MiniMax H3 プロンプトガイド: 公式プロンプト45個をすべて読み、This Is Fine Dogに火をつけた

あなたはすでにビデオモデルにプロンプトを入力する方法を知っています。「シネマティックライティング、スロープッシュイン、4K。」その語彙は2年間あなたを支えてきました。

そして、それをMiniMax H3に貼り付けると、独自のサウンドトラックを伴った2Kのクリップが返ってきます。映像は素晴らしい。テンポはぐちゃぐちゃ。タイトルの2文字がスペルミス。オーディオはモデルが勝手に選んだ部屋のトーン。

モデルが問題なのではありません。あなたは一文を渡した。モデルはスケジュールを求めていたのです。

そこで私は、MiniMaxがH3に同梱した45個の公式プロンプトすべてと、それに付属する完成クリップを読み、フレームを分解しました。公式プロンプトは説明文ではありません。優れたものは、裏に音楽キューページが貼られたショットリストです。以下はその構造、現在実際に公開されているパラメータ、そして約20分で再現できるデモの1つです。

重要なポイント

• H3プロンプトはタイムラインであり、説明文ではありません。最も強力な公式例は、文字通り[0s-2s]、[2s-4s]のマーカーでクリップをスライスし、完成したフィルムはすべてのビートを正確に捉えています。
• 音声と映像は同じパスから出力されるため、オーディオはプロンプト本文内に記述する必要があります。公式プロンプトでは、6秒にジャズベースのグルーヴが入るという詳細まで、独自のブロックが与えられています。
• 綴ったテキストはきれいに戻ってくる。綴らなかったテキストは文字の形をしたノイズとして戻ってくる。 1つの公式クリップから、両方を同時に証明するフレーム切り抜きがあります。
• image-to-videoはend_imageを受け入れます。最初のフレームと最後のフレームを指定すれば、計算時間を1秒も使う前に感情の弧が固定されます。
• プロンプトの長さは美徳ではありません。参照画像が説明を担っている場合、短い公式プロンプトでも機能します。長さは、参照画像に任せなかった仕事の量を反映します。

This Is Fineの犬、左側はそのまま、右側はMiniMax H3の10秒出力で燃えている

左右は同じ絵です。左はKC Greenのオリジナルパネル、未加工。右は1回のimage-to-video呼び出し：最初のフレーム入力、最後のフレーム入力、10秒出力、そしてパチパチという火の音と平坦な小さな「this is fine」はモデル自身のオーディオトラックです。誰もスコアを付けていません。このガイドのすべては、あなたをその後半に到達させることを目的としています。

MiniMax H3プロンプトの実際の姿（45個すべて読みました）

現在検索結果の最初のページにある「MiniMax H3プロンプトガイド」は、すべてスペックシートです：2K、24fps、5〜15秒、ネイティブオーディオ。それはモデルカードです。プロンプトではありません。

以下が本物です。これはMiniMaxのノワールタイトルシーケンスの背後にある公式プロンプトの一部を、中国語の原文から翻訳したもので、おそらく全長の3分の1程度です。

15秒の16:9ライトサスペンス犯罪映画タイトルシーケンスを生成してください。全体的なスタイルはこれらの画像の視覚言語を参照します：レトロな日本アニメのタイトルカード、硬質なシルエット、コミックコラージュ、非対称スプリットスクリーン、強い幾何学的な色のブロック、英語のクレジットタイトル、少しの日本語カタカナ装飾、ジャズ犯罪の雰囲気。ムードは60％サスペンス、40％ジャズ：神秘的でクール、機敏、都市犯罪、ホラーではなく、重くなく、陽気なジャズMVにしないでください。

[...] 英語のクレジットは明確に判読可能でなければなりません [...] 中国語を追加しないでください、文字化けを生成しないでください、英語のスペルを間違えないでください。全体のルール：すべての英語クレジットと役職名は正確に1回だけ出現します。役職名を繰り返さないでください、名前を繰り返さないでください、1人に複数の役職を与えないでください。

トランジションは多様でなければなりません：円形のビニールレコードマスク、垂直の車のドアワイプ、人物の長い影が画面を横切る、赤い線のカット、巨大な英字マスク、スプリットスクリーンフレームの再構成、ハードカラーブロックカット、パネルが1ブロックずつ貼り付けられる。すべてのトランジションはドラムの打撃に乗る：鮮明で、サスペンスフルで、機敏で、コミックコラージュ。ソフトディゾルブなし、流動的なトランジションなし。

