Hướng dẫn prompt MiniMax H3: kiểm soát mọi đầu vào tham chiếu

Ý tưởng hữu ích đằng sau một prompt MiniMax H3 không phải “viết chi tiết hơn.” Mà là “cho mỗi đầu vào một việc.” H3 có thể nhận văn bản, ảnh, video và âm thanh như một bộ tham chiếu thống nhất, nên creator có thể lấy danh tính sản phẩm từ still, chuyển động từ clip, nhịp từ âm thanh, và chỉ đạo shot từ prompt. Tính linh hoạt đó chỉ giúp khi mô hình phân biệt được nguồn nào kiểm soát phần nào của kết quả.

Hướng dẫn prompt MiniMax H3 này biến nguyên tắc đó thành định dạng lặp lại được. Bạn sẽ học cách gán mỗi asset một vai, ngăn tham chiếu mâu thuẫn lẫn nhau, viết quy tắc bảo toàn, và chia lần tạo 4–15 giây thành các beat theo thời gian. Sáu template ở cuối phủ video sản phẩm, chuyển động nhân vật, thoại, chỉnh sửa video, chuyển động UI, và chuyển đổi khung đầu–cuối.

MiniMax H3, Hailuo 3.0, hay Hailuo 03?

Tài liệu hiện tại của MiniMax gọi mô hình MiniMax H3 và đưa model identifier API chính thức là MiniMax-H3. Bạn cũng có thể gặp Hailuo 3.0, Hailuo 03, hoặc Hailuo-3.0 trong tin ra mắt và catalog bên thứ ba vì Hailuo là thương hiệu sản phẩm video của MiniMax.

Dùng nhãn mà bề mặt trước mặt bạn yêu cầu. Với API MiniMax V2 chính thức được ghi nhận tại thời điểm xuất bản, nghĩa là MiniMax-H3; đừng giả định alias marketplace cũng là identifier API chính thức hợp lệ. Hướng dẫn này dùng MiniMax H3 cho mô hình và tạo tham chiếu cho chế độ kết hợp đầu vào ảnh, video và âm thanh. “Omni reference” là mô tả hữu ích cho workflow media hỗn hợp đó, nhưng API chính thức gọi là reference-to-video.

Biết ba chế độ tạo H3

Chọn đúng chế độ đến trước khi viết prompt.

Thông số chính thức hiện tại liệt kê đầu ra 2K và thời lượng số nguyên từ 4 đến 15 giây. Mọi yêu cầu cần prompt văn bản không rỗng, giới hạn 7,000 ký tự. Yêu cầu tham chiếu có thể gồm tối đa chín ảnh, ba video và ba clip âm thanh, không quá 12 asset tổng. Video tham chiếu giới hạn tổng 15 giây, tương tự clip âm thanh tham chiếu. Tham chiếu âm thanh không thể gửi một mình; phải đi kèm ít nhất một ảnh hoặc video.

Text-to-video yêu cầu tỷ lệ khung hình cụ thể. Tạo tham chiếu có thể dùng tỷ lệ cụ thể hoặc để H3 chọn thích ứng, trong khi tạo first/last-frame theo ảnh tải lên. Các lựa chọn tỷ lệ được ghi nhận là 21:9, 16:9, 4:3, 1:1, 3:4 và 9:16.

Có một ranh giới workflow cứng: chế độ first/last-frame và tạo tham chiếu không thể trộn trong cùng một yêu cầu API. Nếu khung biên chính xác quan trọng, dùng chế độ first/last-frame. Nếu chuyển danh tính, chuyển động, phong cách hoặc âm thanh quan trọng hơn, dùng tạo tham chiếu và mô tả thành phần mở đầu bằng văn bản.

Xây prompt H3 như bản đồ vai trò

API của H3 nhận media dưới dạng item có kiểu với các role như reference_image, reference_video và reference_audio. Các role kỹ thuật đó nhận diện kiểu media; prompt của bạn nên đi xa hơn một mức và nêu trách nhiệm sáng tạo của mỗi asset.

Dùng thứ tự này:

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.

Các nhãn đánh số ở trên là nhãn ngữ nghĩa cho brief của bạn, không phải lời hứa rằng mọi giao diện H3 đều lộ handle Reference image 1 theo nghĩa đen. Trong API chính thức, các file là item riêng trong mảng content. Trên giao diện trực quan, dùng tên đính kèm hoặc cú pháp mention mà bề mặt đó cung cấp, rồi giữ cùng logic một-asset-một-việc.

