MiniMax H3 提示指南：我讀完了全部45個官方提示，然後把這隻「This Is Fine」狗點火了

你已經知道如何提示影片模型了。「電影級光線、慢推、4K。」這些詞彙你用了兩年。

然後你把它貼進 MiniMax H3，拿到一段 2K 的片段，而且它自帶音軌。畫面看起來很棒，節奏卻一團糟。標題裡有兩個字母拼錯了。音訊是模型隨機選的環境音。

問題不在模型。你只給了一句話，它要的是一份時間表。

於是我去讀了 MiniMax 隨 H3 附上的全部 45 個範例提示詞，以及它們產出的成品片段，然後把畫格一個個拆開來看。官方提示詞不是描述。好的提示詞是附了一張音樂提示表的拍攝清單。以下是結構、目前實際開放的參數，以及一個你可以在二十分鐘內重現的示範。

重點摘要

• H3 提示詞是時間線，不是描述。最強的官方範例直接用 [0s-2s]、[2s-4s] 標記來切割片段，而成品影片也確實打中了每一個節拍。
• 聲音和畫面來自同一次生成，所以音訊必須寫在提示詞主體裡。官方提示詞會給它獨立區塊，甚至精確到「6 秒時加入爵士貝斯律動」。
• **你拼寫出來的字會正確呈現；你沒拼寫出來的字會變成字母形狀的雜訊。**我有一份官方片段的畫格裁切，同時證明了這兩種情況。
• image-to-video 接受一個 end_image。給它第一幀和最後一幀，情感弧線在你花費任何算力之前就已經固定了。
• 提示詞長度不是優點。當參考圖片承擔了描述工作時，短的官方提示詞就能運作得很好。長度反映的是你拒絕交給參考圖片的任務有多少。

左邊是 KC Green 的原作漫畫，未經修改。右邊是一次 image-to-video 呼叫的結果：輸入第一幀、輸入最後一幀、十秒輸出，火焰的劈啪聲和那句平淡的「this is fine」是模型自己產生的音軌。沒有人為它配樂。本指南的一切目標，都是為了讓你達到右邊那半。

MiniMax H3 提示詞實際長什麼樣子（我讀了全部 45 個）

目前搜尋結果第一頁的每一篇「MiniMax H3 提示詞指南」都是一張規格表：2K、24fps、5 到 15 秒、原生音訊。那是模型卡，不是提示詞。

這是一個真實的範例。這是 MiniMax 黑色電影片頭序列的官方提示詞的一部分，從中文原文翻譯而來，大約只有完整長度的三分之一：

生成一段 15 秒 16:9 的輕懸疑犯罪片片頭。整體風格參考這些圖片的視覺語言：復古日式動畫片頭卡、銳利剪影、漫畫拼貼、不對稱分割畫面、強烈幾何色塊、英文片頭字幕、少許日文片假名裝飾、爵士犯罪感。氛圍 60% 懸疑、40% 爵士：神秘、冷酷、靈巧、都會犯罪，不是恐怖，不是沉重，也不要變成歡樂的爵士 MV。

[...] 英文片頭字幕必須清晰可讀 [...] 不要加入中文，不要產生亂碼，不要拼錯英文。整段規則：每個英文片頭和職稱只出現一次。不要重複職稱，不要重複名字，不要給同一個人多個頭銜。

轉場必須多樣化：圓形黑膠唱片遮罩、垂直車門擦拭、人物長影橫掃畫面、紅線剪接、巨型英文字母遮罩、分割畫面重新構圖、硬色塊剪接、區塊逐塊貼上面板。所有轉場都要落在鼓點上：清脆、懸疑、靈巧、漫畫拼貼。不要軟溶解，不要流暢轉場。

背景音樂：原創 15 秒片頭音樂，60% 懸疑、40% 爵士。由持續的低音、緊張的撥弦弦樂、冰冷的合成器脈衝、大鼓、稀疏的爵士鼓刷、一段行走貝斯、短暫的男中音薩克斯風樂句和簡短的銅管刺擊組成。前 2 秒以低頻和鈸建立懸疑，3 秒時低音鼓加入，6 秒時爵士貝斯律動加入，10 秒時出現短暫的薩克斯風/銅管樂句，最後 2 秒以緊張的和弦和鼓點結束。

看看文字都用在哪些地方了。幾乎沒有一個字用在「美麗」或「電影感」上。它們都用在負面清單、轉場清單和逐秒音樂提示表上。這就是任務的形狀。 MiniMax H3 官方黑色片頭序列：MIDNIGHT LINE，帶有清晰的 STARRING 字幕

