MiniMax H3プロンプトガイド

このガイドは、MiniMaxによるH3向けのプロンプト作成ガイドとAPIガイドに沿っています。モデルについてはMiniMax H3のページをご覧ください。

MiniMaxのガイドでは、プロンプトを3つのパートに分けます。タイムラインに沿った描写（スタイル、構図、被写体、動作、カメラ、話者、動作に結びついた音）、クリップ全体のサウンドスケープ、そして登場人物には聞こえない音楽です。

1. 1スタイルと最初の構図から始めます：「実写、シネマティック、ミディアムワイドショットが…を捉える」。
2. 2各被写体は、保つべき細部とともに書きます：年齢、服、色、位置。
3. 3動作は順番に書き、カメラワークはその文の中に入れます。
4. 42つ目以降のショットは、カットの時刻から始めます：「[Shot 2] 00:05.000に、カメラが…に切り替わる」。
5. 5各声は一度だけ描写し、続けてセリフを引用符で、言語も添えて書きます。
6. 6最後にサウンドスケープ、次に音楽を書くか、音楽がないことを明記します。

MiniMaxのガイドでは、各パートをラベル付きの項目として書きます。これはMiniMaxのプロンプト書き直しツール、H3-Context-IRが出力する形式です。一方、APIの例は普通の文で書かれています。どちらでも、順番は守ってください。

MiniMaxのガイドでは、カメラワークを種類、どこまで動くか（振り幅）、どれだけ速いか（速さ）から組み立て、末尾のラベルではなく、文の中の動作として書きます。

MiniMaxのAPIガイドでは、短い書き方も使えます。適用する描写の直後に[pan]、[zoom]、[static]を置く方法です。Hailuoのカメラガイドはさらに、1クリップにつきメインのカメラワークは1つにし、「ゆっくり」や「控えめに」で落ち着かせるよう勧めています。

安定したフレームにするには、Hailuoの不要なカメラの動きを防ぐガイドが、撮影機材の言葉、固定ショット、三脚を勧めています。手持ちにすると不規則さが加わります。距離だけが変わるなら、カットではなくカメラを動かすようMiniMaxは勧めています。

H3のどのクリップにも、映像と一緒に作られるステレオのサウンドが付きます。MiniMaxは、セリフと動作の音を、それが起きる描写の中に置きます。それ以外はサウンドスケープが受け持ち、音楽は最後に書きます。ネイティブオーディオもご覧ください。

• 声は一度だけ描写します：年齢、高さ、声質、話す速さ、訛り。MiniMaxは各話者に(S1)や(S2)といったIDを付け、ショットをまたいで保ちます。
• 話し方は引用符の外に、話す言葉だけを引用符の中に書きます：彼女がフランス語で「Bonjour, les croissants sortent du four.」と言う。
• ナレーションにするには、「画面外のナレーションで言う」と書き、画面に映る人物の唇は閉じたままだと書き添えます。
• サウンドスケープは1〜4文で書きます：風、足音、息づかい。セリフは入れません。
• 音楽はムードではなく、楽器、テンポ、音量で書くか、音楽がないことを明記します。

MiniMaxのモデルカードには、セリフが安定する11言語が載っています：アラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語。それ以外の言語は安定性が下がります。看板やラベルの文字は、表示したいとおりに二重引用符（“ ”）で囲みます。リップシンクもご覧ください。

MiniMaxのAPIは最大7,000文字を受け付け、プロンプト書き直しツールが書くプロンプトは数百語に及びます。その文字数は、見えるものと聞こえるものを瞬間ごとに書くのに使ってください。

カットの時刻はMiniMaxと同じように付けます。最初のショットには時刻を付けず、その後の各ショットにはより後の時刻を付け、カットごとに何か新しいものを見せます。Hailuoの一般的なプロンプトガイドは、ほとんどのプラットフォームで20〜50語を勧めていますが、H3自身の例はもっと長いので、両方試してください。

DreamBenchでは、H3は21:9、16:9、リールやショート向けの9:16、1:1、4:3でレンダリングします。MiniMaxのHailuo AIアプリでは3:4も選べます。

MiniMaxのAPIは、最初のフレーム、最後のフレーム、またはその両方を受け付けます。クリップの画面比率は画像で決まります。画像から動画生成と最初と最後のフレーム指定をご覧ください。

1. 1画像から始めます：雨に濡れた列車の窓辺にいる若い女性。
2. 2動作がどう始まるかを書きます：彼女が手紙から顔を上げると、カメラがゆっくり右へトラックする。
3. 3結果で終わらせます：彼女が折り目に沿って手紙をたたむ。

