MiniMax H3 原生音訊指南：對白、音樂與同步

MiniMax H3 的原生音訊，把聲音變成生成需求的一部分，而不是畫面做完之後自動補上去的一個檔案。MiniMax 說 H3 能一起理解文字、圖片、影片和音訊，然後生成帶原生立體聲的影片。它的訓練範圍也把人聲、音效和音樂當成同一個音訊領域，而不是分開的工具。

那是一個有意義的工作流程改變，但它不是在保證每一句台詞都會唸得完美、每一個腳步聲都會落在對的影格上，或是每一份立體聲混音都能直接發佈。這份指南把 MiniMax 官方記載的 H3 能力 (在新分頁中開啟)和創作者該自己跑的製作測試分開。它給你一套實用的聲音企劃結構、一條音訊參考素材的流程、五份提示詞範本，還有一張可重複的評分表，而不會把官方示範當成獨立的驗證結果。

MiniMax 官方對 H3 音訊記載了什麼#

MiniMax 把 H3 描述成一個通用的多模態影片模型，不是一個外掛獨立音訊流程的無聲影片生成器。官方的上線資料說這個模型會生成原生立體聲，並且把人聲、音效和音樂一起建模。MiniMax 也示範了一句提示詞，同時把運鏡取自一段影片、角色取自一張圖片，人聲則對上一份音訊參考素材。

官方 H3 影片生成指南 (在新分頁中開啟)定義了目前的 API 邊界：

有三個重要的限制。音訊參考素材不能單獨送出；MiniMax 要求旁邊至少要有一張圖片或一段影片。音訊檔每個上限 15 MB，整個混合參考素材請求上限 12 份素材。參考素材模式也不能跟首格或末格模式放在同一個請求裡，所以要先決定這顆鏡頭比較在意的是準確的邊界影格，還是更廣的多模態條件控制。

寫提示詞之前先做聲音企劃#

最有用的 H3 提示詞不是一長串聲音清單。它是一份精簡的聲音計畫，告訴模型什麼該領頭、什麼該當支撐，還有什麼必須在一個看得見的時刻發生。這份計畫分五輪寫。

1. 先鎖住畫面動作和時間點#

音訊同步靠的是看得見的事件。先定鏡頭、主體動作、運鏡和節拍順序。“A spoon hits the saucer as the camera settles” 給了模型一個影音共享的事件。“Add a cup sound” 沒有說這件事什麼時候發生，也沒說是什麼造成的。

一段 10 秒的片段，簡單的節拍表可能是：

• 0–3 秒：建立空間和主體
• 3–7 秒：對白或主要動作
• 7–10 秒：產品揭曉和最後的聲音提示

把那些時間點當成指示，不是精確到影格的剪輯標記。製作測試要量的就是輸出跟它們貼得多近。

2. 只指定一個主要音訊層#

挑一個觀眾必須先注意到的聲音：對白、一個產品互動、一段音樂鉤子，或某個環境聲響。給它最清楚的措辭，並在它周圍留出空間。

如果主角是對白，就把準確的台詞用引號寫出來，並指定一句演繹方向。如果主角是產品聲，就描述產生它的那個物理動作。如果主角是音樂，就講出速度、配器、情緒，還有編制該在哪裡變化。

3. 把環境音當成一個聲學空間來加#

環境音應該解釋這顆鏡頭住在哪裡。不要寫「咖啡廳的聲音」，改成描述說話者身後一道安靜的濃縮咖啡機蒸氣聲、低低的室內談話，還有遠處的一聲門鈴。要做乾淨的產品廣告時，除非安靜本身是刻意的創作選擇，否則該要的是受控的錄音室空間聲響，而不是完全無聲。

用一些畫面和聲音都適用的距離詞和材質詞：

• 近、乾、親密，還有帶一點殘響
• 遠、隔著玻璃悶掉，或是在鏡頭外的左邊
• 磁磚上的腳步聲、布料摩擦、雨打在金屬上，或是一只玻璃杯放到木頭上

4. 決定音樂是配樂還是場景內的聲源#

配樂坐在場景外面；場景內音樂來自場景裡的某個物件或地點。講清楚你指的是哪一種。“A restrained electronic score under the dialogue” 要的是一個背景層，而 “music playing quietly from the café radio, slightly muffled” 則給了它一個畫面內的聲學來源。

不需要音樂的時候，就寫 no music。這會讓對白或擬音測試比較好判斷。需要的時候，要替人聲留餘裕，而不是要求每一層都又大聲又戲劇化。

5. 把排除項寫出來#

否定式的音訊指示在保護需求的時候很有用。例如 no narration、no crowd cheering、no added melody 和 no exaggerated whooshes。排除清單要短；限制太多會跟你真正想要的動作互相打架。

怎麼用音訊參考素材而不搞混它們的職責#

H3 的參考素材系統在每一份素材只有一個職責時最有用。一段參考音訊可能提供的是嗓音音色和語速、音樂能量、某種聲音質地，或是剪輯節奏。不要假設模型知道要借哪一個性質。

在寫最終提示詞之前，先畫一張素材職責表：

然後用自然語言描述這些關係。MiniMax 自己的 H3 範例用一句話把運鏡指派給影片參考素材、把表演者指派給圖片參考素材，把人聲指派給音訊參考素材。編號的素材標籤會因介面而異，而 API 用的是型別化的內容和參考素材角色，所以請把下面範本裡的標籤換成你的流程裡實際顯示的寫法。

