声双层(雨声+远处车流)让氛围可信。

编辑模板 · 产品开箱

[product photo] The lid lifts off the box in one slow motion, studio softbox lighting, slight overhead angle, a soft cardboard slide sound and a faint click as the lid settles, 5s.

为什么这样写:参考图锁包装外观;开盖声与落位轻响是“高级感”的关键同期声。

便宜试稿,高清定稿

官方推荐工作流:先 480p 试稿迭代提示词,定稿再上 768p——同一提示词换分辨率即可,不用重写。比价时看“每条可用成片成本”而不是“每条生成成本”:返工率才是隐藏价格。积分价格随模型注册表实时变动,本文不引用快照价,渲染前以生成器实时报价为准。片尾两秒漂移是扩散模型的通病:缩短到 8–10 秒、用 I2V 锁首帧、或提高质量档,三招都能在不改提示词的情况下缓解。

在哪里跑这些提示词

常见问题

给 MiniMax H3 写提示词和其他视频模型有什么不同?
H3 Max 在同一次渲染里生成同步立体声音频,所以提示词要同时描述画面和声音:动作音效(“subtle mechanical click sounds”)、环境声铺底(“ambient cafe noise”)、情绪音乐(“soft piano”)。漏写声音提示等于浪费这个模型的核心差异化,还会放大结果方差。
H3 的 reference prompting 是什么?
落地就是图生视频(I2V):上传一张干净的参考图锁住主体外观,文本只写“变化量”——怎么动、什么声音。不要重复描述图里已有的外观,动作幅度从小开始(缓慢旋转、轻微推近),身份保持更稳。
H3 单次片段该做多长?
H3 Max 单次最长 15 秒,但 8–10 秒通常最稳:扩散模型的时间锚会随片长衰减。15 秒窗口留给单镜头、单动作的品牌叙事;多节拍故事拆成多条渲染,不要硬塞。
这些提示词在哪里跑?
H3 Max 在本站 live,与其他模型共用同一积分余额:支持文生视频与图生视频,480p/768p 两档,渲染前实时积分报价。建议 480p 试稿、人工审片后把定稿升到 768p——按“每条可用成片成本”比价,不是每条生成成本。

继续阅读

主题中心: AI视频模型AI视频模型:基准测试、价格与替代方案
关于作者
ZNIX Team — AI视频研究与模型评测

ZNIX编辑团队对平台上接入的每个视频模型(Seedance、Kling、Wan、Vidu、Hailuo等)做实测评估,内容基于真实生成记录,而非厂商宣传页。

准备好创作 AI 视频了吗?

Trial $3 起 · 含 600 积分。

免费开始创作 →