手把手教你写 MiniMax-H3 多参模式提示词：从小白到出片，...

gzqkrl

手把手教你写 MiniMax-H3 多参模式提示词：从小白到出片，附赠系统提示词发给AI，可一句话编排

你攒了一张人物照片、一段参考视频、一段音频素材，想让 MiniMax-H3 把它们合成一条成品视频。

打开多参模式，你发现提示词不是一个输入框——是一整套结构化的六段式格式。很多人卡在这儿就放弃了。

2026 年 8 月 3 日，MiniMax 正式开源 H3 模型。它不是又一个"能生成视频"的模型——它能同时理解图片、视频、音频之间的关系，生成最高 2K 分辨率、15 秒、带原生立体声的视频。

但要用好这个能力，你得学会一种全新的提示词写法：全参考模式（Full-Reference Mode），也就是大家说的多参模式。

多参模式的提示词不是写一段话，是填六张表。

今天这篇，手把手带你从零写出一套合格的多参模式提示词。不需要编程基础，看完就能上手。

00

序言：视频展示&资源大放送

「0805 H3数字人MV素材&工作流.zip」容易失效请及时转存

夸克网盘：我用夸克网盘给你分享了「0805 H3数字人MV.zip」，点击链接或复制整段内容，打开「夸克APP」即可获取。

/~1e633aTO3u~:/

链接：https://pan.quark.cn/s/afdd68af1883?pwd=c68j

提取码：c68j

01

一个类比搞懂整套格式

写多参模式提示词，就像导演拍一部"有参考素材"的电影。

你手上有一堆素材：演员的照片、场景参考图、一段参考视频、一段配乐。导演的任务，是把这些素材组织成一部完整片子。

MiniMax-H3 要求你填六张"工作表"——

① subject_definitions — 演员表 + 场景表

定义每个参考素材：谁来演、在哪拍、穿什么

② summary — 导演阐述

一句话说清这部片子要干什么

③ retention_analysis — 素材使用清单

哪些素材照搬、哪些改编、哪些只取风格

④ detailed_description — 分镜头剧本

逐镜描述画面、动作、运镜、声音、对话

⑤ overall_soundscape — 环境音设计

总结整条视频的环境音和物理声音

⑥ non_diegetic_music — 配乐设计

描述只有观众能听到、角色听不到的背景音乐

六张表填完，提示词就写完了。听起来复杂，其实每张表只回答一个问题。

关键认知：多参模式提示词是一份结构化文档，不是一段自由文字。你填的每一张表，MiniMax-H3 都会精确对应到生成流程的某个环节。漏填或乱填，模型就不知道该怎么用你的素材。

02

四种参考标签：你的选角工具

填表之前，先学会给素材贴标签。多参模式有四种标签，就像剧组里的四个工种。

<Subject N> — 可复用的可见内容

这是用得最多的标签。凡是要在目标视频里实际出现的可见内容——人物、动物、物体、场景、服装、风格、动作、表情——都用 Subject。它代表"内容单元"，不是文件本身。

示例：一张人物照片定义一个角色

1. <Subject 1> is the young woman in <Picture 1>, with long dark hair, a blue cardigan, and a thin silver necklace.

复制代码

一个角色可以来自多个素材。比如外貌取自图片 A，动作取自视频 B：

1. <Subject 1> is the woman whose appearance comes from <Picture 1> and whose walking motion comes from <Video 1>.

复制代码

<icture N> — 作为具体画面的参考图

当一张图片要做某个镜头的首帧、关键帧、末帧或构图锚点时，单独建一个 Picture 标签。

示例：图片作为镜头首帧

1. <Picture 2> is the first frame of [Shot 1], showing a woman seated beside a café window.

复制代码

易错点：如果图片只是用来定义人物长相或场景风格，不要单独建 Picture，直接在对应 Subject 定义里引用图片来源即可。

<Video N> — 提供编辑源或时间结构

当一段视频要做编辑源、续接起点，或提供运镜、剪辑节奏、时间结构时，用 Video 标签。

示例：参考视频作为编辑源

1. <Video 1> is the source video for the target video edit.

复制代码

如果只是借用参考视频里的人物或动作，那属于 Subject，不是 Video。Video 标签标识的是"文件或结构来源"，不替代 Subject。

<Audio N> — 被复制或参考的音频

当音频要完整复制、部分复制，或参考其音色、节奏、配乐风格、对话内容时，用 Audio 标签。

示例：音频作为角色音色参考

1. <Audio 1> is the voice-timbre reference for <Subject 1> (S1).