Gán mỗi asset một việc chính

Một tham chiếu chứa nhiều thông tin hơn bạn thường muốn chuyển. Clip dance chứa performer, trang phục, địa điểm, máy, ánh sáng, chuyển động, và có thể cả nhạc. Nếu bạn bảo H3 “theo video,” tất cả các đặc điểm đó cạnh tranh với ảnh nhân vật của bạn.

Gán hẹp thay vì vậy:

• Tham chiếu ảnh: danh tính, khuôn mặt, trang phục, hình học sản phẩm, logo, palette, hoặc thiết kế môi trường.
• Tham chiếu video: chuyển động cơ thể, đường máy, timing hành động, tương tác vật lý, hoặc nhịp dựng.
• Tham chiếu âm thanh: tính cách giọng, cadence, nhịp nhạc, ambience, hoặc cue sự kiện.
• Prompt văn bản: cảnh cuối, quy tắc chuyển, timeline, ưu tiên, và chỉ dẫn bảo toàn.

Khi một asset phải làm hai việc, nêu cả hai và làm ranh giới rõ: “Reference video 1 kiểm soát đường máy và timing hành động; bỏ qua performer, trang phục, địa điểm, color grade và âm thanh của nó.”

Ngăn tham chiếu xung đột lẫn nhau

Xung đột tham chiếu thường là vấn đề chỉ dẫn trước khi là vấn đề mô hình. Hai ảnh có thể hiện áo khoác khác nhau, clip chuyển động có thể dùng kiểu cơ thể khác, hoặc beat âm thanh có thể gợi cut xung đột với chuyển động máy liên tục được yêu cầu.

Dùng thứ tự ưu tiên viết ra bất cứ khi nào đầu vào chồng chéo:

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.

Rồi giải quyết mâu thuẫn thay vì hy vọng H3 sẽ suy ra sở thích của bạn. Nếu ảnh danh tính có tóc xõa nhưng video chuyển động có mũ, nêu rõ nhân vật cuối giữ tóc hay đội mũ. Nếu tham chiếu sản phẩm có nhãn đọc được nhưng ảnh phong cách mang tính họa, nói stylization áp dụng cho môi trường trong khi packaging vẫn photorealistic.

Ba thói quen giảm xung đột:

1. Dùng bộ tham chiếu nhỏ nhất còn hữu ích. Nhiều đầu vào tạo nhiều bất đồng có thể. Chỉ thêm file khi nó đóng góp thông tin prompt không thể diễn đạt tin cậy.
2. Tách nội dung khỏi phong cách. Nêu tham chiếu nào sở hữu chủ thể và cái nào sở hữu xử lý hình ảnh.
3. Chọn một thẩm quyền máy. Hoặc chuyển máy từ video, hoặc chỉ đạo bằng văn bản. Nếu cần cả hai, nêu video cung cấp timing trong khi văn bản ghi đè framing.

Với workflow triệu chứng-theo-triệu chứng rộng hơn, giữ 7 cách sửa prompt video AI bên cạnh hướng dẫn này khi bạn lặp.

Viết chỉ dẫn bảo toàn có thể kiểm tra

“Giữ nhất quán” quá mơ hồ. Khối bảo toàn nên nêu các thuộc tính nhìn thấy được mà bạn có thể kiểm trong mọi khung hình.

Cho nhân vật:

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.

Cho sản phẩm:

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.

Neo tích cực nên đến trước; loại trừ là lan can, không phải toàn bộ prompt. Giữ danh sách phủ định ngắn và cụ thể. Mười cấm đoán mơ hồ có thể làm loãng bốn bất biến quyết định liệu một take có dùng được không.

Nếu cùng nhân vật xuất hiện qua nhiều clip tạo riêng, giữ khối danh tính và trang phục giống hệt trong mọi prompt. Workflow nhân vật nhất quán giải thích cách dựng gói tham chiếu tái sử dụng đó qua chuỗi dài hơn.

Chỉ đạo thời gian, không chỉ nội dung

H3 cho phép clip từ 4 đến 15 giây, nhưng đoạn văn dài không bảo mô hình mỗi sự kiện xảy ra khi nào. Timeline biến prompt thành kế hoạch shot gọn.

Cho clip 10 giây:

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.

Giữ mỗi beat khả thi. Một hành động chính cộng một chuyển động máy thường rõ hơn chuỗi biến đổi không liên quan. Để các khoảng thời gian cộng đúng thời lượng đã chọn, đặt chi tiết sản phẩm hoặc khuôn mặt quan trọng trong beat chậm hơn, và dành nửa giây hoặc giây cuối cho điểm dựng ổn định.

