Guia de prompts do MiniMax H3

Este guia segue o guia de escrita de prompts da MiniMax para o H3 e o guia da API dela. Para o modelo, veja a página do MiniMax H3.

O guia da MiniMax divide um prompt em três partes: uma descrição ao longo da linha do tempo (estilo, composição, elementos principais, ação, câmera, quem fala e os sons ligados a uma ação), uma paisagem sonora para o clipe inteiro e a música que os personagens não ouvem.

1. 1Comece com o estilo e a primeira composição: “Live-action, cinematográfico, um plano médio aberto enquadra…”.
2. 2Nomeie cada elemento principal com os detalhes que precisam ficar: idade, roupas, cores, posição.
3. 3Escreva a ação em ordem, com o movimento de câmera dentro da frase.
4. 4Comece cada plano seguinte com o seu tempo de corte: “[Shot 2] Aos 00:05.000, a câmera corta para…”.
5. 5Descreva cada voz uma vez e depois a fala entre aspas, com o idioma.
6. 6Feche com a paisagem sonora e depois a música, ou diga que não há música.

O guia da MiniMax escreve as partes como campos rotulados, a forma que o reescritor de prompts dela, o H3-Context-IR, produz; os exemplos da API dela são frases comuns. De um jeito ou de outro, mantenha a ordem.

O guia da MiniMax monta um movimento a partir do tipo, de até onde ele vai (amplitude) e da rapidez (velocidade), escrito como uma ação na frase, não como um rótulo no fim.

O guia da API da MiniMax também aceita uma forma curta: [pan], [zoom] ou [static] logo depois da descrição a que se aplica. O guia de câmera do Hailuo acrescenta: um movimento principal por clipe, suavizado com slow ou subtle.

Para um quadro estável, o guia sobre movimento indesejado do Hailuo sugere termos de equipamento, um plano com câmera fixa ou um tripé; câmera na mão acrescenta aleatoriedade. Se só a distância muda, a MiniMax diz para mover a câmera em vez de cortar.

Todo clipe do H3 tem som estéreo feito junto com a imagem. A MiniMax coloca as falas e os sons das ações na descrição, onde eles acontecem; a paisagem sonora cobre o resto; a música vem por último. Veja áudio nativo.

• Descreva uma voz uma vez: idade, tom, timbre, ritmo ou sotaque. A MiniMax dá a cada pessoa que fala um ID, (S1) ou (S2), mantido entre os planos.
• Deixe o modo de falar fora das aspas e só as palavras faladas dentro: ela diz em francês, “Bonjour, les croissants sortent du four.”
• Para uma narração, escreva “diz em narração fora de cena” e depois acrescente que os lábios do personagem em cena ficam fechados.
• Escreva a paisagem sonora em uma a quatro frases: vento, passos, respiração; sem diálogo.
• Escreva a música como instrumentos, andamento e volume, não como climas, ou diga que não há música.

O model card da MiniMax lista diálogo que se sustenta em 11 idiomas: árabe, chinês, inglês, francês, alemão, italiano, japonês, coreano, português, russo e espanhol; outros funcionam com menos consistência. Coloque qualquer texto de placa ou rótulo entre aspas duplas, exatamente como deve aparecer. Veja sincronização labial.

A API da MiniMax aceita até 7.000 caracteres, e os prompts do reescritor dela chegam a centenas de palavras: gaste-as com o que é visto e ouvido, momento a momento.

Cronometre os cortes como a MiniMax faz: nenhum tempo no primeiro plano, um tempo posterior em cada um dos seguintes e algo novo a cada corte. O guia de prompts geral do Hailuo sugere de 20 a 50 palavras para a maioria das plataformas; os exemplos do próprio H3 são mais longos, então teste os dois.

No DreamBench, o H3 renderiza 21:9, 16:9, 9:16 para Reels e Shorts, 1:1 e 4:3; o app Hailuo AI da MiniMax também oferece 3:4.

A API da MiniMax aceita um primeiro quadro, um último quadro ou os dois; a imagem define a forma do clipe. Veja imagem para vídeo e primeiro e último quadro.

1. 1Parta da imagem: a jovem junto à janela do trem na chuva.
2. 2Diga como a ação começa: a câmera faz um truck lento para a direita enquanto ela levanta os olhos da carta.
3. 3Termine num resultado: ela dobra a carta no vinco.

O próprio exemplo da MiniMax pede uma mudança: “Mude o foco para as pessoas ao fundo e acrescente mais vapor à tigela de ramen.” O painel de criação do DreamBench não tem espaço para quadro inicial ou final: num filme, ele desenha cada quadro inicial a partir das suas referências, e o prompt diz como o clipe termina.

