MiniMax H3プロンプトガイド：すべての参照入力を制御する

MiniMax H3プロンプトの有用な考え方は、「もっと詳しく書く」ことではありません。「すべての入力に1つの仕事を与える」ことです。H3はテキスト、画像、動画、音声を統合された参照セットとして受け取れるため、クリエイターは静止画から商品や人物の同一性を、クリップから動きを、音声からペースを、プロンプトからショットの指示を得られます。この柔軟性が役立つのは、モデルがどのソースが結果のどの部分を制御するかを判断できる場合だけです。

このMiniMax H3プロンプトガイドでは、その原則を再現可能な形式にします。各アセットを役割に結び付ける方法、参照どうしの矛盾を防ぐ方法、保持ルールを書く方法、4～15秒の生成を時間指定したビートに分ける方法を学べます。最後の6つのテンプレートは、商品動画、キャラクターの動き、台詞、動画編集、UIモーション、最初から最後のフレームへの遷移を扱います。

MiniMax H3、Hailuo 3.0、それともHailuo 03？

MiniMaxの現在のドキュメントでは、モデルをMiniMax H3と呼び、公式APIモデル識別子をMiniMax-H3としています。HailuoはMiniMaxの動画プロダクトブランドであるため、ローンチ記事や第三者カタログではHailuo 3.0、Hailuo 03、Hailuo-3.0に出会うこともあります。

目の前の画面で要求されるラベルを使ってください。公開時点で文書化された公式MiniMax V2 APIでは、これはMiniMax-H3を意味します。マーケットプレイスの別名も有効な公式API識別子だと想定しないでください。本ガイドではモデルをMiniMax H3、画像・動画・音声入力を組み合わせるモードを参照生成と呼びます。「オムニ参照」はこの混合メディアワークフローを表す有用な説明ですが、公式APIでは「参照から動画への生成」と呼ばれます。

3つのH3生成モードを知る

適切なモードの選択は、プロンプトを書く前に行います。

現在の公式仕様では、2K出力と4秒から15秒までの整数時間が記載されています。すべてのリクエストには空でないテキストプロンプトが必要で、上限は7,000文字です。参照リクエストには、最大9枚の画像、3本の動画、3本の音声クリップを、合計12アセットまで含められます。参照動画の合計は15秒までであり、参照音声クリップも同様です。音声参照は単独では送信できず、少なくとも1つの画像または動画を伴う必要があります。

テキストから動画では具体的なアスペクト比が必要です。参照生成では具体的な比率を使うことも、H3に適応的に選ばせることもできます。一方、最初／最後のフレーム生成はアップロード画像に従います。文書化された比率の選択肢は21:9、16:9、4:3、1:1、3:4、9:16です。

厳格なワークフロー上の境界が1つあります。最初／最後のフレームモードと参照生成は、同じAPIリクエストでは混在できません。正確な境界フレームが重要なら最初／最後のフレームモードを使います。同一性、動き、スタイル、音声の転送がより重要なら、参照生成を使い、開始構図をテキストで説明してください。

H3プロンプトを役割マップとして作る

H3のAPIは、reference_image、reference_video、reference_audioなどの役割を持つ型付きアイテムとしてメディアを受け取ります。これらの技術的な役割はメディアタイプを特定します。プロンプトではさらに一段進めて、各アセットのクリエイティブ上の責任を記します。

次の順序を使ってください。

DELIVERABLE
What the final clip is for, its duration, and its format.

ROLE MAP
Reference image 1 = subject identity and immutable appearance.
Reference image 2 = environment or visual style only.
Reference video 1 = body motion and timing only.
Reference audio 1 = rhythm and edit timing only.

SHOT
Subject, action, environment, lighting, and camera direction.

TIMELINE
Time-coded beats that add up to the selected duration.

PRESERVE
Features that must remain unchanged from named references.

EXCLUDE
A short list of the most damaging unwanted changes.