看看那個片段裡的片頭字幕。MIDNIGHT LINE、STARRING、MAYA CROSS、REN KATO、LENA WARD、DIRECTED BY NOAH VOSS。拼寫正確，沒有重複使用職稱，片假名裝飾放在它被要求放的位置。提示詞沒有說「做出漂亮的標題」。它說的是不要重複、不要拼錯、不要中文，並用五種不同方式命名了美學風格。 與黑色片頭提示詞一起提供給 MiniMax H3 的五張風格參考板

這五張板子與文字一起輸入。五張圖片加上一段長提示，一次生成。這就是現在這項工作的模樣。

而這麼多官方提示詞之所以短的原因就在圖片裡。在全部 45 個提示詞中，中位數長度約為 130 個中文字，但最長的兩個分別是 657 和 858 個字。短的提示詞之所以短，是因為參考板承擔了描述工作。長的提示詞之所以長，是因為沒有其他東西能承擔它。

為什麼大多數 MiniMax H3 提示詞的結果平淡無奇，以及亂碼文字的修正方法

會出錯的地方有三個，而且都是「欠缺」而不是「錯誤」。

沒有時間線。 你要求十秒，卻只描述了一個瞬間，所以你得到一個慢推鏡頭，硬撐了十秒。模型在第七秒沒事可做。

沒有音訊區塊。 聲音與畫面在同一次生成中產生。如果你什麼都不說，模型還是會給你一條音軌，只是它自己選一個。

沒有負面清單。 如果不加限制，模型會傾向於使用軟溶解、憑空創造畫面上的文字，並加入沒人要求的字幕條。

最明確的證據是官方遊戲 UI 提示詞，它由六個時間戳記的節拍組成：[0s-2s] 選單、[2s-4s] 右臂面板、[4s-7s] 武器網格、[7s-8.5s] 確認、[8.5s-10s] 載入條、[10s-15s] 世界載入完成。成品片段準確地依序擊中了所有六個節拍。 MiniMax H3 遊戲 UI 片段：選單、裝備面板、載入條、世界載入

現在來看誠實的一面，來自同一個片段，全解析度 2560x1440。 左：提示詞中拼寫出的文字渲染清晰。右：未拼寫的文字渲染成字母形狀的雜訊

左邊，提示詞實際打出的每個字串：RIGHT ARM EQUIPMENT、PHANTOM GRIP、CHRONOS CLAW。清晰、正確、字距像真實遊戲選單一樣。

右邊，最後街景鏡頭的 HUD，提示詞只稱之為「HUD 元素」。它顯示為 ETR METNO CITFEP。在裝備圖示上方，由於提示詞沒說，你得到的是 MNALEαIN IAMG。這不是渲染錯誤。模型正在畫英文的紋理，因為它從未被賦予實際字串。

所以修正方法不是一個設定，而是一個習慣：

如果一個字需要可讀，就把那個字打出來。 然後加上一行負面指示：不要拼錯，不要加入其他文字，不要加入字幕。

以下是每一個強烈官方提示詞都會共享的六區塊結構。

區塊 5 和 6 是免費的。它們不會增加額外生成成本，而品質大多來自這裡。

MiniMax H3 提示詞工作流程：你的提示詞屬於哪個端點

同樣的 API 金鑰，同樣的提交並輪詢模式，但有三個入口。你選擇哪一個決定了你的提示詞還需要做什麼。

refers[] 是目前在野外真正被低估的參數，以下是它需要的格式：

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

四條規則，每一條都能幫你省下一次浪費的生成：

1. 音訊不能單獨存在。 陣列中至少需要一張圖片或影片。只有節拍軌會被拒絕。
2. type 是可選的。 它會從 URL 推斷，但當副檔名不明確時，還是要明確指定。
3. 上限是真實的。 最多 9 張圖片、3 個影片和 3 個音訊片段，總共 12 個檔案，參考影片和音訊長度各為 2 到 15 秒（MiniMax API 文件，2026 年 7 月）。
4. 在提示詞文字中為每個參考賦予一個任務。 這是這份清單中槓桿最高的習慣。官方提示詞會以「圖片 1 是整體氛圍和風格參考，圖片 2 是主角參考」開頭。沒有那句話，模型就必須猜測每張板子代表什麼。 MiniMax H3 黑暗流行音樂錄影帶：CUT BACK、ONE LOOK、DETONATE 字體 黑暗流行片段背後的兩張字體參考板

那個片段正是規則 4 的論證。它的提示詞從未描述任何一個字母形式。它說「文字包裝樣式和質感參考圖片」，然後提供了兩張板子。佈局之所以出現，是因為它被展示而不是被描述。