复制代码

一句话记住：Subject 管"演什么"，Picture 管"画面锚在哪"，Video 管"时间结构怎么走"，Audio 管"声音怎么来"。四个标签各司其职，互不替代。

03

六张表逐张拆解

第一张：subject_definitions

逐行定义每个需要单独追踪的参考素材。每行写清楚三件事：标签代表什么、参考角色是什么、要保留哪些主要特征。

示例

1. <Subject 1> is the coffee-shop environment in <Picture 1>, featuring an exposed brick wall, an orange sofa, and a wooden table. <Subject 2> is the fluffy white Samoyed in <Picture 2>, with thick fur and a dark nose. <Subject 3> is the young blonde woman in <Video 1>. <Audio 1> is the voice-timbre reference for <Subject 3> (S1).

复制代码

第二张：summary

用一段英文概括目标视频和参考关系。开头必须加一个方括号任务类型前缀（任务类型下一节讲），然后用已定义的标签描述主体、镜头流和素材角色。

示例

1. [reference generation + audio reference] The target video shows <Subject 3> eating a cookie in <Subject 1>. <Subject 4> enters with <Subject 2>, which lunges toward the cookie.

复制代码

第三张：retention_analysis

逐行说明每个参考素材在目标视频里保留到什么程度——是完全保留、部分保留、特征转移，还是仅保留风格相似。具体标记词下一节讲。

示例

1. <Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - the brick wall, sofa, and table are retained. <Audio 1>: reference - its vocal timbre guides the dialogue without copying the original signal.

复制代码

第四张：detailed_description

这是整套提示词的核心主体。按播放顺序逐镜描述：画面构图、人物位置和外观、灯光、动作和状态变化、运镜、声音、对话。生成任务通常写 350-500 个英文词。

格式要点：第一个镜头写 [Shot 1]，后面的镜头写 [Shot N] At MM:SS.mmm 标注切换时间。参考标签在首次出现时插入，后续不再重复定义。

示例（开头部分）

1. The target video uses a realistic multi-camera sitcom style with warm indoor lighting. [Shot 1] A medium shot establishes <Subject 1>, the coffee shop with its brick wall and orange sofa. <Subject 3> (S1) sits on the sofa holding a cookie. From the left, <Subject 4> enters holding the leash of <Subject 2>, the white Samoyed. The dog lunges toward the cookie. [Shot 2] At 00:03.000, the shot cuts to a close-up of <Subject 4> (S2)...

复制代码

第五张：overall_soundscape

用一两句英文总结整条视频的环境氛围和物理声音。对话、唱歌和特定镜头同步的声音效留在 detailed_description 里，不在这里重复。

示例

1. overall_soundscape: Quiet indoor room tone and a low ventilation hum continue throughout the video.

复制代码

第六张：non_diegetic_music

描述只有观众能听到、角色听不到的背景音乐。有音乐时写清乐器、速度和动态变化；没有就写 N/A。

示例

1. non_diegetic_music: A restrained solo-piano score at a slow tempo, with sustained low cello underneath.

复制代码

04

任务类型：你的片子属于哪一类

summary 开头的方括号前缀，就是告诉模型这条视频的任务类型。选对了，模型才知道怎么处理你的素材。

任务类型速查表

类型什么时候用

keyframe completion图片做首帧/关键帧/末帧

reference generation素材提供生成参考（人物/场景/风格/运镜）

video editing直接编辑一段已有视频

video continuation从已有视频结尾继续往后接

audio reuse完整或部分复制原始音频信号

audio reference只参考音色/节奏/风格，不直接复制

一条视频往往同时满足多种关系。这时用加号拼接，不重复类型。比如从一段视频结尾续接、同时用一张图做末帧，就写成：

1. [video continuation + keyframe completion]

复制代码

判断窍门：问自己"这个素材在视频里扮演什么角色"——如果它是某个具体画面，选 keyframe completion；如果它只提供参考信息，选 reference generation；如果它本身被编辑，选 video editing。只看角色，不看素材类型。