BGM：オリジナル15秒タイトル音楽、60％サスペンス、40％ジャズ。持続するベーストーン、緊張したピッチカート弦楽器、冷たいシンセパルス、キックドラム、まばらなジャズブラシ、ウォーキングベースの断片、短いバリトンサックスのフレーズと短いブラススタブで構築。最初の2秒は低周波とハイハットでサスペンスを確立し、3秒で低域のドラムが入り、6秒でジャズベースのグルーヴが加わり、10秒で短いサックス/ブラスのリフが現れ、最後の2秒は緊張したコードとドラムヒットで締めくくります。

言葉がどこに使われたか見てください。「美しい」や「シネマティック」にはほとんど使われていません。それらはネガティブリスト、トランジションリスト、そして秒単位の音楽キューページに使われました。それが仕事の形です。 MiniMax H3公式ノワールタイトルシーケンス：MIDNIGHT LINE、クリーンなSTARRINGクレジット付き

そのクリップのクレジットを見てください。MIDNIGHT LINE、STARRING、MAYA CROSS、REN KATO、LENA WARD、DIRECTED BY NOAH VOSS。正しくスペルされており、役職名が2回使われておらず、カタカナ装飾は指定された場所に配置されています。プロンプトは「素敵なタイトルを作って」と言ったのではありません。「繰り返しなし、スペルミスなし、中国語なし」と言い、美学を5つの異なる方法で指定しました。 ノワールタイトルプロンプトとともにMiniMax H3に渡された5つのスタイル参照ボード

それらの5枚のボードはテキストと一緒に入力されました。5枚の画像と1つの長いブリーフ、1回の生成。これが今の仕事の姿です。

そして、45個のプロンプトのうち多くのものが短い理由は、まさにその画像の中にあります。セット全体を通して、プロンプトの中央値は約130文字（中国語）ですが、最も長い2つは657文字と858文字です。短いものは参照ボードが説明を担っているため短いのです。長いものは、他にそれを担うものがなかったために長いのです。

ほとんどのMiniMax H3プロンプトが平坦になる理由と、文字化けの修正

3つのことがうまくいきません。それらはすべて間違いではなく、欠落です。

タイムラインがない。 10秒を要求して、1つの瞬間だけを説明したので、1つのスロープッシュインが10秒に引き伸ばされます。モデルは7秒目に何もすることがありませんでした。

オーディオブロックがない。 音声は映像と同じパスで生成されます。何も言わなければ、モデルはそれでもトラックを出力します。ただ1つを選ぶだけです。

ネガティブリストがない。 放置すると、モデルはソフトディゾルブに手を伸ばし、余分な画面上のテキストを発明し、誰も頼んでいない字幕ストリップを追加します。

最も明確な証拠は、公式のゲームUIプロンプトです。これは6つのタイムスタンプ付きビートで構成されています：[0s-2s]メニュー、[2s-4s]右腕パネル、[4s-7s]武装グリッド、[7s-8.5s]確認、[8.5s-10s]ローディングバー、[10s-15s]ワールドロード。完成したクリップは、順番通り、時間通りに6つすべてをヒットします。 MiniMax H3ゲームUIクリップ：メニュー、装備パネル、ローディングバー、ワールドロード

さて、正直な半分、同じクリップから、フル2560x1440解像度で。 左：プロンプトで綴られたテキストはきれいにレンダリングされる。右：綴られなかったテキストは文字の形をしたノイズとしてレンダリングされる。

左側では、プロンプトが実際にタイプしたすべての文字列：RIGHT ARM EQUIPMENT、PHANTOM GRIP、CHRONOS CLAW。鮮明で、正しく、実際のゲームメニューのようにカーニングされています。

右側では、プロンプトが「HUD要素」とだけ呼んだ最終ストリートショットのHUD。ETR METNO CITFEPと読めます。装備アイコンの上では、プロンプトが何も言わなかった部分にMNALEαIN IAMGが表示されます。これはレンダリングバグではありません。モデルは、文字列が与えられなかったために、英語のテクスチャを描いているのです。

したがって、修正は設定ではなく、習慣です：

読み取り可能な単語が必要な場合は、単語をタイプしてください。 そして、ネガティブラインを追加します：do not misspell, do not add other text, do not add subtitles.