MiniMax自身の例は変化を求めています：「背景の人々にピントを送り、ラーメンの器の湯気を増やす。」DreamBenchの作成画面には開始や終了のスロットがありません。映像では参照画像から各開始フレームを描き、クリップの終わり方はプロンプトで決まります。

MiniMaxの参照モードは、画像を最大9枚、動画を3本、音声クリップを3本、合計12ファイルまで受け付けます。機能の例では、プロンプトの中でそれぞれに名前を付けています：「Image 2: character. Image 3: bag.」参照と最初・最後のフレームは併用できません。

• どのショットでも、各キャラクターを同じ言葉で描写します：「灰色のひげに緑のエプロンをした中年のパン職人」。
• 各話者の声の描写とIDは、ショットをまたいで同じにします。
• 服、小道具、時間帯、光を保ちます。

DreamBenchはH3に参照画像、動画、音声を送りません。映像では、各キャラクター、場所、小道具を設定シートとして一度だけ描き、各クリップの開始フレームを必要な設定シートから描きます。キャラクターの一貫性と参照画像から動画生成をご覧ください。

MiniMaxはH3をマルチショット動画向けに学習させており、ガイドでは1クリップ内でカットの時刻を指定しています。15秒を超えるときや、1つのショットだけを作り直したいときは、ショットごとに別のクリップにします。マルチショット動画をご覧ください。

• 1クリップ内では：ショットに番号を付け、2つ目以降のカットに時刻を付け、被写体は同じ言葉で描写します。
• クリップをまたぐときは：1クリップに1つの瞬間、つなぎ目ごとに新しいフレーミング、環境音はつなぎ目をまたいで続けます。

DreamBenchで映像の内容を説明し、MiniMax H3を選ぶと、各ショットを最大12秒のカットなしの1クリップとして書き、開始フレームを描き、クリップを1本につなげます。どのクリップもメモを添えて作り直せます。「動画」ページでは、書いたショットのラベルがそのままH3に届きます。

DreamBenchの「動画」ページや、MiniMax H3を使える任意のツールに貼り付けてください。どれも1クリップです。

時間指定した3ショット：朝のパン屋

12秒、16:9。[Shot 1] 実写、シネマティック、日の出前の街角のパン屋を映すミディアムワイドショット。灰色のひげに緑のエプロンをした中年のパン職人がパンをカウンターに置くと、カメラがゆっくりプッシュインする。パン職人が、落ち着いたかすれ声で、英語で「First batch of the morning.」と言う。[Shot 2] 00:05.000に、カメラが固定のクローズアップに切り替わり、彼がパンをスライスすると湯気が立ちのぼる。[Shot 3] 00:09.000に、紙袋を受け取る客の手に切り替わる。Soundscape: トレーがカチャカチャ鳴り、ドアベルが一度鳴る。Music: やわらかなアコースティックギター、最後にフェードアウト。

文字入りの商品：紅茶の缶

8秒、1:1。実写、朝の光が左から差すオークのテーブルに置かれた紅茶の缶のクローズショット。ふたには金色の大文字で「HIGHLAND BREAKFAST」と書かれている。手がふたを持ち上げ、スプーンが濃い色の茶葉をすくう。カメラがゆっくりプッシュインし、文字はくっきりしたまま。Soundscape: ふたが開くやわらかなポンという音、茶葉のカサカサという音。Music: なし。

セリフ：夜のバスでの2人の会話

10秒、16:9。実写、夜のバスの2階席を映す固定のツーショット。街の灯りが流れていく。黄色いレインコートの若い男性が、早口で不安げな声で、英語で「I think we missed our stop.」と言う。隣の女性は、低く面白がるような声で、本から目を上げずに「Two stops ago.」と言う。Soundscape: エンジンのうなり、屋根を打つ雨。Music: なし。

スペイン語のセリフ：果物の屋台

6秒、9:16。実写、真昼の日差しの中、市場の屋台を映す固定のミディアムショット。ストライプのエプロンをした年配の女性がマンゴーをカメラに向けて掲げ、温かくきびきびした声で、スペイン語で「¡Prueba este, está dulcísimo!」と言う。Soundscape: 市場のざわめき、紙袋のカサカサという音。Music: なし。

ナレーション：読み上げられる手紙

10秒、16:9。実写、ランプの明かりで手書きの手紙を読む、茶色のカーディガンを着た老人のクローズショット。カメラがゆっくり左へトラックする。老人が、やわらかく低い声で、画面外のナレーションで「君の家へ続く道を、今も覚えている。」と言う。彼の唇は閉じたまま。Soundscape: 時計の秒針の音、窓を打つ雨。Music: ゆっくりしたテンポのまばらなピアノ。

