Посібник із промптів MiniMax H3: контроль над кожним референсом

Корисна ідея промпта для MiniMax H3 — не «напишіть більше деталей», а «дайте кожному входу одну роль». H3 приймає текст, зображення, відео й аудіо як єдиний набір референсів, тож автор може взяти зовнішність продукту з кадру, рух — із кліпу, темп — з аудіо, а режисуру кадру — з промпта. Ця гнучкість допомагає лише тоді, коли модель розуміє, яке джерело керує якою частиною результату.

Цей посібник із промптів для MiniMax H3 перетворює принцип на повторюваний формат. Ви навчитеся прив’язувати кожен матеріал до ролі, не давати референсам суперечити один одному, писати правила збереження й ділити генерацію на 4–15 секунд на розписані за часом такти. Шість шаблонів у кінці охоплюють відео про продукт, рух персонажа, репліки, заміну середовища у відео, анімацію інтерфейсу й перехід від першого кадру до останнього.

MiniMax H3, Hailuo 3.0 чи Hailuo 03?

Поточна документація MiniMax називає модель MiniMax H3 і подає офіційний ідентифікатор моделі в API як MiniMax-H3. У новинах про реліз і в каталогах третіх сторін вам можуть трапитися Hailuo 3.0, Hailuo 03 чи Hailuo-3.0, бо Hailuo — це відеобренд MiniMax.

Використовуйте ту назву, якої вимагає поверхня перед вами. Для офіційного API MiniMax V2, задокументованого на момент публікації, це MiniMax-H3; не вважайте, що псевдонім із маркетплейсу теж є дійсним офіційним ідентифікатором API. У цьому посібнику MiniMax H3 означає модель, а генерація за референсами — режим, що поєднує зображення, відео й аудіо на вході. «Omni reference» — зручний опис цього змішаного робочого процесу, але офіційний API називає його reference-to-video.

Три режими генерації H3

Вибір правильного режиму передує написанню промпта.

Поточна офіційна специфікація вказує результат у 2K і цілі значення тривалості від 4 до 15 секунд. Кожен запит вимагає непорожнього текстового промпта з обмеженням у 7 000 символів. Запит із референсами може містити до дев’яти зображень, трьох відео й трьох аудіокліпів, але не більше ніж 12 матеріалів разом. Референсні відео обмежені 15 секундами сумарно, як і референсні аудіокліпи. Аудіореференс не можна подати окремо: він має супроводжувати щонайменше одне зображення чи відео.

Відео з тексту потребує конкретного співвідношення сторін. Генерація за референсами може використати конкретне співвідношення або дати H3 обрати його адаптивно, а генерація з першого/останнього кадру йде за вивантаженим зображенням. Задокументовані варіанти співвідношення — 21:9, 16:9, 4:3, 1:1, 3:4 і 9:16.

Є одна жорстка межа в роботі: режим першого/останнього кадру й генерацію за референсами не можна змішувати в одному запиті до API. Якщо важливі точні межові кадри, беріть режим першого/останнього кадру. Якщо важливіші зовнішність, рух, стиль чи перенесення звуку, беріть генерацію за референсами й описуйте початкову композицію текстом.

Будуйте промпт для H3 як карту ролей

API H3 отримує медіа як типізовані елементи з ролями на кшталт reference_image, reference_video і reference_audio. Ці технічні ролі визначають тип медіа; ваш промпт має піти на крок далі й назвати творчу відповідальність кожного матеріалу.

Використовуйте такий 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.

Пронумеровані підписи вище — це смислові позначки для вашого брифа, а не обіцянка, що кожен інтерфейс H3 має буквальні держаки Reference image 1. В офіційному API файли є окремими елементами масиву content. У візуальному інтерфейсі використовуйте ті назви вкладень чи синтаксис згадок, які дає конкретна поверхня, і тримайтеся тієї самої логіки «один матеріал — одна роль».