そして、すべての強力な公式プロンプトが共有する6ブロックの形状がこちらです。

ブロック5と6は無料です。生成に追加コストはかからず、品質のほとんどがここにあります。

MiniMax H3プロンプトワークフロー：プロンプトが属するエンドポイント

同じキー、同じ送信・ポーリング形状、3つのドア。どれを選ぶかで、プロンプトがまだ実行しなければならないことが決まります。

refers[]は、実際のところ十分に文書化されていないものです。以下に、それが求める形状を示します。

jsonCopy
1"refers": [
2  { "url": "https://.../subject.png", "type": "image" },
3  { "url": "https://.../style-board.png" },
4  { "url": "https://.../motion-ref.mp4", "type": "video" },
5  { "url": "https://.../beat.mp3",       "type": "audio" }
6]
7

それぞれが無駄な生成を1回節約する4つのルール：

1. オーディオは単独では使用できません。 少なくとも1つの画像またはビデオが配列に含まれている必要があります。ビートトラック単体では拒否されます。
2. typeはオプションです。 URLから推測されますが、拡張子があいまいな場合は明示的に指定してください。
3. 上限は実際に存在します。 最大9枚の画像、3つのビデオ、3つのオーディオクリップ、合計12ファイル、参照ビデオとオーディオはそれぞれ2〜15秒です（MiniMax APIドキュメント、2026年7月）。
4. すべての参照に、プロンプトテキスト内で役割を与えてください。 これはこのリストの中で最もレバレッジの高い習慣です。公式プロンプトは「画像1は全体的な雰囲気とスタイルの参照、画像2は主人公の参照です」という行で始まります。その文がなければ、モデルはどのボードが何を意味するのか推測しなければなりません。 MiniMax H3ダークポップミュージックビデオ：CUT BACK、ONE LOOK、DETONATEのタイポグラフィ ダークポップクリップの背後にある2つのタイポグラフィ参照ボード

そのクリップはルール4の論拠です。そのプロンプトは1つの文字フォルムも説明していません。「テキストのパッケージングスタイルとテクスチャは画像を参照する」と言い、2枚のボードを渡します。レイアウトは、説明されたからではなく、示されたから到着しました。

もう1つの表。モデルカードとAPIが現在同じことを言っているわけではなく、そのギャップが人々が午後を無駄にする場所だからです。

上記のすべてはAtlas Cloudで実行されました。ここでは3つのH3エンドポイントすべてが1つのキーと1つの送信・ポーリングループの背後にあり、それらの切り替えはモデル文字列の変更のみで済みます。

MiniMax H3プロンプトチュートリアル：This Is Fineの犬を音付きで燃やす

以下が全体のエンドツーエンドです。このジョークが機能するのは、犬が何もしないからです。その否定を10秒の実時間に引き伸ばし、本当の火を追加し、最後の2秒をオリジナルのコミックが実際に行った場所に行かせると、より面白く、少しだけあなたにとって悪くなります。ほとんどの人は最初の2つのパネルしか見たことがありません。

ステップ1：オリジナルのコミックをダウンロードする。AIに再描画させないでください。

このストリップは6つのパネル、2列×3行、600×887です。パネル2とパネル6のみが必要です。

bashCopy
1curl -L -o gunshow-648.png https://gunshowcomic.com/comics/20130109.png
2# 600x887, 6 panels, 2 cols x 3 rows
3
4# crop panel 2 (the "THIS IS FINE." panel):  x 302-584, y 20-293
5# crop panel 6 (the melting dog):            x 302-584, y 595-868
6# upscale each 4x with Lanczos  ->  1128x1092
7

はっきり言います：「This Is Fineに似た犬」を画像モデルに描かせてはいけません。 AIによる再現は0.5秒で偽物と見破られ、ジョークはその場で死にます。水彩の筆致、よろめく手書き文字、紙の質感がすべての契約です。4倍Lanczosアップスケールは、ソースの282pxが薄いから存在するだけです。モデルに、何も発明せずに保持できる実際のピクセルを与えます。 オリジナルコミックのパネル2とパネル6、最初のフレームとエンドイメージの入力としてラベル付け