Âm thanh có thể dùng cùng đồng hồ:

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.

Với từ vựng ống kính, ánh sáng và máy rộng hơn, xem hướng dẫn prompt video AI cinematic.

Sáu template prompt MiniMax H3

Thay chi tiết trong ngoặc, chỉ đính kèm asset được liệt kê, và điều chỉnh nhãn theo giao diện bạn dùng. Các template này là điểm khởi đầu có cấu trúc dựa trên chế độ đầu vào H3 đã ghi nhận; chúng không phải “thắng benchmark” hay đầu ra được đảm bảo.

Template 1: Product reveal với tham chiếu chuyển động và nhạc

• Chế độ: Reference generation
• Asset: Một ảnh sản phẩm sạch, một video chuyển động máy, tùy chọn tham chiếu nhạc

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.

Với chuẩn bị still-image trước prompt này, dùng workflow ảnh sang video sản phẩm.

Template 2: Chuyển chuyển động nhân vật không lệch danh tính

• Chế độ: Reference generation
• Asset: Một ảnh nhân vật, một video chuyển động, tùy chọn ảnh môi trường

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.

Template 3: Diễn xuất thoại với tham chiếu giọng

• Chế độ: Reference generation
• Asset: Một ảnh nhân vật, một clip giọng hoặc thoại được ủy quyền

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.

Template 4: Thay môi trường của video nguồn

• Chế độ: Reference generation
• Asset: Một video nguồn, một ảnh môi trường, tùy chọn ảnh chủ thể

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.

Template 5: Chuyển động UI brand đồng bộ theo beat

• Chế độ: Reference generation
• Asset: Một ảnh layout UI, một video phong cách chuyển động, tùy chọn tham chiếu âm thanh

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.

Template 6: Chuyển đổi first-to-last-frame chính xác

• Chế độ: First/last-frame image-to-video
• Asset: Một ảnh khung đầu và một ảnh khung cuối; không media tham chiếu

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.

Đừng đính kèm ảnh, video hay âm thanh tham chiếu của các template khác vào yêu cầu này. API chính thức coi tạo first/last-frame và tạo tham chiếu là các chế độ loại trừ lẫn nhau.

Thứ tự lặp thực tế

Đừng đổi chỉ dẫn danh tính, chuyển động, máy, phong cách và âm thanh sau một lần render thất vọng. Điều đó khiến không thể học chỉ dẫn nào đã giúp.

Lặp qua ba pass:

1. Khóa vai trò và bất biến. Dùng bộ tham chiếu nhỏ nhất và xác nhận chủ thể hoặc sản phẩm vẫn nhận ra được.
2. Khóa hành động và timeline. Thêm nguồn chuyển động hoặc beat theo thời gian, giữ phong cách đơn giản.
3. Thêm xử lý. Đưa môi trường, ánh sáng, grade, cue âm thanh và chi tiết hoàn thiện sau khi hai lớp đầu ổn định.

Khi kết quả lệch, đơn giản hóa trước khi thêm ngôn ngữ phủ định. Bỏ tham chiếu ít quan trọng nhất, rút ngắn timeline, hoặc cho một nguồn việc hẹp hơn. So nhiều biến thể theo cùng checklist: danh tính, hình học, chuyển động, máy, timing âm thanh, và ổn định khung cuối.

Bắt đầu từ OmniArt

MiniMax H3 hiện chưa được xác nhận là có thể chọn trong OmniArt, nên bài này không link tới route tạo H3 hay tuyên bố workflow H3 của OmniArt. Kiểm danh sách mô hình video OmniArt hiện tại cho các mô hình có sẵn hôm nay.

Phương pháp bản đồ vai trò vẫn chuyển tốt sang các mô hình video dẫn bởi tham chiếu được hỗ trợ: chuẩn bị một ảnh danh tính, một nguồn chuyển động, và khối bảo toàn ngắn trước khi mở workspace. Giữ prompt trung lập với mô hình cho đến khi brief sáng tạo ổn định, rồi điều chỉnh nhãn đính kèm và cú pháp theo tính năng của mô hình bạn thực sự chọn. Điều đó cho bạn bảng chỉ đạo tái sử dụng ngay bây giờ và prompt H3 sạch nếu mô hình sau này vào OmniArt.

Với mức giá API chính thức, tính phí video tham chiếu, và ví dụ chi phí có tính toán, dùng hướng dẫn giá và thông số MiniMax H3. Nó dùng trang giá của chính MiniMax chứ không phải mức giá reseller.