Дайте кожному матеріалу одну головну роль

Референс містить більше інформації, ніж ви зазвичай хочете перенести. Танцювальний кліп містить виконавця, одяг, локацію, камеру, світло, рух і, можливо, музику. Якщо ви попросите H3 «іти за відео», усі ці властивості змагатимуться з вашим зображенням персонажа.

Прив’язуйте вузько:

• Референс-зображення: зовнішність, обличчя, одяг, геометрія продукту, логотип, палітра чи дизайн середовища.
• Референс-відео: рух тіла, траєкторія камери, тайминг дії, фізична взаємодія чи монтажний ритм.
• Референс-аудіо: характер голосу, темп мовлення, ритм музики, атмосфера чи звукова подія.
• Текстовий промпт: підсумкова сцена, правила перенесення, таймлайн, пріоритети й вказівки про збереження.

Коли один матеріал мусить виконувати дві ролі, назвіть обидві й проведіть чітку межу: «Reference video 1 керує траєкторією камери й таймингом дії; ігноруй його виконавця, одяг, локацію, колірну корекцію та звук».

Не давайте референсам суперечити один одному

Конфлікт референсів — це насамперед проблема вказівок, а вже потім проблема моделі. Два зображення можуть показувати різні куртки, кліп із рухом може мати іншу статуру, а звуковий такт може передбачати склейки, що суперечать замовленому безперервному руху камери.

Щоразу, коли входи перетинаються, задавайте письмовий порядок пріоритетів:

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.

А тоді розв’язуйте суперечності, а не сподівайтеся, що H3 здогадається про ваші вподобання. Якщо на зображенні із зовнішністю волосся розпущене, а у відео з рухом є капелюх, скажіть, чи залишиться персонаж із волоссям, чи вдягне капелюх. Якщо на референсі продукту етикетка читабельна, а стильове зображення живописне, зазначте, що стилізація стосується середовища, а упаковка лишається фотореалістичною.

Три звички зменшують конфлікти:

1. Беріть найменший корисний набір референсів. Більше входів — більше можливих розбіжностей. Додавайте файл лише тоді, коли він дає інформацію, яку промпт не може надійно висловити.
2. Розділяйте вміст і стиль. Назвіть, який референс володіє об’єктом, а який — подачею.
3. Оберіть один авторитет для камери. Або переносьте камеру з відео, або режисуйте її текстом. Якщо потрібне і те, і те, зазначте, що відео дає тайминг, а текст перекриває кадрування.

Ширший розбір за симптомами тримайте поруч під час ітерацій — 7 способів полагодити промпт для ШІ-відео.

Пишіть вказівки про збереження, які можна перевірити

«Нехай буде сталим» — надто розпливчасто. Блок збереження має називати видимі властивості, які ви можете перевірити на будь-якому кадрі.

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 продукту:

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.

Спершу мають іти позитивні якорі; заборони — це страхувальний трос, а не весь промпт. Тримайте список заборон коротким і конкретним. Десять розпливчастих заборон здатні розмити ті чотири незмінні величини, які насправді вирішують, чи дубль придатний.

Якщо той самий персонаж з’являтиметься в кількох окремо згенерованих кліпах, тримайте блок про зовнішність і одяг ідентичним у кожному промпті. Робочий процес зі сталим персонажем пояснює, як зібрати такий багаторазовий пакет референсів для довшої послідовності.

Режисуйте час, а не лише вміст

H3 дозволяє кліпи від 4 до 15 секунд, але довгий абзац не каже моделі, коли саме відбувається кожна подія. Таймлайн перетворює промпт на стислий розпис кадру.

Для кліпу на 10 секунд:

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.

Тримайте кожен такт здійсненним. Одна головна дія плюс один рух камери зазвичай зрозуміліші за ланцюжок непов’язаних перетворень. Хай часові проміжки складаються в обрану тривалість, важливі деталі продукту чи обличчя припадають на повільніший такт, а остання півсекунда чи секунда лишається для стабільної точки монтажу.

Звук може жити за тим самим годинником:

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.

Більше словника про оптику, світло й камеру — у посібнику з кінематографічних промптів для ШІ-відео.