ステップ2：end_imageを指定してimage-to-videoで実行する。

モデル：minimax/h3/image-to-video。設定：resolution 2K、image = パネル2、end_image = パネル6、ratio 1:1（正方形に近いソースに合わせる）。durationを10に設定します。スライダーはデフォルトで8にあるので、ドラッグします。

textCopy
1Hand-painted 2D webcomic panel, brought to life. Keep the original watercolour
2texture, visible ink outlines, off-register paper grain and flat comic palette
3in every frame. Do not smooth, do not re-render in 3D, do not clean up the
4linework, do not add new objects, do not add new text.
5
6[0s-3s] Almost nothing moves. The dog sits perfectly still, holding the mug,
7eyes fixed forward. Only the flames behind him move: slow orange licks climbing
8the wall, one ember drifting up. The speech bubble reading "THIS IS FINE."
9stays exactly where it is, fully legible, unchanged, hand-lettered.
10
11[3s-6s] The dog lifts the mug and takes one small, calm sip. The speech bubble
12fades out after the sip. The fire brightens. The wall behind him begins to warp
13with heat. His hat starts to smoulder at the brim.
14
15[6s-8.5s] The heat reaches him. His ears sag, his outline softens and begins to
16run downward like wet paint. He still does not move his eyes. The mug stays in
17his paw.
18
19[8.5s-10s] Full melt. The face distorts, one eye slides, teeth bared in a fixed
20grin, the fur runs red and orange. He holds the pose. Hold on the final frame
21for the last half second.
22
23Camera: locked off, single static wide shot, no push in, no handheld, no cuts.
24The frame never moves. This is one continuous take inside one comic panel.
25
26Audio: room-tone of an interior fire throughout - low crackle, occasional pop of
27burning wood, a faint structural creak. At 3s, one ceramic mug touching teeth and
28a small swallow. A calm, flat, unbothered male voice says exactly: "This is fine."
29- deadpan, no emotion, slightly too relaxed. From 6s the crackle grows louder and
30the room tone thickens; the last 2 seconds add a low sub-bass swell. No music,
31no laugh track, no sound effects that are not in this list.
32
33Do not add subtitles. Do not add a watermark. Do not spell any word other than
34the words already in the image. Do not change "THIS IS FINE." Do not cut away.
35

そのプロンプトは構造表そのものです。最初の段落はスタイル契約。4つの括弧で囲まれたスライスはタイムライン。次にカメラ、次にオーディオ、次にネガティブリスト。その中に装飾的なものは何もありません。 Atlas Cloud上のMiniMax H3 image-to-video：最初のフレームとエンドイメージがロードされ、10秒2K、出力パネルに完成したクリップ

ステップ3：出力をQAパスのように読む。

4つのチェック。それぞれがプロンプトの異なるブロックをテストします。

1. 吹き出しの中のTHIS IS FINE.はまだ判読可能で、スペルは正しいですか？これはブロック5をテストします。
2. 線画は生き残ったか、それとも何かがそれをクリーンな3Dに「改善」しましたか？これはブロック1をテストします。
3. オーディオには、リストした音だけが含まれていますか？コンテナを調べます：h264とAACステレオで戻ってくるはずです。
4. 最終フレームはパネル6のポーズに着地していますか？これはend_imageをテストします。

bashCopy
1ffprobe -v error -show_entries stream=codec_type,codec_name,width,height,r_frame_rate,channels,sample_rate \
2        -of default=noprint_wrappers=1 output.mp4
3

私のは1472x1440、24fps、h264とAACステレオ、10.13秒で戻ってきました。注目すべき点：ratio: 1:1を要求しましたが、1472x1440になりました。つまり、image-to-videoでは、ソースフレームの形状が優先されます。2つのパネルを、実際に望む形状に合わせてください。 完成したクリップの0秒、3秒、6.5秒、10秒の4フレーム。プロンプトの4つの時間スライスに対応。