乾淨的參考素材帶來更乾淨的實驗。修掉靜音、拿掉不相關的背景音樂、避免爆音，並讓相關的人聲或樂句容易聽清楚。用一小段能展示你要的那個性質的片段，不要預設就上傳到最長。

五份 MiniMax H3 原生音訊提示詞範本#

這些是起手的需求，不是宣稱過的測試結果。每一句提示詞都跑不只一次，並用下一節的流程替輸出打分。

1. 單人對白加空間聲響#

用這份範本評估說話的準確度、情緒演繹、嘴部動作，還有環境音有沒有乖乖待在台詞後面。

2. 有層次的環境音加同步擬音#

這份需求把環境音、材質真實度、左右分離和接觸點同步單獨拉出來測。

3. 以音樂為主的產品揭曉#

聲音之外的產品畫面規劃，可以用照片轉產品影片流程。

4. 有授權的人聲參考素材配新對白#

測試你要的那些嗓音特質有沒有帶過去，同時有沒有不小心把來源錄音的噪音、斷句或內容一起抄過來。把想要的特質用文字描述出來，這樣就算參考素材的服從度有起伏，這句指令還是有用。

5. 社群剪輯用的節奏參考素材#

這把「節奏條件控制」和「抄音樂」分開，也給了你三個看得見的同步點可以檢查。

一套可重複的 H3 音訊評估計畫#

一支打磨過的官方示範，回答不了「這個模型合不合你的製作流程」。用同一份需求至少跑三次生成，長度和參考素材固定不變，然後替每一個輸出打分，而不是只挑最強的那一個。

先把各層分開測#

從四句受控的提示詞開始：

1. 只有對白和安靜的空間聲響
2. 環境音加三個看得見的擬音事件，沒有人聲也沒有音樂
3. 演奏樂加兩個規劃好的畫面重音
4. 一份有授權的音訊參考素材，搭配一張簡單的圖片或影片參考素材

這四項過了之後，才把對白、環境音、擬音和音樂放進同一個擁擠的場景。這會讓失敗可診斷：你分得出問題是出在發音、時間點、參考素材的轉移，還是混音密度。

用評分表，不要用印象#

在剪輯軟體或音訊工作站裡檢查輸出檔。確認真的有兩個聲道、在單聲道下聽有沒有相位問題，並比對規劃好的接觸事件附近的波形。不要從社群平台的預覽去推斷音訊品質，那可能會重新壓縮或重新對應音軌。

要事先規劃的限制#

MiniMax 自己的上線貼文說 H3 仍有進步空間，並點名視覺細節是未來要處理的方向之一。就音訊製作而言，目前的公開文件也留了好幾個問題沒答。它沒有公布字錯率、對嘴準確度、響度、取樣率、立體聲以外的聲道配置、語言涵蓋範圍、人聲參考素材的相似度，或時間碼層級的提示點控制的保證。

照這些實際的邊界規劃：

• 輸出很短：4–15 秒適合鏡頭、廣告和社群片段，但長篇的連貫性需要跨多次生成再剪接。
• 參考素材脈絡很短：最多三段音訊，但它們加起來的長度不能超過 15 秒。
• 不能只用音訊當參考素材：一段參考音訊必須至少搭配一張圖片或一段影片。
• 自然語言的時間點不是鎖死的時間軸：在重複測試證明你要的精度之前，把節拍時間點當成意圖。
• 立體聲需要驗證：兩個聲道不會自動產生可信的方向、深度或單聲道相容性。
• 密的混音會藏住錯誤：對白、音效、環境音和音樂可能全部一起建模，但比較簡單的需求比較好控制、也比較好修。
• 參考素材的權利照樣適用：模型有能力，不代表你有權模仿一個聲音或重用受保護的音樂。

MiniMax H3 透過 PixVerse 向 OmniArt Creator 及以上方案開放，提供影片、轉場和參考模式，支援 5–15 秒、768p 或 1440p（2K）輸出。 參考模式最多支援 9 張圖片、3 段影片和 3 個音訊檔案。參考音訊必須至少搭配一張圖片或一段影片。 服務商文件描述的是立體聲，但 OmniArt 沒有開放獨立的 H3 音訊控制項。只有在請求同時包含至少一份視覺參考素材時，參考音訊才能引導這次生成。在把音訊算進製作計畫之前，先檢查交付出來的檔案。 H3 在 768p 是每輸出秒 8 點數，2K 是每秒 12 點數。在參考素材模式裡，參考影片用同一個選定的每秒費率；前五張參考圖包含在內，之後每張 4 點數，參考音訊不加點數。 官方隨用隨付定價頁 (在新分頁中開啟) H3 定價與規格指南

在 OmniArt 把剩下的聲音做完#

原生音訊可以減少交接，但它不會抹掉獨立音訊工具的價值。如果一條 H3 的畫面對了、旁白很弱，就留住畫面，另外做一條可控的人聲軌。如果對白可以用、但空間缺質地，就加一層環境音或擬音，不要整顆鏡頭重生成。

OmniArt 把影片、語音、聲音和音樂的流程放進同一個創作工作台。用 AI 音效生成器指南設計替換用的擬音和環境音，或是拿 Veo 3.1 空間音訊指南比較提示詞的寫法。目標不是把每一個聲音都硬塞進一次生成。而是原生音軌好用的時候就留著，只換掉不好用的那一層。

在 OmniArt 上用 MiniMax H3 創作