再來一張表格，因為模型卡和 API 目前說的並不完全一致，而這個差距正是人們會浪費一個下午的地方。

以上所有內容都在 Atlas Cloud 上執行，那裡三個 H3 端點共用同一組金鑰和同一個提交輪詢迴圈，因此在它們之間切換只是改變模型字串，沒有其他差別。

MiniMax H3 提示詞教學：讓 This Is Fine 狗在火中燃燒，並附帶音效

以下是完整的一步一步流程。這個笑話之所以有效，是因為狗什麼都沒做。把那種拒絕拉長到十秒的真實時間，加上真正的火焰，讓最後兩秒走向原作漫畫實際的結局，它會變得更好笑，同時對你來說也有點糟。大多數人只看過前兩個畫格。

步驟 1：下載原作漫畫。不要讓 AI 重新繪製它。

這條漫畫有六個畫格，兩列三行，600x887。我們只需要畫格 2 和畫格 6。

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

說清楚：不要要求影像模型畫「一隻看起來像 This Is Fine 的狗」。 AI 重製的版本在半秒內就會被識破是假的，笑點當場死亡。水彩渲染、歪斜的手寫字體和紙張紋理是整個合約的全部。4x Lanczos 放大只是因為原始 282px 的來源太薄；它能給模型一些真實的像素來抓住，而不必創造任何新東西。 原作漫畫的畫格 2 和畫格 6，標示為第一幀和結束圖像輸入

步驟 2：在 image-to-video 上使用 end_image 執行。

模型：minimax/h3/image-to-video。設定：resolution 2K、image = 畫格 2、end_image = 畫格 6、ratio 1:1 以配合接近方形的來源。將 duration 設為 10；滑桿預設在 8，所以要拖動它。

textCopy
1手繪 2D 網路漫畫畫格，賦予生命。保留原始水彩紋理、可見的墨水輪廓、未對位的紙張肌理和平面漫畫色調，在每一幀中都保持。不要平滑化，不要用 3D 重新渲染，不要清理線條，不要加入新物件，不要加入新文字。
2
3[0s-3s] 幾乎沒有東西移動。狗狗靜止不動，握著杯子，眼睛直視前方。只有他身後的火焰在移動：緩慢的橙色火舌爬上牆壁，一顆餘燼飄起。對話框中的「THIS IS FINE.」文字完全保持原樣、完全可讀、不變，手寫字體。
4
5[3s-6s] 狗狗舉起杯子，小小地、平靜地喝了一口。對話框在喝下後淡出。火焰變亮。他身後的牆壁開始因熱度而扭曲。他的帽子帽緣開始冒煙。
6
7[6s-8.5s] 熱度蔓延到他身上。他的耳朵下垂，輪廓變得模糊，開始像濕油漆一樣向下流動。他的眼睛仍然沒有移動。杯子仍在他爪子裡。
8
9[8.5s-10s] 完全融化。臉部扭曲，一隻眼睛滑落，牙齒露出僵硬的咧嘴笑，皮毛變成紅色和橙色。他保持姿勢。最後半秒停留在最終畫格上。
10
11鏡頭：鎖定，單一靜態廣角，無推進，無手持，無切換。畫面從不移動。這是一個單一連續鏡頭，在一個漫畫畫格內。
12
13音訊：全程室內火災環境音 - 低微的劈啪聲、偶爾的木材燃燒爆裂聲、微弱的結構吱嘎聲。3 秒時，陶瓷杯子碰到牙齒和一聲小吞嚥。一個平靜、平坦、不受打擾的男性聲音精確地說出：「This is fine.」- 面無表情，沒有情緒，稍微太過放鬆。從 6 秒開始，劈啪聲變大，環境音變厚；最後 2 秒加入低沉的低音膨脹。沒有音樂，沒有罐頭笑聲，沒有本清單以外的音效。
14
15不要加入字幕。不要加入浮水印。不要拼寫圖像中已有的文字以外的任何單字。不要改變「THIS IS FINE.」。不要切開。
16

那個提示詞就是結構表格的活體版本。第一段是風格合約。四個括號片段是時間線。然後是鏡頭、音訊、負面清單。裡面沒有任何裝飾性文字。 在 Atlas Cloud 上的 MiniMax H3 image-to-video：已載入第一幀和結束圖像，10 秒 2K，輸出面板中的完成片段