ステップ4：reference-to-videoで犬を新しい場所に移動させる。

同じキャラクター、新しい部屋。モデル：minimax/h3/reference-to-video。設定：refers[] = パネル2をimageとして、duration 8、resolution 2K、ratio 16:9。

textCopy
1Image 1 is the character and art-style reference: keep this exact hand-painted
22D webcomic look, the same watercolour texture, the same ink outline weight, the
3same dog, the same little hat, the same mug. Do not redraw him in 3D, do not
4change his proportions, do not clean up the linework.
5
6Put him in a different room and keep his composure. A cramped open-plan office at
7night, fluorescent tubes flickering, a wall of monitors all showing a red error
8state, printer paper drifting down through the frame, a small electrical fire in
9the corner. He sits in an office chair at the centre of the frame, mug in paw,
10looking straight at the camera, completely relaxed.
11
12Camera: locked off, static wide shot. No push in, no cuts.
13
14Audio: fluorescent hum, printer grinding, a repeating soft alarm chirp every two
15seconds, distant electrical crackle, one calm sip at 4s. No music. No voice.
16
17Do not add any on-screen text. Do not add subtitles. Do not add other characters.
18

移譲可能なルール：refers[]は同一性とスタイルを運び、テキストはシーンを運びます。 その分割がキャラクターの一貫性のすべてのトリックであり、プロンプトの最初の行がそもそも存在する理由です。 同じウェブコミックの犬が、夜の燃えるオープンプランオフィスに移動。MiniMax H3 reference-to-videoで生成。

同じ帽子、同じマグカップ、同じインクの太さ、新しい部屋。1枚の参照画像でそれすべてが実現しました。

さらに盗む価値のある3つのMiniMax H3プロンプトパターン

パターン1：モーションポスター。レイアウトが動いてはいけない。 MiniMax H3モーションポスター：POPUP! レイアウトがアニメーション化する一方、フレームとタイポグラフィはロックされたまま MiniMax H3に渡されたオリジナルの静止ポスター

プロンプト全体は2行：ギャラリーの白いフレーム、内側のフレーム、赤白黒のパレット、3Dフィギュアの雰囲気、レイアウト構造を変更せずに維持し、テキストの入り口に機敏な効果音を配置する。ルール：生き残らなければならない部分に名前を付けること。「レイアウトを維持する」はスタイルノートではなく、制約であり、モデルはそれを制約として扱います。

パターン2：インターフェースデモ。動詞が形容詞に勝る。 MiniMax H3ランディングページデモ：製品ページでのスクロール、ホバー、色反転 ランディングページクリップの背後にある単一の製品参照画像

そのプロンプトは、下方向へのページスクロール、ホバー状態、強い拡大、色反転を要求します。4つの動詞。「モダン」や「スリック」とは決して言いません。インタラクションはアクションであるため、アクションとして記述します。 特大のイタリック体とカーボンウィーブの背景は形容詞から来ました。実際のページとして読ませるものは動詞から来ました。

パターン3：実写と手描きの融合、拒否によって支えられる。 MiniMax H3クリップ：実写のキッチンフッテージと手描きの光る生き物を融合

これは、小さな光る手描きの生き物がいる、電話で撮影した夕方のキッチンです。それがホラー短編にならずに魅力的なままである理由は、禁止事項のリストです：巨大な目、裂けた口、牙、脅迫的な姿勢、飛びかかり、突然の暗転、ジャンプスケアなし。ネガティブリストは主要なスタイルコントロールであり、パッチではありません。 また、あなたが味をエンコードする場所でもあります。 公式SF予告編の4フレーム：THE STARS WERE LISTENING 予告編の背後にあるムードボードとキャラクター参照

上記の予告編は、両方のアイデアをループで閉じます。プロンプトは1つのタイトルTHE STARS WERE LISTENINGを詳細に綴っています：極端に細く、太く、すべて大文字、錆び混じりの濃い赤、わずかな粒状感と曇ったエッジ。それは注文通りに正確に戻ってきます。2枚の参照ボードがムードと主人公を処理するので、テキストは顔を説明する必要がありません。分業、すべてのレベルで。

これらのMiniMax H3プロンプトを実行するコスト

H3は生成されたビデオの秒数と解像度に基づいて課金されるため、コストモデルは非常に単純です：15秒のテイクは約3回の5秒トライアルのコストがかかります。それ以外はすべてこれに従います。