上の番号付きラベルは、ブリーフの意味上のラベルであり、すべてのH3インターフェースが文字どおりのReference image 1ハンドルを公開するという保証ではありません。公式APIでは、ファイルはcontent配列内の別々のアイテムです。視覚インターフェースでは、その画面が提供する添付名または参照構文を使い、アセット1つに仕事1つという論理を保ってください。

各アセットに主な仕事を1つ与える

参照には、通常は移したくない情報も含まれています。ダンスクリップには演者、服、場所、カメラ、照明、動き、場合によっては音楽も含まれます。H3に「動画に従う」よう求めると、それらすべての特徴がキャラクター画像と競合します。

代わりに、狭く結び付けます。

• **画像参照：**同一性、顔、衣装、商品形状、ロゴ、パレット、環境デザイン。
• **動画参照：**身体の動き、カメラ経路、アクションのタイミング、物理的相互作用、編集リズム。
• **音声参照：**声の性格、抑揚、音楽リズム、環境音、イベントの合図。
• **テキストプロンプト：**最終シーン、転送ルール、タイムライン、優先順位、保持指示。

1つのアセットが2つの仕事を担う必要があるときは、両方を挙げ、境界を明示します。「参照動画1はカメラ経路とアクションのタイミングを制御する。演者、衣装、場所、カラーグレーディング、音声は無視する」のように書きます。

参照どうしを競合させない

参照の競合は、モデルの問題である前に指示の問題であることがほとんどです。2枚の画像が違うジャケットを示す、モーションクリップの体型が違う、音声ビートが求める途切れないカメラ移動と衝突するカットを示唆する、といった場合があります。

入力が重なるときは、書かれた優先順を使います。

Priority order:
1. Reference image 1 controls character identity and wardrobe.
2. Reference video 1 controls movement and timing only.
3. Reference image 2 controls lighting palette and set design only.
4. The text prompt controls camera framing and final composition.

次に、H3が好みを推測するのを待つのではなく、矛盾を解決します。同一性画像で髪が下りているのにモーション動画で帽子をかぶっているなら、最終キャラクターが髪を維持するのか帽子をかぶるのかを記します。商品参照に読めるラベルがあり、スタイル画像が絵画的なら、スタイライズは環境に適用し、パッケージは写実的に保つと伝えてください。

3つの習慣が競合を減らします。

1. **最小限で有用な参照セットを使う。**入力が増えるほど、食い違いの可能性も増えます。プロンプトでは信頼して表現できない情報を提供する場合にだけ、ファイルを追加します。
2. **内容とスタイルを分ける。**どの参照が被写体を担い、どの参照が処理を担うかを記します。
3. **カメラの権限を1つ選ぶ。**動画からカメラを転送するか、テキストで指示するかのどちらかです。両方が必要なら、動画はタイミングを与え、テキストがフレーミングを上書きすると記します。

より広い症状別ワークフローについては、反復中にAI動画プロンプトの7つの修正法をこのガイドと併せて使ってください。

確認できる保持指示を書く

「一貫性を保つ」は曖昧すぎます。保持ブロックには、どのフレームでも確認できる見える特性を挙げるべきです。

キャラクターの場合：

Preserve from reference image 1 throughout every frame: facial structure,
eye color, hairstyle and length, jacket cut, jacket color, and body proportions.
Do not replace the performer with the person from reference video 1.

商品の場合：

Preserve from reference image 1: bottle silhouette, cap shape, label placement,
navy wordmark, coral seal, material finish, and relative proportions.
No duplicate product, redesigned packaging, extra text, or changing logo.

肯定的なアンカーを先に置くべきです。除外はプロンプト全体ではなく、ガードレールです。ネガティブリストは短く具体的に保ってください。曖昧な禁止事項を10個並べると、テイクを使えるかどうかを決める4つの不変条件が薄まることがあります。

同じキャラクターを複数の別々に生成したクリップに登場させるなら、同一性と衣装のブロックはすべてのプロンプトで同一に保ってください。一貫したキャラクターのワークフローでは、長いシーケンスで再利用できる参照パケットを作る方法を説明しています。

内容だけでなく時間も指示する

H3では4秒から15秒のクリップを作れますが、長い段落だけでは各イベントがいつ起こるかをモデルに伝えられません。タイムラインにより、プロンプトは簡潔なショットプランになります。

10秒のクリップの場合：

0–2 seconds: locked medium-wide establishing shot; subject holds still.
2–6 seconds: subject performs the referenced action at the source tempo.
6–9 seconds: camera makes one slow 20-degree arc to the right.
9–10 seconds: subject settles; hold a clean final composition for the edit.

各ビートを実現可能なものにしてください。無関係な変化を連ねるより、主アクション1つとカメラ移動1つの方が通常は明確です。時間範囲の合計を選択した時間に合わせ、重要な商品や顔の細部はゆっくりしたビートに置き、安定した編集点のために最後の0.5秒または1秒を確保します。

音声も同じ時計を共有できます。

At 2.0 seconds, the first downbeat starts the hand movement.
At 6.0 seconds, the bass hit motivates the camera arc.
From 9.0 seconds, let the music tail continue under the held final frame.

