English version: The H3 Prompt Formula: A Reusable Structure, Not a Lucky Sentence

H3 提示词公式：一套能复用的写法，而不是碰运气的句子

写视频提示词最常见的误区，是把提示词当成一句话灵感：主体有了、场景有了，就直接提交，然后对结果不满意也说不清哪里出了问题。MiniMax 官方指南给出的思路正好相反：先把“要拍什么、怎么拍、听到什么”拆成固定字段，再按模式补齐细节。下面这套公式，来自官方的提示词写作指南和海螺 AI 官方教程，适合当成每次动笔前的检查表，而不是一次生成就保证出片的承诺。

一、中文通用公式：先会两句，再谈精细

海螺 AI 官方教程给出两个公式，区别只在于你对镜头有没有明确要求。

基础公式（没有明确镜头需求时用）：

主要表现物 + 场景空间 + 运动 / 变化

例如：一只纸船在雨后的水洼里打转；一位摊主在夜市灯下翻动铁板上的食物。

精确公式（对镜头或画面有明确需求时用）：

主要表现物 + 场景空间 + 运动 / 变化 + 镜头运动 + 美感氛围

例如：一只纸船在雨后的水洼里打转，镜头缓缓推进纸船，画面色调偏冷、写实；一位摊主在夜市灯下翻动食物，镜头先固定拍手部动作，再缓慢拉远露出摊位，画面暖色、烟火气足。

官方的两条基本原则值得贴在桌边：更精确的表达，带来更准确的画面呈现；更丰富的表达，带来更好的生成效果。“丰富”不是堆形容词，而是把主体、空间、动作、镜头、光线和声音各补上一句可验证的信息。

二、H3 的三字段结构：主体、环境声、背景音乐分开写

H3 的文生、图生、首尾帧、尾帧四种模式（T2VA / I2VA / FL2VA / L2VA）共用三个核心字段。理解这个分工，比背模板更重要：

  1. integrated_multimodal_description（主体）：按时间线写视觉、动作、镜头、说话人、对白、歌声和与画面同步的环境音。这是提示词的主体，也是最容易写散的地方。
  2. overall_soundscape（环境声）：用 1–4 句英文总结全片的环境声、物理动作声和非语言人声，例如风声、脚步声、衣物摩擦声、呼吸声。注意：对白、歌声和剧情内音乐已经写在主体里，这里不要重复。
  3. non_diegetic_music（背景音乐）：用 1–3 句英文写只有观众能听到的配乐，只写乐器、速度、节奏和动态变化，不要写抽象情绪词，也不要解释音乐“让人感到什么”。没有背景音乐时写 N/A；只有明确要求全片静音时，环境声字段才写 N/A。

一个容易踩的坑是把所有声音都塞进主体，或者把情绪词写进配乐字段。字段分开，模型才分得清“画面里本来就有的声音”和“后期加上的音乐”。

H3 三字段示意图
示意图：三字段分开写，主体、环境声、背景音乐各管各的。

三、分镜与切镜：新信息才切镜，否则用运镜

  • [Shot 1] 不加时间戳，开头先声明整体风格和初始构图，例如 Cinematic、live-action、2D-animated、watercolor。图生类任务从参考图推导风格，文生则从你的描述里选。
  • 后续镜头用递增编号加严格递增的切点时间，例如 [Shot 2] At 00:03.500, the camera cuts to...。
  • 切镜的判断标准很干净：切镜必须引入关于主体、空间、状态、视角或时间的新信息；如果只是构图距离或轻微角度变化，用运镜代替切镜。
  • 首尾帧（FL2VA）一般只用单镜头，让模型从首帧到尾帧连续插值；只有明确要求才用多镜头，且最后一个镜头必须在视频结尾到达尾帧状态。

换句话说：不要为了“显得丰富”而频繁切镜。切一次，就要让观众获得一次新信息。

四、运镜：中文用 [指令]，英文用“类型 + 幅度 + 速度”

中文 [指令]（Hailuo-02 / 2.3 / Director 系列）

官方支持 15 种运镜指令：[左移] [右移] [左摇] [右摇] [推进] [拉远] [上升] [下降] [上摇] [下摇] [变焦推近] [变焦拉远] [晃动] [跟随] [固定]。

使用规则：

  • 同一组 [] 内的多个指令同时生效，例如 [左摇,上升]，建议组合不超过 3 个；
  • 提示词中前后出现的指令依次生效，例如先 [推进]，然后 [拉远]；
  • 也可以用自然语言描述运镜，但标准指令通常响应更准确；
  • 中文教程建议把单个镜头运动时长控制在 5–6 秒内，避免过度复杂的镜头导致生成失败。

英文自然语言运镜（H3 指南）

一个完整的运镜表达包含三个维度：运动类型 + 幅度 + 速度。幅度与速度只在有意义时写，中等幅度、普通速度通常省略。

关键区分：Zoom In 是机身不动、只变焦距；Push In 是摄影机整体向前移动。两者画面观感不同，模型能区分，所以要按意图选，不要当同义词混用。其他常用类型包括 Pan Left / Right（机身不动、水平旋转）、Truck Left / Right（摄影机水平平移）、Tilt Up / Down（垂直旋转）、Pedestal Up / Down（整体升降）、Arc Shot（环绕）、Tracking Shot（跟随）、Static Shot（静止）、Shake Slightly / Strongly、POV、Roll（绕镜头轴旋转）。