• 5秒でイテレーションし、10秒または15秒で納品する。 構図、パレット、サウンドデザインはすべて5秒で解決します。ロックオフショットの何も、それが間違っていることを教えるために全長を必要としません。
• end_imageはクリエイティブツールであるだけでなく、コストツールでもあります。 ほとんどの再実行はエンディングがずれるために発生します。最後のフレームを固定することで、その障害モードを支払う前に排除します。
• ネガティブリストと綴られたテキストは無料です。 トークンではなく秒数で課金されるプロンプトに文字を追加します。積極的に使用してください。
• 記述する前にdurationをエンドポイントに合わせてください。 15秒のショットリストを作成し、その後エンドポイントの上限が10秒であることに気付くと、再実行だけでなく書き直しのコストがかかります。

まだ計画すべきでないこと：価格表にはより安い768pティアがリストされていますが、本稿執筆時点では768pジョブは完全に拒否され、2Kのみが実行可能な解像度です。すべての秒が2K秒であるかのように予算を組んでください。現在の1秒あたりのレートはモデルページにあります。768pティアが開設されたらそこに表示されるでしょう。

MiniMax H3プロンプト、ミーム、著作権

この犬はパブリックドメインではありません。This Is FineはKC Greenのウェブコミック『Gunshow』#648（2013年1月9日公開）に由来し、最初の2つのパネルだけがバイラルになりました（Know Your Meme、2013年1月）。Greenは、このイメージが（彼が政治的立場を共有しない人々を含めて）永久に再利用されるのを見ることについて、公に、かなり疲れた口調で語っています（NPR、2023年1月）。

このウォークスルーは解説と教育であり、ストックライブラリではありません。商業的に出荷したい場合は、独自のフレームを描くか、使用するフレームのライセンスを取得してください。また、クライアントの仕事の前に、独自のポリシーチェックを実行してください：H3は認識可能な実在の人物やよく知られたIPにコンテンツルールを適用し、締め切り中にそれを知るのは楽しいことではありません。

よくある質問

MiniMax H3はオーディオを生成しますか、それとも後で追加するのですか？

同じパスです。映像と音声は一緒に出てきます。そのため、オーディオを後から付け加えるのではなく、プロンプト本文に記述する必要があります。独自のAudio:ブロックを与え、各音がいつ入るかを記述してください。調査した9つの公式クリップはすべて、2560x1440、24fpsのビデオストリームとともに、AACステレオ32kHzで戻ってきました。

MiniMax H3プロンプトはどのくらいの長さにできますか？

MiniMaxのドキュメントによると、最大7,000文字です。実際には、公式の例は幅広い範囲に及び、中央値は約130文字（中国語）、最も長い2つは657文字と858文字です。参照画像が説明を担っている場合、短いプロンプトでも問題なく機能します。参照がない場合は、ショットリストを書くことを想定してください。

MiniMax H3ビデオでテキストが文字化けするのはなぜですか？

タイプしなかったからです。プロンプトに文字通り現れる文字列はきれいにレンダリングされます。ジェネリックに示したもの（「HUD要素」、「いくつかのラベル」）は、文字の形をしたテクスチャとして戻ってきます。読み取り可能でなければならないすべての単語を綴り、その後do not misspell, do not add other text, do not add subtitlesを追加してください。

1つのMiniMax H3プロンプトで使用できる参照画像、ビデオ、オーディオクリップの数は？

9枚の画像、3つのビデオ、3つのオーディオクリップ、合計12ファイル。参照ビデオとオーディオはそれぞれ2〜15秒です。オーディオを唯一の参照にすることはできません。モデルの機能と特定のエンドポイントが公開するものは異なることに注意してください。現在の入力リストについてはモデルページを確認してください。

MiniMax H3プロンプトは、クリップの開始方法だけでなく、終了方法も制御できますか？

はい、image-to-videoでは、オプションのend_imageパラメータを介して可能です。最初のフレームと最後のフレームを指定すると、クリップはそれらの間を補間します。上のデモはまさにそれです：コミックパネル2を入力、パネル6を出力。2つの画像を同様のアスペクト比に保つか、トランジションが醜くなります。

現在実際に取得できる長さと解像度は？

2K、そして2Kのみです。768pジョブは現在supported resolutions: 2Kで拒否されます（768pが価格表に表示されているにもかかわらず）。長さはエンドポイントによって異なります：text-to-videoとimage-to-videoは5〜10秒（デフォルト8）、reference-to-videoは5〜15秒です。もう1つの注意点：テキストのみの生成では、APIはadaptiveを拒否し、明示的なratioが必要です。