05

保留关系：素材用到了什么程度

retention_analysis 里每个素材后面要跟一个标记词，告诉模型这个素材保留到什么程度。可见内容和音频用不同的词。

可见内容（Subject / Picture / Video）

标记词速查

标记词含义

fully_preserved定义的角色完全保留

partially_preserved部分特征保留，部分被改

attribute_transfer特征转移到另一个对象上

weak_reference只保留风格/类别/氛围的大致相似

音频（Audio）

标记词速查

标记词含义

fully_copy完整音频原样用作最终音轨

partially_copy只复制部分时间线或部分音层

reference只参考音色/节奏/内容，不复制信号

weak_reference只保留类别或氛围的大致相似

易错点：目标视频里新加的动作、背景或剧情，不算参考保真度的损失。标记词只衡量"参考素材本身的特征保留了多少"，不衡量"目标视频新增了什么"。

06

对话和说话人怎么写

视频里有人说话，就要给说话人编号。按实际发声顺序分配 (S1)、(S2)、(S3)……同一个说话人全程复用同一个编号。

对话内容用 <d> 标签包裹，格式是 <d>[语言] 文本</d>。语言写 English、Chinese 等。听不清的地方写 [unclear]，不要猜。

示例：角色说话

<Subject 3> (S1) exclaims with light annoyance, <d>[English] Hey! Watch your dog!</d>

当参考素材的 Subject 和说话人是同一个人，两个标签都保留——<Subject N> 标识参考内容，(Sx) 标识实际说话人。画外音也用同样格式，加 off-screen 标注。

有一种特殊情况：如果一段对话只是直接复用的背景音乐里的歌词，不是某个角色亲口说的，就用 <Audio N> 作为声音来源，不额外分配 (Sx)。

示例：BGM 里的歌词不是独立说话人

1. When <Audio 1> reaches the phrase <d>[English] I'm lonely lonely lonely</d>, <Subject 1> performs the corresponding hand gesture without becoming a separate speaker source.

复制代码

07

从零写一个完整案例

理论讲完，来实操。假设你有这些素材：

素材      角色

Picture 1咖啡馆场景图（砖墙、沙发、桌子）

Picture 2萨摩耶犬照片

Video 1金发女子视频（外貌来源）

Audio 1女子音色参考音频

你要生成一条短视频：女子在咖啡馆吃饼干，男子带着萨摩耶进来，狗扑向饼干，两人对话。下面是完整的六段式提示词——

1. subject_definitions: <Subject 1> is the coffee-shop environment in <Picture 1>, featuring an exposed brick wall, an orange sofa, and a wooden table. <Subject 2> is the fluffy white Samoyed in <Picture 2>, with thick fur and a dark nose. <Subject 3> is the young blonde woman in <Video 1>, with long hair and a pink shirt. <Subject 4> is the young man in <Video 2>, with short brown hair and a grey hoodie. <Audio 1> is the voice-timbre reference for <Subject 3> (S1).  summary: [reference generation + audio reference] The target video shows <Subject 3> eating a cookie in <Subject 1>. <Subject 4> enters with <Subject 2>, which lunges toward the cookie. <Audio 1> guides the voice timbre of <Subject 3>.  retention_analysis: <Subject 1> (appears in [Shot 1]-[Shot 3]): fully_preserved - the brick wall, sofa, and table are retained. <Subject 2> (appears in [Shot 1]-[Shot 2]): fully_preserved - the Samoyed's fur and nose are retained. <Subject 3> (appears in [Shot 1]-[Shot 3]): fully_preserved - the woman's identity and shirt are retained. <Subject 4> (appears in [Shot 1]-[Shot 2]): fully_preserved - the man's hair and hoodie are retained. <Audio 1>: reference - its vocal timbre guides the dialogue without copying the original signal.  detailed_description: The target video uses a realistic sitcom style with warm indoor lighting. [Shot 1] A medium shot establishes <Subject 1>, the coffee shop. <Subject 3> (S1) sits on the sofa holding a cookie. From the left, <Subject 4> enters holding the leash of <Subject 2>, the white Samoyed. The dog lunges toward the cookie. <Subject 3> (S1) jerks her hand back and exclaims, <d>[English] Hey! Watch your dog!</d> [Shot 2] At 00:03.000, the shot cuts to a close-up of <Subject 4> (S2). He says, <d>[English] He just likes cookies more than me.</d> He strokes the dog's fur. [Shot 3] At 00:05.000, the shot cuts to <Subject 3> (S1). She replies, <d>[English] Well, he has good taste at least.</d> She smiles and raises the cookie.  overall_soundscape: Soft indoor coffee-shop room tone continues throughout the scene.  non_diegetic_music: N/A