O modo de referência da MiniMax aceita até 9 imagens, 3 vídeos e 3 clipes de áudio, 12 arquivos no total; os exemplos de recursos dela nomeiam cada um no prompt: “Image 2: personagem. Image 3: bolsa.” Referências e primeiro ou último quadro não podem ser combinados.

• Descreva cada personagem com as mesmas palavras em todos os planos: “um padeiro de meia-idade de barba grisalha e avental verde”.
• Mantenha a descrição da voz de cada pessoa que fala, e o ID dela, iguais entre os planos.
• Mantenha as roupas, os objetos, a hora do dia e a luz.

O DreamBench não envia imagens, vídeos ou áudios de referência ao H3. Num filme, cada personagem, lugar e objeto é desenhado uma vez como ficha, e o quadro inicial de cada clipe é desenhado a partir das fichas de que ele precisa. Veja consistência de personagem e referência para vídeo.

A MiniMax treinou o H3 para vídeo multi-shot, e o guia dela cronometra cortes dentro de um clipe. Para passar de 15 segundos, ou para refazer um plano sozinho, faça de cada plano um clipe próprio. Veja vídeo multi-shot.

• Dentro de um clipe: numere os planos, cronometre cada corte depois do primeiro, descreva os elementos principais de forma idêntica.
• Entre clipes: um momento em cada, enquadramento novo a cada junção, som ambiente contínuo através dela.

No DreamBench, descreva o filme e escolha o MiniMax H3: ele escreve cada plano como um clipe contínuo de até 12 segundos, desenha o quadro inicial e monta os clipes; refaça qualquer um com uma observação. Na página Vídeo, os seus rótulos de plano chegam ao H3 do jeito que você escreveu.

Cole estes prompts na página Vídeo do DreamBench ou em qualquer ferramenta do MiniMax H3. Cada um é um clipe.

Três planos cronometrados: a padaria de manhã

12 segundos, 16:9. [Shot 1] Live-action, cinematográfico, um plano médio aberto de uma padaria de rua antes do nascer do sol. Um padeiro de meia-idade de barba grisalha e avental verde coloca um pão no balcão enquanto a câmera se aproxima devagar. O padeiro, uma voz calma e rouca, diz em inglês: “First batch of the morning.” [Shot 2] Aos 00:05.000, a câmera corta para um close estático do vapor subindo enquanto ele fatia o pão. [Shot 3] Aos 00:09.000, o plano corta para a mão de um cliente pegando um saco de papel. Soundscape: bandejas tilintam, a campainha da porta toca uma vez. Music: um violão suave, sumindo no final.

Produto com rótulo: uma lata de chá

8 segundos, 1:1. Live-action, um plano fechado de uma lata de chá sobre uma mesa de carvalho, com luz da manhã vindo da esquerda. A tampa diz “HIGHLAND BREAKFAST” em maiúsculas douradas. Uma mão levanta a tampa e uma colher pega folhas escuras; a câmera se aproxima devagar, com as letras nítidas. Soundscape: o estalo suave da tampa, folhas farfalhando. Music: nenhuma.

Diálogo: duas pessoas num ônibus noturno

10 segundos, 16:9. Live-action, um plano a dois estático no andar de cima de um ônibus noturno, com as luzes da cidade passando em rastros. Um jovem de capa de chuva amarela, uma voz rápida e nervosa, diz em inglês: “I think we missed our stop.” A mulher ao lado dele, uma voz grave e divertida, nem tira os olhos do livro: “Two stops ago.” Soundscape: o zumbido do motor, chuva no teto. Music: nenhuma.

Uma fala em espanhol: a barraca de frutas

6 segundos, 9:16. Live-action, um plano médio estático numa barraca de feira sob o sol do meio-dia. Uma senhora de avental listrado ergue uma manga para a câmera e, com uma voz calorosa e animada, diz em espanhol: “¡Prueba este, está dulcísimo!” Soundscape: burburinho da feira, um saco de papel estalando. Music: nenhuma.

Narração: uma carta lida em voz alta

10 segundos, 16:9. Live-action, um plano fechado de um senhor de cardigã marrom lendo uma carta escrita à mão à luz de um abajur. A câmera faz um truck lento para a esquerda. O senhor, uma voz suave e grave, diz em narração fora de cena: “Ainda me lembro do caminho até a sua casa.” Os lábios dele ficam fechados. Soundscape: um relógio tiquetaqueando, chuva na janela. Music: piano esparso em andamento lento.

