Руководство по промптам MiniMax H3: контроль каждого референс-входа

Полезная идея за промптом MiniMax H3 — не «добавьте больше деталей», а «дайте каждому входу одну задачу». H3 может принимать текст, изображения, видео и аудио как единый набор референсов, поэтому создатель может взять идентичность продукта из кадра, движение — из клипа, темп — из аудио, а режиссуру кадра — из промпта. Эта гибкость помогает только тогда, когда модель понимает, какой источник управляет какой частью результата.

Это руководство по промптам MiniMax H3 превращает этот принцип в повторяемый формат. Вы узнаете, как привязать каждый ассет к роли, не дать референсам противоречить друг другу, писать правила сохранения и делить генерацию на 4–15 секунд на временные биты. Шесть шаблонов в конце охватывают продуктовое видео, движение персонажа, диалог, видеомонтаж, анимацию интерфейса и переходы между первым и последним кадром.

MiniMax H3, Hailuo 3.0 или Hailuo 03?

Текущая документация MiniMax называет модель MiniMax H3 и даёт официальный идентификатор модели API MiniMax-H3. Вы также можете встретить Hailuo 3.0, Hailuo 03 или Hailuo-3.0 в материалах запуска и сторонних каталогах, потому что Hailuo — видеопродуктовый бренд MiniMax.

Используйте ярлык, который требует используемая вами поверхность. Для официального MiniMax V2 API, задокументированного на момент публикации, это означает MiniMax-H3; не предполагайте, что псевдоним из маркетплейса тоже является действительным официальным идентификатором API. В этом руководстве MiniMax H3 — имя модели, а генерация по референсам — режим, который объединяет входы изображений, видео и аудио. «Омни-референс» — полезное описание этого смешанного медиа-процесса, но официальный API называет его генерацией «референс-в-видео».

Знайте три режима генерации H3

Выбор правильного режима идёт раньше написания промпта.

Текущая официальная спецификация указывает вывод 2K и целые длительности от 4 до 15 секунд. Каждый запрос требует непустого текстового промпта с лимитом 7,000 символов. Запрос по референсам может включать до девяти изображений, трёх видео и трёх аудиоклипов, но не более 12 ассетов суммарно. Референс-видео ограничены 15 секундами в сумме, как и референс-аудиоклипы. Аудиореференс нельзя отправить отдельно: он должен сопровождать хотя бы одно изображение или видео.

Режим «текст в видео» требует конкретного соотношения сторон. Генерация по референсам может использовать конкретное соотношение или позволить H3 выбрать его адаптивно, а генерация по первому/последнему кадру следует загруженному изображению. Задокументированные варианты соотношения: 21:9, 16:9, 4:3, 1:1, 3:4 и 9:16.

Есть одна жёсткая граница рабочего процесса: режим первого/последнего кадра и генерацию по референсам нельзя смешивать в одном API-запросе. Если важны точные граничные кадры, используйте режим первого/последнего кадра. Если важнее перенос идентичности, движения, стиля или аудио, используйте генерацию по референсам и опишите открывающую композицию текстом.

Собирайте промпт H3 как карту ролей

API H3 принимает медиа как типизированные элементы с ролями вроде reference_image, reference_video и reference_audio. Эти технические роли обозначают тип медиа; ваш промпт должен идти на уровень дальше и указать творческую ответственность каждого ассета.

Используйте такой порядок:

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.

Нумерованные ярлыки выше — семантические метки для вашего брифа, а не обещание, что каждый интерфейс H3 показывает буквальные идентификаторы Reference image 1. В официальном API файлы — отдельные элементы массива content. В визуальном интерфейсе используйте те имена вложений или синтаксис упоминаний, которые даёт поверхность, и сохраняйте ту же логику «один ассет — одна задача».

