---
vendor: MiniMax
modality: video
status: active
provider: official
backend: minimax_v3
---

# MiniMax H3 系列 -- video 后端卡片

## Runtime model contract

- `MiniMax-H3`：支持 `t2v`、`i2v`、`first-last-frame`、`multimodal`；分辨率 `768P/2K`，时长 `4–15s`。
- `MiniMax-H3-Max`：支持 `t2v`、`first-last-frame`、`multimodal`；`MiniMax-H3-Max-Turbo` 只支持 `t2v`、`first-last-frame`。两个型号都不支持 `i2v`，分辨率 `480P/768P`，时长 `5–15s`。
- H3 Max 家族的 `first-last-frame` 必须提供首帧，尾帧可选；固定画幅参数必须省略，由输入帧决定比例。
- H3 Max 的 `multimodal` 至少需要一张参考图或一段参考视频，不接受纯音频参考；画幅缺省为 `adaptive`，而 `t2v` 仍必须给固定比例。
- H3 Max 家族支持 `prompt_expansion_mode=disabled|balanced|quality`，缺省为 `disabled`。

## Action — Prompt

### 1. 遵循用户指令
- 完整保留用户指定的主体、动作、素材、风格、空间关系、构图、镜头、声音及否定要求；不得删减、扭曲或替换，仅剔除与视频生成无关的信息。
- 使用全部指定素材；以 `@图片1` / `@视频1` / `@音频1` 按 slot 顺序引用，多主体使用稳定名称并写清归属；素材已明确的主体外观和场景不再用文字复述。

### 2. Agent 自动优化
- 优先级：用户明确指定的景别、镜头运动、机位、镜头数量、顺序、构图和声音是最高优先级，必须完整保留；只补全用户未指定的内容，不得以自动优化覆盖用户要求。用户要求静音、无对白、无音乐或仅保留指定声音时，不得补充被排除的声音。

- I2V（`mode=i2v` / `first-last-frame`）：先明确参考图的时间角色。仅提供一张首帧或尾帧时，Prompt 必须声明该图是首帧或尾帧，并可在保持画面锚点的前提下补全动作发展和切镜设计；同时提供首尾帧时，不主动增加切镜，只补全两帧之间的主体动作与表演、情绪反应、重要背景运动、光影与材质变化及声音。
- R2V（`mode=multimodal`）：逐一声明每个参考素材用于锁定的主体、场景、风格、动作或声音，并写清对应关系；保持素材作用和用户要求不变，根据叙事需要判断是否切镜，同时补全运镜、主体动作与表演、情绪反应、重要背景运动、光影与材质变化及声音。
- 用户仅输入文字提示词时：不依赖参考素材，围绕用户文本建立主体、场景和动作，再按叙事节拍组织镜头。

- 优化顺序：先把用户的核心事件作为一个按时间推进的叙事段落，拆成动作节拍，再决定节拍如何映射为镜头；不得先按时长罗列景别或运镜，再把同一个动作重复填入不同镜头。
- 动作节拍：不要把简单动作按物理阶段机械切碎；应在不改变用户核心事件和结果的前提下，建立 `初始状态/意图→环境或事件刺激→主体的可见反应与情绪变化→带着变化完成动作` 的微叙事。每个节拍必须增加新的叙事或情绪信息，可补与场景自然一致的注意、迟疑、紧张、惊喜、用力或放松等细微状态，但不得新增人物、道具、支线或故事走向。

- Prompt 结构：最终 Prompt 必须按 `全局基准→【镜头1】→【镜头2】…【镜头N】` 编译；不得从镜头内容直接开始。凡实际存在镜头，按顺序编号；每个镜头依次写明景别、镜头运动、人物/主体行为、重要背景运动、台词或声音，不得遗漏或调换字段。
- 0. 全局基准：先锁定主体、场景和风格。用户指定创作者、影片、流派或参考素材时忠实保留，并补充 2–4 个可观察的媒介、色彩、材质、光影、纹理或动作韵律特征；未细化风格时按题材补 2–4 个具体视觉特征，不虚构来源或混搭冲突风格。该基准必须出现在最终 Prompt 中，后续镜头共同继承，无需逐镜头重复。
- 1. 镜头拆分：按照动作节拍进行镜头拆分。需要揭示新的空间关系、动作进展、主体反应或环境反馈时，应创建下一镜头；切点落在动作变化、视线变化、遮挡或环境刺激上，通过匹配动作或角度变化保持连续。每个新镜头必须提供上一镜头没有的叙事或视觉信息，不能只更换景别或重复同一动作。用户 prompt 出现“XX 视角”（如第一人称、第三人称、角色、监控或航拍视角）、`POV`、主观镜头、一镜到底、长镜头连续拍摄、全程连续跟拍、不中断、同一视点等同义表述时，统一编译为一个连续镜头。动作节拍和运镜在同一镜头内连续推进，不写 `【镜头2】` 及后续编号，不加入切镜、反打、插入镜头或视点切换。
- 默认镜头数量随时长递增：5 秒写 2–3 个镜头，6–10 秒写 3–5 个，11–15 秒写 5–7 个；用户明确指定镜头数量或顺序时，以用户要求为准；用户同时规定首尾帧则不额外增加切镜。舒缓、唯美、静谧或抒情场景采用长镜头节奏，在默认数量上减少 1–2 个镜头，最低保留 1 个；优先用克制的连续运镜呈现动作和环境变化，不为满足数量强行切镜。
- 2. 景别：每个镜头显式写明 `大全景/全景/中景/中近景/近景/特写` 之一，并写清机位或观察方向；实际存在多个镜头时，相邻镜头景别必须有区分且展示不同信息。多人同时运动或大全景含复杂动作时，用全景交代空间和群体状态，再用中景或中近景分别承载不同人物的动作与互动。
- 3. 镜头运动：写清起始位置、运动路径和结束位置；运镜必须服务当前叙事目的并匹配主体运动，不得默认固定镜头、只写“轻微跟随”。舒缓、唯美、静谧或抒情画面优先在长镜头内选用一种缓慢推、拉、摇或移，缓起缓停、小幅推进，不叠加多种强运镜；以克制动态展示空间、主体与环境变化。
- 4. 人物/主体行为：按该镜头承载的节拍顺序，写清发起者、方向、速度、连续动作、接触或位移、可观察反应及节拍结果；不提前透支后续节拍，不新增人物、道具、支线、台词或故事走向。剧情类锁定人物关系和互动顺序。
- 5. 重要背景运动：只写对当前动作或叙事重要的天气变化、光影流动、背景主体运动、空间层次变化，以及环境或材质对主体动作产生的可见反馈；须随事件推进，不逐镜头重复静态场景描述。
- 6. 台词或声音：每个镜头都必须写明该镜头的对白、SFX/ambience 或显式静音。对白精准保留原文、语言和说话人，台词量适配时长；用户未指定时默认补充与画面同步的自然声音，用户无明确限制则根据情节设计音乐音效，不从缺少 voice/music asset 推断静音。

- UI、文字与图形类：先锁定文字原文以及 UI/图形的外观，再补美学增强提示词，不得改变用户要求准确的内容。

## QC / recovery

- 提交前检查用户约束、素材/slot、参数和音频开关；确认事件包含具体动作与反馈、每个美学词可观察；逐字核对文案并逐项核对 UI/图形结构，完全准确任务必须有确定性叠加路径；删除无依据的镜头和新增剧情。