クローズアップの音：板の上のパン

6秒、9:16。実写、板の上のサワードウブレッドを映す固定の超クローズアップ。波刃のナイフが3回ゆっくり引いて切り進み、スライスが倒れる。Soundscape: 刃の下で皮がパリパリと砕ける音、近くて鮮明。Music: なし。

ステレオで動く音：画面を横切る路面電車

10秒、21:9。実写、夕暮れの石畳の広場を映す固定のワイドショット。赤い路面電車が左から入ってきて、ガタガタと横切り、ベルを一度鳴らして右へ去っていく。Soundscape: 走行音がステレオで左から右へ移動し、カーブで車輪がきしむ。Music: なし。

アニメーション：粘土のロボット

8秒、1:1。クレイアニメ、作業台の上の、丸い目が1つある小さな青い粘土のロボット。ボルトを拾い上げ、自分の胸にねじ込むと、誇らしげに弾む。アークショットでゆっくり周りを回る。Soundscape: 粘土のキュッという音、金属的なカチッという音。Music: 弾むようなテンポの軽やかな木琴。

アプリのモーション：銀行アプリの画面

8秒、9:16。3D CG、ライラック色の背景に置かれたスマートフォンの画面。「£2,480.00」と表示された残高カードがスライドして現れ、3件の支払いが落ちてきて、「Rent paid」の横に緑のチェックマークが表示される。カメラがゆっくりプッシュインする。Soundscape: やわらかなタップ音、チェックマークで一度鳴るチャイム。Music: ミニマルな電子音のパルス。

スポーツ：夜明けのボート

8秒、16:9。実写、白いタンクトップのスカルの漕ぎ手が、夜明けの霧深い湖を漕いで進む。水面の高さからトラッキングショットで追い、ボートが滑るように通り過ぎるとカメラがペデスタルアップする。Soundscape: 水に入るオール、スライドするシート、鳥の鳴き声。Music: なし。

縦型の予告編：灯台

15秒、9:16。[Shot 1] 実写、シネマティック、嵐の波が打ち寄せる灯台のワイドショット。[Shot 2] 00:04.000に、手すりの前に立つ、赤毛を短く刈り込み油布のコートを着た若い灯台守に切り替わる。彼女はかすれた声で、英語で「The light’s gone out!」と叫ぶ。[Shot 3] 00:09.000に、暗いランプ室でマッチを擦る彼女の手に切り替わる。Soundscape: うなる風、とどろく波。Music: 低い弦楽器が高まっていき、炎のところで止まる。

カメラの指示を入れた1行のプロンプト

5秒、16:9。夕暮れの雪原をキツネが小走りで横切り [static]、立ち止まってから、頭から雪に飛び込む [zoom]。やわらかな風、くぐもったドスンという音。

H3の弱いプロンプトのほとんどは、間違っているのではなく短すぎるだけです。

• 同じプロンプトを2回実行すると、2つの違うクリップができます。
• MiniMaxによると、場面によっては映像の細部にまだ改善の余地があります。重要な細部はフレーム内で大きく映し、1080pで生成してください。
• どのクリップにもサウンドが付きます。無音にしたいなら、ルームトーンを指定して、編集ソフトでミュートしてください。
• 実在の人物や商品は、言葉だけでは再現できません。使用する権利のある画像が必要です。
• 1回の生成は15秒で止まり、DreamBenchの「動画」ページでは5,000文字を超えるプロンプトは受け付けられません。

• クリップ1本なら、「動画」ページでMiniMax H3を選び、プロンプトを貼り付けて、5、6、8、10、12、15秒のいずれか、フレーム、720pか1080pを選びます。プロンプトは書いたとおりにH3へ送られます。
• プロンプトなら、AI動画プロンプト生成が、どのモデル向けにもショットリストの順番でプロンプトを書きます。H3専用のプリセットはなく、書くのはプロンプトだけです。
• 映像なら、内容を説明し、参照画像を最大8枚追加して、MiniMax H3を選びます。DreamBenchがすべてのショットを書き、描き、つなげます。どのショットも作り直せます。
• 提供なし：最初や最後のフレーム、H3に送る参照、動画編集、3:4。

MiniMax H3はすべてのプランで使えます。作成画面には、生成前にクレジットでの料金が表示されます。初回は無料アカウントを作成し、プランを選んでください。ほかのモデルについてはGrok Imagine 1.5、Veo 3.1、Kling 3.0のプロンプトガイドを、言葉だけから作るプロンプトならテキストから動画生成をご覧ください。