MiniMax H3 原生音频指南：对白、音乐与同步

MiniMax H3 原生音频把声轨变成生成简报的一部分，而不是画面完成后你再自动贴上的文件。MiniMax 表示，H3 能联合理解文本、图片、视频与音频，并生成带原生立体声的视频。其训练范围也把人声、音效与音乐当作同一个音频域，而不是彼此割裂的工具。

这是一次有实质意义的工作流变化，但并不等于承诺每一句台词都会完美说出来、每一步脚步都落在正确帧上，或每一次立体声混音都可直接发布。本指南把 MiniMax 文档中的 H3 能力 与创作者应跑的制作测试分开说明。它会给你一套实用的声音简报结构、音频参考工作流、五个提示词模板，以及可复用的评估记分卡，同时不会把官方演示当作独立实测结果来呈现。

MiniMax 官方文档如何描述 H3 音频

MiniMax 把 H3 描述为通用多模态视频模型，而不是「先出静音视频，再单独加声轨」的生成器。公司发布材料写明，该模型可生成原生立体声音频，并联合建模人声、音效与音乐。MiniMax 还演示过一种提示词：从视频取镜头运动、从图片取角色，再从音频参考匹配人声。

官方 H3 视频生成指南 定义了当前 API 边界：

还有三条重要约束。音频参考不能单独提交；MiniMax 要求它至少伴随一张图片或一个视频。音频文件每个上限 15 MB，完整的混合参考请求上限为 12 个素材。参考模式也不能与首帧或尾帧模式在同一请求中混用，所以要先判断：对这个镜头来说，精确的边界帧更重要，还是更宽的多模态条件更重要。

写提示词之前，先做好声音简报

最有用的 H3 提示词不是一长串声音清单，而是一份紧凑的声音计划：告诉模型什么该主导、什么该衬托，以及在可见时刻必须发生什么。按五步来写这份计划。

1. 锁定画面动作与时间

音频同步依赖可见事件。先写清镜头、主体动作、运镜与节拍顺序。「镜头落稳时，勺子敲上茶托」给模型一个共享的视听事件。「加点杯子声」既不说明事件何时发生，也不说明应由什么触发。

对一段 10 秒片段，简单节拍图可以是：

• 0–3 秒：建立房间与主体
• 3–7 秒：对白或主动作
• 7–10 秒：产品揭示与最终声音线索

把这些时间点当作方向，而不是帧级精确的剪辑标记。制作测试应衡量输出与它们的贴近程度。

2. 点名一层主音频

选定观众必须先注意到的声音：对白、产品互动、音乐钩子，或一段环境声。给它最清晰的措辞，并保护它周围的空间。

若对白是主层，用引号写出确切台词，并指定一种表演方向。若产品声是主层，描述产生它的物理动作。若音乐是主层，说明速度、乐器编配、情绪，以及编曲应在何处变化。

3. 把环境声写成声学场所

环境声应解释镜头「住在」哪里。不要只写「咖啡馆声音」，而要描述说话人身后安静的意式咖啡机嘶嘶声、低声的室内交谈，以及远处的门铃声。对干净的产品短片，除非静音是刻意创意选择，否则请要求受控的录音棚房间底噪，而不是空白静音。

使用可同时作用于画面与声音的距离与材质词：

• 近、干、亲密，以及轻微混响
• 远、隔着玻璃发闷，或画外偏左
• 瓷砖上的脚步、布料摩擦、金属上的雨声，或木桌上放下玻璃杯

4. 决定音乐是配乐还是现场声源

配乐在场景之外；现场声源音乐来自场景内的物体或场所。写清你指的是哪一种。「对白下方克制的电子配乐」要求的是背景层，而「咖啡馆收音机里安静播放、略带闷感的音乐」则给它一个画面内的声源。

不需要音乐时，写 no music。这样对白或拟音测试更容易判断。需要音乐时，为人声留出动态余量，而不是要求每一层都又响又戏剧化。

5. 写明排除项

负面音频方向在保护简报时很有用。例如 no narration、no crowd cheering、no added melody 与 no exaggerated whooshes。排除列表保持简短；约束太多会与你真正想要的动作互相争夺注意力。

如何使用音频参考，而不混淆它们的职责

当每个素材只承担一件工作时，H3 的参考系统最有用。一段参考音频可能提供声线音色与节奏、音乐能量、声音纹理，或剪辑节奏。不要假设模型知道该借用哪一种属性。

在写最终提示词之前，先写一张素材职责表：

然后用自然语言描述这些关系。MiniMax 自己的 H3 示例用一句话把镜头运动分给视频参考、表演者分给图片参考、人声分给音频参考。带编号的素材标签因界面而异，而 API 使用带类型的内容与参考角色，所以请把下方模板中的标签替换成你工作流里显示的确切写法。

干净的参考会带来更干净的实验。裁掉静音、去掉无关背景音乐、避免削波，并让相关人声或音乐段落易于听清。用能展示你想要属性的短片段，而不是默认上传最长时长。

五个 MiniMax H3 原生音频提示词模板

这些是起始简报，不是已宣称的测试结果。每个提示词都多跑几次，并用下一节的协议给输出打分。

1. 单人说话人 + 房间底噪

收工后安静餐厅厨房里，厨师在出餐台的特写。镜头缓慢推进，她看向画外的同事说：“我们明天再试一次。”表演：疲惫却安静乐观，语速自然，在“明天”前有一次短促换气。她的声音是主音频层，近且干。低通风嗡鸣与偶尔的金属冷却声保持在远处。无音乐、无旁白、无其他人声。