Шість шаблонів промптів для MiniMax H3

Замініть деталі у квадратних дужках, прикріпіть лише перелічені матеріали й адаптуйте підписи до інтерфейсу, яким користуєтеся. Ці шаблони — структуровані відправні точки на основі задокументованих режимів входу H3; вони не претендують на перемоги в тестах і не гарантують результату.

Шаблон 1: показ продукту з референсами руху й музики

• Режим: генерація за референсами
• Матеріали: одне чисте зображення продукту, одне відео з рухом камери, за бажанням музичний 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.

Про підготовку нерухомого кадру, яка передує цьому промпту, читайте в робочому процесі «фото у відео про продукт».

Шаблон 2: перенесення руху персонажа без втрати зовнішності

• Режим: генерація за референсами
• Матеріали: одне зображення персонажа, одне відео з рухом, за бажанням зображення середовища

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: репліка з референсом голосу

• Режим: генерація за референсами
• Матеріали: одне зображення персонажа, один дозволений аудіокліп із голосом чи реплікою

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: заміна середовища у вихідному відео

• Режим: генерація за референсами
• Матеріали: одне вихідне відео, одне зображення середовища, за бажанням зображення об’єкта

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: рух брендованого інтерфейсу під ритм

• Режим: генерація за референсами
• Матеріали: одне зображення макета інтерфейсу, одне відео зі стилем руху, за бажанням аудіореференс

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: точне перетворення від першого кадру до останнього

• Режим: відео з першого/останнього кадру
• Матеріали: одне зображення першого кадру й одне зображення останнього; без референсних медіа

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 прикріплюйте до цього запиту референсні зображення, відео чи аудіо з інших шаблонів. Офіційний API вважає генерацію з першого/останнього кадру й генерацію за референсами взаємовиключними режимами.

Практичний порядок ітерацій

Не змінюйте вказівки про зовнішність, рух, камеру, стиль і звук одразу після одного невдалого рендерингу. Так неможливо зрозуміти, яка вказівка допомогла.

Ітеруйте трьома проходами:

1. Зафіксуйте ролі й незмінні величини. Візьміть найменший набір референсів і переконайтеся, що об’єкт або продукт залишається впізнаваним.
2. Зафіксуйте дію й таймлайн. Додайте джерело руху чи розписані за часом такти, тримаючи стиль простим.
3. Додайте подачу. Уводьте середовище, світло, колірну корекцію, звукові акценти й фінальні деталі після того, як перші два шари стабільні.

Коли результат пливе, спрощуйте, а не додавайте більше заборон. Приберіть найменш важливий референс, скоротіть таймлайн або звузьте роль одного джерела. Порівнюйте кілька варіантів за одним списком: зовнішність, геометрія, рух, камера, тайминг звуку й стабільність фінального кадру.

Як почати в OmniArt

MiniMax H3 доступна користувачам OmniArt із тарифу Creator і вище. Відкрийте конструктор відео MiniMax H3, оберіть H3 і виберіть режим під бриф: Відео для звичайної генерації, Перехід для кадру від першого до останнього або Референс для змішаного впливу зображень, відео й аудіо. Поточний продукт підтримує результат на 5–15 секунд у 1440p.

У режимі референсу прикріпіть до дев’яти зображень, трьох відео й трьох аудіокліпів, але не більше ніж 12 матеріалів разом. Референсне аудіо має йти в парі щонайменше з одним зображенням чи відео. Призначте кожному вкладенню одну роль, вставте в промпт відповідну карту ролей і правила збереження, оберіть тривалість 5–15 секунд і згенеруйте. Нативний звук є частиною результату H3; окремого перемикача звуку OmniArt наразі не показує.

OmniArt списує 9 кредитів за секунду результату. Референсне відео коштує додатково 9 кредитів за кожну округлену вгору секунду джерела; перші п’ять референсних зображень безкоштовні, а кожне наступне коштує 2 кредити; референсне аудіо додатково не тарифікується. Офіційні тарифи API та розрахунки вартості поза OmniArt — у посібнику з цін і характеристик MiniMax H3.