Дайте каждому ассету одну основную задачу

Референс содержит больше информации, чем вы обычно хотите перенести. Танцевальный клип содержит исполнителя, одежду, локацию, камеру, свет, движение и, возможно, музыку. Если вы просите H3 «следовать видео», все эти признаки конкурируют с вашим изображением персонажа.

Привязывайте узко:

• Референс-изображение: идентичность, лицо, гардероб, геометрия продукта, логотип, палитра или дизайн окружения.
• Видео-референс: движение тела, путь камеры, тайминг действия, физическое взаимодействие или ритм монтажа.
• Аудиореференс: характер голоса, каденция, музыкальный ритм, атмосфера или сигнал события.
• Текстовый промпт: финальная сцена, правила переноса, временная шкала, приоритеты и инструкции по сохранению.

Когда один ассет должен выполнить две задачи, назовите обе и сделайте границу явной: «Видео-референс 1 управляет только путём камеры и таймингом действия; игнорируйте его исполнителя, гардероб, локацию, цветокоррекцию и аудио».

Не давайте референсам конфликтовать друг с другом

Конфликт референсов обычно сначала проблема инструкции, а уже потом — модели. Два изображения могут показывать разные куртки, клип с движением — другой тип телосложения, а аудиобит — подразумевать нарезки, которые конфликтуют с запрошенным непрерывным движением камеры.

Используйте письменный порядок приоритетов, когда входы перекрываются:

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.

Затем разрешайте противоречия, а не надейтесь, что H3 угадает ваше предпочтение. Если на изображении идентичности распущенные волосы, а в видео движения — шляпа, укажите, сохраняет ли финальный персонаж волосы или носит шляпу. Если референс продукта показывает читаемую этикетку, а стилевое изображение живописное, скажите, что стилизация применяется к окружению, а упаковка остаётся фотореалистичной.

Три привычки снижают конфликт:

1. Используйте минимально полезный набор референсов. Больше входов — больше возможных расхождений. Добавляйте файл только когда он вносит информацию, которую промпт не может выразить надёжно.
2. Отделяйте содержание от стиля. Назовите, какой референс владеет субъектом, а какой — обработкой.
3. Выберите один источник управления камерой. Либо переносите камеру из видео, либо направляйте её текстом. Если нужны оба, укажите, что видео задаёт тайминг, а текст переопределяет кадрирование.

Для более широкого процесса «симптом за симптомом» держите рядом 7 исправлений для промптов ИИ-видео, пока итерируете.

Пишите инструкции сохранения, которые можно проверить

«Сохраняйте согласованность» — слишком размыто. Блок сохранения должен называть видимые свойства, которые вы можете проверить в любом кадре.

Для персонажа:

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.

Для продукта:

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.

Сначала идут позитивные опоры; исключения — это ограждение, а не весь промпт. Держите список запретов коротким и конкретным. Десять размытых запретов могут размыть четыре инварианта, которые реально решают, пригоден ли результат.

Если один и тот же персонаж появится в нескольких отдельно сгенерированных клипах, держите блок идентичности и гардероба одинаковым в каждом промпте. Рабочий процесс согласованных персонажей объясняет, как собрать такой переиспользуемый пакет референсов для более длинной последовательности.

Направляйте время, а не только содержание

H3 допускает клипы от 4 до 15 секунд, но длинный абзац не говорит модели, когда происходит каждое событие. Временная шкала превращает промпт в компактный план кадра.

Для 10-секундного клипа:

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.

Держите каждый бит достижимым. Одно основное действие плюс одно движение камеры обычно яснее цепочки несвязанных трансформаций. Пусть временные диапазоны складываются в выбранную длительность, размещайте важные детали продукта или лица в более медленном бите и оставляйте финальную половину секунды или секунду для стабильной точки монтажа.

Аудио может делить те же часы:

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.

Больше словаря по объективам, свету и камере — в кинематографическом руководстве по промптам ИИ-видео.