レンズ、光、カメラの語彙をさらに知るには、シネマティックAI動画プロンプトガイドを参照してください。

MiniMax H3プロンプトテンプレート6選

角括弧の詳細を置き換え、一覧にあるアセットだけを添付し、ラベルは使うインターフェースに合わせて調整してください。これらのテンプレートは、文書化されたH3入力モードに基づく構造化された出発点です。ベンチマークの勝者や保証された出力を主張するものではありません。

テンプレート1：動きと音楽の参照を使った商品公開

• **モード：**参照生成
• **アセット：**クリーンな商品画像1枚、カメラ移動動画1本、任意の音楽参照

Create a 10-second 9:16 product reveal for a paid social placement.

Role map:
- Reference image 1 controls the product's exact design, proportions, packaging,
  colors, materials, label placement, and wordmark.
- Reference video 1 controls camera path and acceleration only. Ignore its subject,
  location, lighting, color grade, and audio.
- Reference audio 1 controls beat and edit timing only.

Scene: The product stands centered on a warm-violet studio plinth. Soft lilac key
light from camera left, restrained coral rim light, subtle atmospheric haze.

Timeline:
- 0–2 seconds: static wide reveal on the first soft beat.
- 2–7 seconds: transfer the smooth push-and-arc movement from reference video 1.
- 7–9 seconds: one narrow highlight travels across the product surface.
- 9–10 seconds: camera settles; hold the label front-facing and readable.

Preserve reference image 1 exactly: silhouette, cap, material finish, label layout,
brand colors, and wordmark. Keep one product only. No redesigned packaging,
duplicate objects, extra text, warped label, or abrupt camera shake.

このプロンプトより前に行う静止画準備については、写真から商品動画を作るワークフローを使ってください。

テンプレート2：同一性の崩れがないキャラクターのモーション転送

• **モード：**参照生成
• **アセット：**キャラクター画像1枚、モーション動画1本、任意の環境画像

Create an 8-second 16:9 cinematic character performance.

Priority order:
1. Reference image 1 controls face, hair, body proportions, and wardrobe.
2. Reference video 1 controls body choreography and action timing only.
3. Reference image 2 controls the environment palette and architecture only.
4. This prompt controls framing and lighting.

The character from reference image 1 performs the complete movement from reference
video 1 in a moonlit station based on reference image 2. Medium full shot, camera
locked at chest height, soft directional light, realistic weight and foot contact.

Timeline:
- 0–1 seconds: character holds the starting pose.
- 1–7 seconds: perform the reference choreography once at its original tempo.
- 7–8 seconds: settle naturally and look toward camera left.

Preserve facial structure, hairstyle, coat shape, coat color, boots, and body
proportions from reference image 1 in every frame. Do not inherit the motion video's
performer, face, clothing, background, camera movement, or audio. No extra limbs,
sliding feet, costume changes, or cuts.

テンプレート3：声の参照を使った台詞演技

• **モード：**参照生成
• **アセット：**キャラクター画像1枚、許可を得た声または台詞の音声クリップ1本

Create a 9-second 16:9 single-character dialogue shot.

Role map:
- Reference image 1 controls the speaker's appearance, wardrobe, and room design.
- Reference audio 1 controls spoken timing, cadence, emotional progression, and pauses.

Shot: Medium close-up, eye-level, 50 mm cinematic framing. The speaker begins calm,
briefly smiles after the central pause, then finishes with quiet confidence. Natural
blinks and restrained hand movement. Camera remains static; soft room tone underneath.

Timeline:
- 0–1 seconds: silent eye contact and a small inhale.
- 1–8 seconds: performance follows reference audio 1 exactly in timing and pauses.
- 8–9 seconds: mouth closes, expression settles, hold for the edit.

Preserve face, hairstyle, skin tone, jacket, background layout, and lighting direction
from reference image 1. Keep one speaker. No camera move, cutaway, background speech,
new words, exaggerated gestures, or wardrobe changes.

テンプレート4：元動画の環境を置き換える

• **モード：**参照生成
• **アセット：**元動画1本、環境画像1枚、任意の被写体画像

Create a 12-second 16:9 environmental replacement based on the source clip.

Role map:
- Reference video 1 controls shot length, subject action, physical timing, camera path,
  framing progression, and interaction with the ground.
- Reference image 1 controls the replacement environment, architecture, palette,
  weather, and lighting mood.
- Reference image 2 controls the subject's face and wardrobe, if supplied.

Replace the source video's location with the environment from reference image 1.
Preserve the original action and camera movement continuously. Match subject lighting,
contact shadows, reflections, and atmospheric perspective to the new environment.