步驟 3：像 QA 檢查一樣閱讀輸出。

四個檢查點，每個測試提示詞的不同區塊。

1. 對話框中的 THIS IS FINE. 是否仍然可讀且拼寫正確？測試區塊 5。
2. 線條是否存活，還是某些東西把它「改善」成乾淨的 3D？測試區塊 1。
3. 音訊是否只包含你列出的聲音？檢查容器：應該回傳 h264 加上 AAC 立體聲。
4. 最終幀是否落在畫格 6 的姿勢上？測試 end_image。

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

我的回傳結果是 1472x1440、24fps、h264 加上 AAC 立體聲，10.13 秒。值得注意：我要求 ratio: 1:1，但得到了 1472x1440，所以在 image-to-video 上，來源幀的形狀會勝出。將你的兩個畫格調整為你實際想要的形狀。 成品片段中的四個幀，分別在 0s、3s、6.5s 和 10s，與提示詞中的四個時間片段相符

步驟 4：用 reference-to-video 把狗移到新地方。

相同角色，新房間。模型：minimax/h3/reference-to-video。設定：refers[] = 畫格 2 作為 image、duration 8、resolution 2K、ratio 16:9。

textCopy
1圖片 1 是角色和美術風格參考：保持這個精確的手繪 2D 網路漫畫外觀，相同的水彩紋理，相同的墨水輪廓粗細，相同的狗，相同的小帽子，相同的杯子。不要用 3D 重新繪製他，不要改變他的比例，不要清理線條。
2
3把他放在一個不同的房間，並保持他的冷靜。夜間一個狹窄的開放式辦公室，螢光燈管閃爍，一面牆的螢幕全部顯示紅色錯誤狀態，印表機紙張從畫面中飄落，角落有一個小小的電氣火災。他坐在畫面中央的辦公椅上，杯子在爪子裡，直視鏡頭，完全放鬆。
4
5鏡頭：鎖定，靜態廣角。無推進，無切換。
6
7音訊：螢光燈嗡嗡聲、印表機運轉聲、每隔兩秒重複一次柔和的警報聲、遠處的電氣劈啪聲、4 秒時一聲平靜的啜飲。沒有音樂。沒有語音。
8
9不要加入任何畫面上的文字。不要加入字幕。不要加入其他角色。
10

可轉移的規則：refers[] 承載身份和風格，文字承載場景。 這個分割是角色一致性的全部技巧，也是提示詞第一行之所以存在的理由。 同一隻網路漫畫狗被搬到夜間燃燒的開放式辦公室，由 MiniMax H3 reference-to-video 生成

相同的帽子、相同的杯子、相同的墨水粗細、新的房間。一張參考圖片就完成了所有這些。

另三個值得偷學的 MiniMax H3 提示詞模式

模式 1：動態海報，佈局必須不移動。 MiniMax H3 動態海報：POPUP! 佈局動畫，而畫框和字體保持鎖定 提供給 MiniMax H3 的原始靜態海報

整個提示詞只有兩行：保持畫廊白色畫框、內框、紅白黑色調、3D 人物感和佈局結構不變，並在文字進入時加入靈巧的音效。規則：說出必須存活的部件。「保持佈局」不是風格說明，而是一個約束，模型會把它當作約束來處理。

模式 2：介面示範，動詞勝過形容詞。 MiniMax H3 登陸頁面示範：產品頁面上的滾動、懸停、顏色反轉 登陸頁面片段背後的單一產品參考圖片

那個提示詞要求向下滾動頁面、懸停狀態、強烈放大和顏色反轉。四個動詞。它從未說「現代」或「時尚」。互動是動作，所以把它們寫成動作。 超大的斜體字和碳纖維編織背景來自形容詞；讓它看起來像真實頁面的東西來自動詞。

模式 3：真人實拍加上手繪，靠拒絕清單維持。 MiniMax H3 片段融合了真人實拍的廚房畫面與手繪發光生物

這是一個手機拍攝的傍晚廚房，裡面有小小的發光手繪生物，而它之所以能保持迷人而不是變成恐怖短片，是因為有一串禁止清單：沒有大眼睛、沒有裂開的嘴巴、沒有尖牙、沒有威脅姿勢、沒有撲擊、沒有突然切到黑畫面、沒有驚嚇。負面清單是主要的風格控制，不是一個修補補丁。 它也是你編碼品味的地方。 官方科幻預告片的四個幀：THE STARS WERE LISTENING 預告片背後的氛圍板與角色參考

上面的預告片將這兩個想法串聯起來。提示詞詳細拼寫了一個標題 THE STARS WERE LISTENING：極窄、粗體、全大寫、暗紅色混鐵鏽色、輕微顆粒和霧化邊緣。這個標題完全按照指示呈現。兩張參考板處理氛圍和主角，所以文字從不需要描述一張臉。分工，一路向下。