用这个模板评估语音准确度、情绪表演、口型，以及环境声是否始终压在台词后方。

2. 分层环境声与同步拟音

夜间近乎空无一人的自助洗衣店全景，荧光灯映在瓷砖地面上。一个人把湿夹克从洗衣机移到带轮篮子里；金属门在手合上的瞬间咔嗒关上，随后篮轮在瓷砖上轻轻滚动。前景：布料摩擦与门的咔嗒声。中景：洗衣机稳定旋转。背景：雨打在前窗上，以及外面远处一辆车驶过。原生立体声混音，无对白，无音乐。

这份简报隔离了环境声、材质真实感、左右分离，以及接触同步。

3. 以音乐主导的产品揭示

十秒竖屏产品片：半透明珊瑚红运动水瓶，放在淡紫工作室台面上。从冷凝水珠的微距开场，再环绕拍摄，让瓶子升入英雄位。原创极简电子配乐 100 BPM：开场是柔和脉冲，Logo 正对镜头时来一次干净的打击重音，然后是短促收束的终音。加入细微水珠声与一次受控的放置声。音乐衬托产品声，而不是盖住它们。无人声，也没有库存感电影大轰鸣。

若需要超出声轨之外的产品视觉规划，可使用图生产品视频工作流。

4. 经授权的人声参考 + 新对白

仅使用人声参考 1 获取旁白的声线音色、语速与温暖的交谈能量。不要复用其原词或背景噪声。图像参考 1 中的人站在窗边说：“初稿只是开始。”保持台词可懂，并与可见说话人同步。加入安静的住宅房间底噪与窗外细雨。无音乐。该人声录音已获本用途授权。

测试目标人声特质是否能迁移，同时不无意复制源录音中的噪声、措辞或内容。用文字描述期望特质，这样即使参考贴合度有波动，指令仍然有用。

5. 社交剪辑的节奏参考

制作一段 12 秒蒙太奇：陶瓷艺术家塑形、上釉，并把成品杯子放到架子上。仅使用 audio reference 1 获取速度、节奏能量与剪辑节奏。创作一段旋律与声音设计都不同的原创打击乐。在主要节奏变化处切换画面动作：陶土落到转盘上、刷子触及釉面、杯子落到架子上。在音乐之下保留自然的转盘旋转、刷子质感，以及最终陶瓷轻敲声。无对白。

这把节奏条件与音乐复制分开，并给你三个可见同步点可检查。

可复用的 H3 音频评估方案

一份打磨过的官方演示，回答不了模型是否适合你的制作工作流。对同一简报至少生成三次，固定时长与参考，给每一次输出打分，而不是只挑最强结果。

先分开测试各层

从四个受控提示词开始：

1. 仅对白与安静房间底噪
2. 环境声与三个可见拟音事件，无语音、无音乐
3. 器乐音乐，带两个计划中的视觉重音
4. 一个经授权的音频参考，配对简单的图片或视频参考

只有这些过关后，才在同一拥挤场景中组合对白、环境声、拟音与音乐。这样失败才可诊断：你能分清问题来自发音、时机、参考迁移，还是混音密度。

用记分卡，而不是印象

在视频编辑器或音频工作站中检查导出文件。确认存在两个声道，在单声道下听相位问题，并在计划接触事件附近比较波形。不要从社交平台预览推断音频质量，因为平台可能重压缩或重映射声轨。

需要提前规划的限制

MiniMax 自己的发布帖也写明，H3 仍有提升空间，并把视觉细节列为未来工作方向之一。就音频制作而言，当前公开文档也留下若干开放问题。它并未公布词错误率、口型同步精度、响度、采样率、立体声以外的声道布局、语言覆盖、人声参考相似度，或时间码级线索控制的保证。

围绕这些实用边界做规划：

• 输出偏短： 4–15 秒适合镜头、广告与社交片段，但长片连贯性需要跨多次生成做剪辑。
• 参考上下文偏短： 最多允许三段音频，但合计时长不能超过 15 秒。
• 不能只提交音频参考： 参考音频必须至少配对一张图片或一个视频。
• 自然语言时机不是锁定时间线： 在重复测试证明你需要的精度之前，把节拍时间当作意图。
• 立体声需要核验： 双声道不会自动带来可信的方向感、纵深或单声道兼容性。
• 密集混音可能掩盖错误： 对白、效果、环境声与音乐可能被一起建模，但更简单的简报更易控制与修复。
• 参考权利仍然适用： 模型能力并不授予你模仿人声或复用受保护音乐的许可。

可用性、界面控件与计费也可能变化。MiniMax 当前官方定价将音频参考材料列为不另收输入费，而视频输出与部分其他参考材料按各自规则计费。在为 API 制作做预算前，请查看官方按量付费定价页；不要用第三方托管方的费率替代 MiniMax 自己的价格。H3 定价与规格指南 会梳理 MiniMax 官方费率与参考材料成本。当前 OmniArt 模型目录尚未确立 H3 可用性，因此本指南不声称 H3 已可在 OmniArt 内生成。

在 OmniArt 中补完其余声轨

原生音频可以减少交接，但并不会取消独立声音工具的价值。如果一次 H3 成片画面正确而旁白偏弱，保留画面，再搭一条受控人声轨。如果对白可用但房间缺质感，就加环境声或拟音层，而不是整段重生成。

OmniArt 把视频、语音、音效与音乐工作流收进同一个创意工作区。使用 AI 音效生成器指南 设计替代拟音与环境声，或对照 Veo 3.1 空间音频指南 比较提示词思路。目标不是把每一种声音都硬塞进一次生成，而是在原生声轨可用时保留它，只替换不好用的那一层。

在 OmniArt 探索视频创作工作流