Шесть шаблонов промптов MiniMax H3

Замените детали в скобках, прикрепите только перечисленные ассеты и адаптируйте ярлыки под используемый интерфейс. Эти шаблоны — структурированные стартовые точки на основе задокументированных режимов входа H3; это не заявленные победители бенчмарков и не гарантированные результаты.

Шаблон 1: Показ продукта с референсами движения и музыки

• Режим: Генерация по референсам
• Ассеты: Одно чистое изображение продукта, одно видео движения камеры, опциональный музыкальный референс

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.

Для подготовки неподвижного изображения до этого промпта используйте процесс «фото → продуктовое видео».

Шаблон 2: Перенос движения персонажа без дрейфа идентичности

• Режим: Генерация по референсам
• Ассеты: Одно изображение персонажа, одно видео движения, опциональное изображение окружения

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.

Шаблон 3: Диалоговое исполнение с голосовым референсом

• Режим: Генерация по референсам
• Ассеты: Одно изображение персонажа, один авторизованный голосовой или диалоговый аудиоклип

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.

Шаблон 4: Замена окружения исходного видео

• Режим: Генерация по референсам
• Ассеты: Одно исходное видео, одно изображение окружения, опциональное изображение героя

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.

Шаблон 5: Брендированная анимация интерфейса, синхронизированная с битом

• Режим: Генерация по референсам
• Ассеты: Одно изображение макета интерфейса, одно видео стиля движения, опциональный аудиореференс

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.

Шаблон 6: Точная трансформация от первого к последнему кадру

• Режим: Изображение первого/последнего кадра в видео
• Ассеты: Одно изображение первого кадра и одно изображение последнего кадра; без референс-медиа

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.

Не прикрепляйте к этому запросу референс-изображения, видео или аудио из других шаблонов. Официальный API трактует генерацию по первому/последнему кадру и генерацию по референсам как взаимоисключающие режимы.

Практический порядок итераций

Не меняйте сразу инструкции идентичности, движения, камеры, стиля и аудио после одного разочаровывающего результата. Так невозможно понять, какая инструкция помогла.

Итерируйте в три прохода:

1. Зафиксируйте роли и инварианты. Используйте минимальный набор референсов и проверьте, что субъект или продукт остаётся узнаваемым.
2. Зафиксируйте действие и временную шкалу. Добавьте источник движения или временные биты, оставляя стиль простым.
3. Добавьте обработку. Вводите окружение, свет, цветокоррекцию, аудиоакценты и завершающие детали после того, как первые два слоя стабильны.

Когда результат дрейфует, упрощайте, прежде чем добавлять больше негативных формулировок. Уберите наименее важный референс, сократите временную шкалу или дайте одному источнику более узкую задачу. Сравнивайте несколько вариантов по одному чеклисту: идентичность, геометрия, движение, камера, тайминг аудио и стабильность финального кадра.

Как начать из OmniArt

MiniMax H3 сейчас не подтверждена как выбираемая модель внутри OmniArt, поэтому эта статья не ведёт на маршрут создания H3 и не заявляет рабочий процесс OmniArt для H3. Смотрите текущий набор видеомоделей OmniArt для моделей, доступных сегодня.

Метод карты ролей всё равно хорошо переносится на поддерживаемые видеомодели, работающие с референсами: подготовьте одно изображение идентичности, один источник движения и короткий блок сохранения до открытия рабочего пространства. Держите промпт нейтральным к модели, пока творческий бриф не стабилизируется, затем адаптируйте ярлыки вложений и синтаксис конкретных функций под фактически выбранную модель. Это даёт вам переиспользуемый лист режиссуры уже сейчас и чистый H3-промпт, если модель позже появится в OmniArt.

Для официальных ставок API, тарификации референс-видео и разобранных примеров стоимости используйте руководство по ценам и характеристикам MiniMax H3. Оно опирается на собственную страницу цен MiniMax, а не на ставку реселлера.