复制代码

这就是一套完整的六段式提示词。把它连同你的素材一起喂给 MiniMax-H3，模型就能精确理解每个素材的用途和保留程度。

复盘要点：① 先列素材、贴标签；② summary 概括全局；③ retention_analysis 逐个标保留程度；④ detailed_description 逐镜写细节，对话带说话人编号；⑤ 声音分两层——环境音归 overall_soundscape，背景乐归 non_diegetic_music。六步走完，提示词就合格了。

08

彩蛋：让 AI 帮你写提示词

如果你觉得手写六段式还是麻烦，可以把下面这段英文系统提示词发给任意 AI 助手，再附上你的素材描述和创作需求，AI 就会按 MiniMax-H3 多参模式的标准格式帮你生成完整提示词。

系统提示词（英文，直接复制使用）

1. You are an expert prompt engineer for MiniMax-H3 Full-Reference Mode (multi-parameter mode) video generation. Your task is to convert the user's natural-language request and reference assets into a structured six-section prompt.  Output exactly these six sections in order:  1. subject_definitions - Define every referenced content unit that must be tracked separately: people, objects, scenes, styles, actions, and audio tracks. - Use <Subject N> for reusable visible content; <Picture N> for images serving as concrete frame anchors (first frame, keyframe, last frame); <Video N> for source/structural video references; <Audio N> for audio assets. - One item per line. State what the label denotes, its reference role, and key features. If a picture only defines a subject, cite it inside that subject's definition instead of creating a standalone entry.  2. summary - Begin with a square-bracketed task-type prefix. Available types: keyframe completion, reference generation, video editing, video continuation, audio reuse, audio reference. Combine multiple with " + ". - Write one short English paragraph summarizing the target video and reference relationships using the labels defined above. Do not introduce new labels here.  3. retention_analysis - One line per reference label. - Visible content (<Subject N>, <Picture N>, <Video N>): use fully_preserved, partially_preserved, attribute_transfer, or weak_reference. - Audio (<Audio N>): use fully_copy, partially_copy, reference, or weak_reference. - State which shots each item appears in.  4. detailed_description - Write in English. Preserve the original language only for dialogue, lyrics, and visible on-screen text. - Use [Shot 1] for the opening shot. Later shots: [Shot N] At MM:SS.mmm. - For each shot describe: composition, subject position and appearance, lighting, actions and state changes, camera movement, and sound. - Insert reference labels at first appearance and where their roles apply. Do not redefine labels in later shots. - Assign speaker IDs (S1, S2, ...) in order of first vocal event and reuse throughout. Write dialogue as <d>[Language] text</d>. Use [unclear] for unintelligible speech. - Target 350-500 English words for generation tasks.  5. overall_soundscape - Summarize ambient and physical sounds across the full video. Do not repeat dialogue here.  6. non_diegetic_music - Describe audience-only background music (instrumentation, tempo, dynamics). Write "N/A" if none.  Rules: - Once a label is assigned, keep its meaning consistent across all six sections. - Do not introduce new reference labels in summary, retention_analysis, or the audio sections. - An ordinary reference video with sound does not create <Audio N> unless the audio is explicitly reused or referenced. - Standardize dialogue punctuation to basic marks (, . ? !). Remove decorative or repeated punctuation. - Target-video additions (new actions, backgrounds, plot events) do not count as losses of reference fidelity.  Now, given the user's request and reference assets below, generate the complete six-section prompt.

复制代码

复制这段系统提示词，粘贴到 AI 对话的系统指令或开头，然后在下面附上你的素材清单和创作需求，AI 就会输出符合 MiniMax-H3 标准的六段式提示词。

用法示例：在系统提示词后面跟一句——

手机跟拍视角，一镜到底，图中婴儿坐在人力三轮货车车厢里，手持玩具小吉他，忘情歌唱，三轮车缓缓向前骑行，视频时长13秒，一开始就有音乐，要求婴儿口型与音乐同步

来自群组: AI幻想保留地

yangtao3333

感谢楼主无私奉献，只要人人都献出一点爱，世界将变成美好的人间