Timeline follows reference video 1. Maintain one continuous shot with the original
action beats and no added event.

Preserve the source subject's position, scale, motion, and ground contact. Preserve
identity and wardrobe from reference image 2 when present. Do not copy the original
background, signage, bystanders, color grade, or source audio. No cuts, teleporting,
floating feet, or changing architecture.

テンプレート5：ビートに同期するブランドUIモーション

• **モード：**参照生成
• **アセット：**UIレイアウト画像1枚、モーションスタイル動画1本、任意の音声参照

Create a 7-second 1:1 UI motion-design clip for a product announcement.

Priority order:
1. Reference image 1 controls exact layout, hierarchy, component positions, text,
   logo, colors, corner shapes, and typography appearance.
2. Reference video 1 controls transition character and easing only.
3. Reference audio 1 controls the timing of three motion beats only.

Animate the interface from reference image 1 without redesigning it. Begin with the
main panel at rest. Use the restrained slide-and-scale transition quality from
reference video 1. Keep the camera orthographic and the background static.

Timeline:
- 0–1 seconds: complete layout at rest.
- 1–3 seconds: cards enter in sequence on beat one.
- 3–5 seconds: primary control changes state on beat two.
- 5–6 seconds: one subtle emphasis pulse on beat three.
- 6–7 seconds: complete interface holds sharp and readable.

Preserve every word, logo shape, component proportion, spacing relationship, and brand
color from reference image 1. No invented labels, misspelled text, extra panels,
perspective tilt, camera movement, glow overload, or elastic distortion.

テンプレート6：正確な最初から最後のフレーム変換

• **モード：**最初／最後のフレーム画像から動画
• **アセット：**最初のフレーム画像1枚と最後のフレーム画像1枚。参照メディアはなし

Create a 10-second transformation from the supplied first frame to the supplied last
frame. Preserve the subject's identity and the camera's fixed position throughout.

Timeline:
- 0–2 seconds: hold the first-frame composition; only subtle ambient movement.
- 2–7 seconds: the scene transforms progressively from the center outward. Materials
  change continuously with believable physical contact and no hard cut.
- 7–9 seconds: remaining details resolve into the last-frame design.
- 9–10 seconds: arrive exactly at the supplied last frame and hold it cleanly.

One continuous locked shot. Preserve subject scale, face, silhouette, horizon, lens,
and framing during the transition. No reference-style transfer, new characters,
camera movement, jump cut, flicker, or overshoot beyond the final composition.

このリクエストには、ほかのテンプレートの参照画像、動画、音声を添付しないでください。公式APIでは、最初／最後のフレーム生成と参照生成を相互排他的なモードとして扱います。

実用的な反復順序

期待に届かないレンダリングを1回見ただけで、同一性、動き、カメラ、スタイル、音声の指示をすべて変えないでください。どの指示が役立ったかを学べなくなります。

3段階で反復します。

1. **役割と不変条件を固定する。**最小の参照セットを使い、被写体または商品が認識可能なままかを確認します。
2. **アクションとタイムラインを固定する。**スタイルはシンプルに保ちながら、モーションソースまたは時間指定ビートを加えます。
3. **処理を加える。**最初の2層が安定してから、環境、照明、グレーディング、音声キュー、仕上げの細部を導入します。

結果が崩れたら、ネガティブな表現を増やす前に単純化してください。最も重要でない参照を外し、タイムラインを短くするか、1つのソースにより狭い仕事を与えます。同じチェックリスト（同一性、形状、動き、カメラ、音声タイミング、最終フレームの安定性）に対して、複数のバリエーションを比較してください。

OmniArtから始める

MiniMax H3がOmniArt内で選択可能であることは現在確認されていないため、この記事ではH3作成ルートにリンクしたり、OmniArtでのH3ワークフローを主張したりしません。今日利用できるモデルについては、現在のOmniArt動画モデルのラインナップを確認してください。

役割マップの方法は、対応する参照主導型動画モデルにも十分に応用できます。ワークスペースを開く前に、同一性画像1枚、モーションソース1つ、短い保持ブロックを準備します。クリエイティブブリーフが安定するまでプロンプトをモデル非依存に保ち、その後、実際に選ぶモデルに合わせて添付ラベルと機能固有の構文を調整してください。これにより、今すぐ再利用可能な演出シートが得られ、後でH3がOmniArtに加わった場合にも整ったH3プロンプトを使えます。

公式API料金、参照動画課金、計算例については、MiniMax H3料金と仕様ガイドを使ってください。リセラー料金ではなく、MiniMax自身の料金ページを使用しています。