Som de perto: pão numa tábua

6 segundos, 9:16. Live-action, um close extremo estático de um pão de fermentação natural numa tábua. Uma faca serrilhada o corta em três movimentos lentos e a fatia cai para o lado. Soundscape: a casca estalando sob a lâmina, próxima e nítida. Music: nenhuma.

Deslocamento em estéreo: um bonde atravessando o quadro

10 segundos, 21:9. Live-action, um plano aberto estático de uma praça de paralelepípedos ao entardecer. Um bonde vermelho entra pela esquerda, atravessa sacolejando e sai pela direita, tocando o sino uma vez. Soundscape: o ronco vai da esquerda para a direita em estéreo, as rodas chiam na curva. Music: nenhuma.

Animação: um robô de massinha

8 segundos, 1:1. Animação em massinha, um pequeno robô de massinha azul com um olho redondo sobre uma bancada. Ele pega um parafuso, aparafusa no próprio peito e dá um pulinho orgulhoso. Um plano em arco circula ao redor dele devagar. Soundscape: a massinha rangendo, um clique metálico. Music: um xilofone leve em andamento saltitante.

Animação de app: uma tela de banco

8 segundos, 9:16. CG 3D, a tela de um celular sobre um fundo lilás. Um cartão de saldo sobe mostrando “£2,480.00”, três pagamentos entram em sequência e um visto verde aparece ao lado de “Aluguel pago”. A câmera se aproxima devagar. Soundscape: toques suaves, um sinal sonoro no visto. Music: um pulso eletrônico minimalista.

Esporte: um remador ao amanhecer

8 segundos, 16:9. Live-action, um remador de regata branca rema por um lago enevoado ao amanhecer. Um travelling acompanha no nível da água, depois a câmera faz um pedestal para cima enquanto o barco desliza. Soundscape: remos mergulhando, o assento deslizando, um pássaro cantando. Music: nenhuma.

Trailer vertical: o farol

15 segundos, 9:16. [Shot 1] Live-action, cinematográfico, um plano aberto de um farol enquanto ondas de tempestade arrebentam sobre ele. [Shot 2] Aos 00:04.000, a câmera corta para uma jovem faroleira de cabelo ruivo curto e capa impermeável junto ao parapeito; ela grita em inglês, com a voz rouca: “The light’s gone out!” [Shot 3] Aos 00:09.000, o plano corta para a mão dela riscando um fósforo na sala escura da lâmpada. Soundscape: vento uivando, ondas estrondando. Music: cordas graves crescendo, parando na chama.

Um prompt de uma linha com uma instrução de câmera

5 segundos, 16:9. Uma raposa trota por um campo nevado ao entardecer [static], para e depois mergulha de cabeça na neve [zoom]. Vento suave, um baque abafado.

A maioria dos prompts fracos para o H3 é curta, não errada.

• Um mesmo prompt gerado duas vezes dá dois clipes.
• A MiniMax diz que o detalhe visual ainda pode melhorar em algumas cenas: mantenha os detalhes importantes grandes no quadro, em 1080p.
• Todo clipe tem som; para silêncio, peça som ambiente do cômodo e tire o som num editor.
• Uma pessoa ou um produto real não pode ser reconhecido só por palavras; é preciso uma imagem que você tenha o direito de usar.
• Uma geração para em 15 segundos, e na página Vídeo do DreamBench um prompt com mais de 5.000 caracteres é recusado.

• Um clipe: na página Vídeo, escolha o MiniMax H3, cole o seu prompt, escolha 5, 6, 8, 10, 12 ou 15 segundos, o formato e 720p ou 1080p. Ele vai para o H3 do jeito que você escreveu.
• Um prompt: o gerador de prompts de vídeo com IA escreve um para qualquer modelo na ordem de uma lista de planos; ele não tem predefinição para o H3 e escreve só o prompt.
• Um filme: descreva-o, adicione até 8 imagens de referência e escolha o MiniMax H3; o DreamBench escreve, desenha e monta todos os planos, e você pode refazer qualquer um.
• Não oferecido: primeiro ou último quadro, referências enviadas ao H3, edição de vídeo ou 3:4.

O MiniMax H3 está em todos os planos. O painel de criação mostra o preço em créditos antes de você gerar; na primeira vez, crie uma conta gratuita e escolha um plano. Para outro modelo, veja o guia de prompts do Grok Imagine 1.5, do Veo 3.1 ou do Kling 3.0; para prompts só a partir de palavras, texto para vídeo.