執行這些 MiniMax H3 提示詞要花多少錢

H3 按生成的影片秒數計費，按解析度區分，所以成本模型簡單得令人耳目一新：一段 15 秒的片段大約花費三次 5 秒嘗試的費用。其他一切都由此衍生。

• 在 5 秒時迭代，在 10 或 15 秒時交付。 構圖、色調和聲音設計在 5 秒時都能確定。鎖定鏡頭沒有任何部分需要完整時長才能告訴你它錯了。
• end_image 不僅是創意工具，也是成本工具。 大多數重跑是因為結尾漂移了。在付費之前鎖定最後一幀，就消除了那個失敗模式。
• 負面清單和拼寫出來的文字是免費的。 它們會增加提示詞的字元數，但提示詞是按秒數計費，而不是按 token 計費。大量使用它們。
• 在寫提示詞之前，先將 duration 匹配到端點。 建立一個 15 秒的拍攝清單，然後發現你的端點上限是 10 秒，會讓你成本重寫而不只是重新執行。

有一件事暫時還不能規劃：定價表列出一個較便宜的 768p 層級，但截至本文撰寫時，768p 的任務會被直接拒絕，2K 是唯一能運行的解析度。預算時假設每一秒都是 2K 秒。當前每秒費率在模型頁面上，一旦 768p 層級開放，也會在那裡顯示。

MiniMax H3 提示詞、迷因與版權

這隻狗並非公共領域。This Is Fine 來自 KC Green 的網路漫畫 Gunshow #648，於 2013 年 1 月 9 日發表，而且只有前兩個畫格曾經爆紅（Know Your Meme，2013 年 1 月）。Green 曾公開、相當疲憊地談論看著這個圖像被不斷重複使用，包括被政治立場與他不同的人使用（NPR，2023 年 1 月）。

這個逐步解說是評論與教學，不是素材庫。如果你想商業化出貨，請自己繪製畫格或授權使用。在客戶專案之前，執行你自己的政策檢查：H3 對可識別的真人與知名 IP 套用內容規則，而截止期限前發現這點並不有趣。

常見問題

MiniMax H3 會產生音訊嗎，還是我之後再添加？

同一次生成。畫面與聲音一起產出，這正是為什麼音訊必須寫在提示詞主體中，而不是之後才附加。給它一個獨立的 Audio: 區塊，並說明每個聲音何時出現。我探測的九個官方片段中，每個都以 AAC 立體聲 32kHz 返回，同時伴隨 2560x1440、24fps 的影片串流。

MiniMax H3 提示詞可以多長？

最多 7,000 個字元，根據 MiniMax 文件。實際上官方範例的長度範圍很廣，中位數約為 130 個中文字，最長的兩個分別是 657 和 858 個字。當參考圖片承擔描述工作時，短的提示詞就能運作良好。如果你沒有參考，預期需要寫一份拍攝清單。

為什麼我的 MiniMax H3 影片中文字會出現亂碼？

因為你沒有把它打出來。在提示詞中實際出現的字串會清晰渲染；你泛泛地指代的東西（「HUD 元素」、「一些標籤」）會以字母形狀的紋理返回。把每個需要可讀的字都拼寫出來，然後加上「不要拼錯，不要加入其他文字，不要加入字幕」。

一個 MiniMax H3 提示詞可以使用多少參考圖片、影片和音訊片段？

九張圖片、三個影片和三個音訊片段，總共十二個檔案，參考影片和音訊長度各為 2 到 15 秒。音訊不能是唯一的參考。請注意，模型能力與特定端點暴露的內容是兩回事，所以請查看模型頁面以了解目前的輸入清單。

MiniMax H3 提示詞可以控制片段的結尾，而不只是開頭嗎？

可以，在 image-to-video 上，透過可選的 end_image 參數。給它第一幀和最後一幀，片段就會在它們之間插值。上面的示範正是如此：輸入漫畫畫格 2，輸出漫畫畫格 6。保持兩張圖片的長寬比相近，否則轉場會變得很難看。

我目前實際上可以得到哪些時長和解析度？

2K，而且只有 2K。768p 的任務目前會被拒絕，回傳「支援的解析度：2K」，即使 768p 出現在定價表中。時長因端點而異：text-to-video 和 image-to-video 接受 5 到 10 秒，預設為 8；reference-to-video 接受 5 到 15 秒。另一個陷阱：在純文字生成時，API 會拒絕 adaptive 並要求明確的 ratio。