写法要求：运镜要写成镜头内的自然动作，而不是堆在句尾的标签。例如不要只写一串动词，而要写清“摄影机从哪里出发、经过什么、落在哪里、多大幅度、多快速度”。

一个改写示例（通用写法，非他人作品）

  • 改写前：镜头旋转下降。

  • 改写后：镜头先缓缓下降，之后在下降的过程中向右环绕。

  • 改写前：镜头从下往上拍一座灯塔。

  • 改写后：镜头由灯塔底部的岩石特写开始，缓缓上升，拍到塔身，最后停留在塔顶的灯室近景。

两次改写都没有增加新情节，只是把路径、起点和落点写清楚了。这正是运镜部分最划算的修改。

运镜区分示意图
示意图：Push In 是摄影机向前移动，Zoom In 是摄影机不动、只变焦距。

五、按模式写：图生、首尾帧、尾帧各有不同的“第一句”

  • 文生（T2VA）：没有参考图，直接从文本构建完整时间线。可以在不偏离用户意图的前提下，补充场景、人物、动作和声音细节。
  • 图生（I2VA）：参考图就是视频 0.00 秒的首帧。推荐结构是：先锚定首帧，再写动作发展。人物身份、服装、颜色、关键物体和空间关系必须与首帧一致，结构为“首帧锚定 → 动作开始 → 连续发展 → 结果或反应”。
  • 首尾帧（FL2VA）：不要重复描述两张静态图，而要写出连接两者的运动路径：主体如何移动、姿态如何变化、物体如何被操作、构图和光线如何过渡。推荐结构为“首帧状态 → 可观察的中间变化 → 差异逐渐缩小 → 尾帧状态”。
  • 尾帧（L2VA）：参考图是视频的最后一帧。先根据意图和尾帧推导一个合理的先前状态，再写人物、物体、镜头和场景如何逐渐收敛到尾帧。

图生类任务还有一行图片对齐指令（I2VA / FL2VA / L2VA 的第一行，空一行后再写核心字段；文生没有这一行），用来说明哪张图对齐视频的哪一秒。写的时候以官方指南的句式为准，不要自己发明对齐方式。

六、全参考模式：六段式，参考图先分工再动笔

全参考模式（Full-Reference / R2V）的完整输出按顺序包含六个部分：

  1. subject_definitions：定义被引用内容及其参考标签；
  2. summary：一小段英文总结任务类型、目标视频与主要引用关系，开头带方括号任务类型前缀；
  3. retention_analysis：说明每处引用内容如何被保留、转移或复用；
  4. detailed_description：按播放顺序分镜描述视觉、动作、声音和对白，是主体；
  5. overall_soundscape：总结环境声与物理声音；
  6. non_diegetic_music：描述纯背景音乐。

参考标签一旦分配，在六个部分里含义必须保持一致：<Subject N> 是可复用或修改的可见内容单元（人物、动物、物体、场景、服装、道具、风格、动作、表情、姿态）；<Picture N> 是作为目标帧、关键帧或构图锚点的参考图；<Video N> 是提供剪辑源、续写起点或整体时间结构的参考视频；<Audio N> 是被复制或引用的音频信号。

保留关系也有固定英文值，例如可见内容用 fully_preserved（完整保留）、partially_preserved（部分保留）、attribute_transfer（特征转移）、weak_reference（仅保留风格或氛围的大致相似）；音频用 fully_copy、partially_copy、reference、weak_reference。多参考素材最常见的失败，不是模型“不听话”，而是提示词里没有说清每张图、每段音频各自负责什么，导致身份、动作和风格互相污染。动笔前先写一句话分工：这张图管人物，那张图管场景，这段音频只引用节奏。

七、对白、画面文字与角色一致性

  • 说话人用稳定 ID，例如 (S1)、(S2)，多人同时说话用 (S1,S2)；同一说话人在不同镜头保持同一 ID，不发声的角色不给 ID。
  • 说话人首次出现时，要给出足够信息建立身份：人物类型、年龄、性别、是否在画、音调、音色、语速、口音等。
  • 对白格式：说话人识别语、ID 和动作放在 <d> 外；<d> 内只放语言标签和原话，逐字保留原词与标点，不翻译、不改写，例如 <d>[English] ...</d>。旁白用固定句式 says in an off-screen voiceover，且每次旁白后必须说明画面中对应角色嘴唇保持闭合。
  • 画面上真实可见的文字（横幅、招牌、标签、字幕、霓虹灯）放在英文双引号中，原样保留、不翻译。
  • 角色一致性的官方公式是：发型 + 年龄性别 + 衣物颜色 + 环境（尤其光环境），并且要在每个相关提示词里重复。不要只在第一镜写“棕色卷发、棕褐色上衣”，后面就省略；一致性恰恰来自重复。

八、常见翻车点清单

  1. 一个提示词堆多个场景：一个提示词只讲一个场景，不要罗列城市、森林和太空。
  2. 动作模糊：不要写“做一些有趣的事”，要写出具体动作，例如“眨眼”“抬头”“把杯子推向桌边”。
  3. 运镜标签堆叠：不要把推、拉、摇、移、变焦写成无关联的同义词清单；复杂运镜要写清起点、中间路径、幅度、速度和落点，并确保在可用秒数内可信。
  4. 镜头过长过复杂：单个镜头运动建议控制在 5–6 秒内。
  5. 音乐写情绪词：背景音乐字段只写乐器、速度、节奏和动态变化。
  6. 声音字段重复：环境声字段不要重复主体里已经写过的对白、歌声和剧情内音乐。
  7. 参考图职责不清：多个参考素材必须各自明确职责。
  8. 画面文字随意翻译：可见文字放英文双引号、原样保留。
  9. 首尾帧写成两张静态描述：要写连接两者的运动路径，而不是重复描述两张图。

九、动笔前检查清单

  • 一句话能说清：主体是谁、在哪里、做什么？
  • 镜头有没有起点、路径和落点？幅度与速度是否必要？
  • 切镜是否带来了新信息？否则改回运镜。
  • 三个声音字段是否分工清楚，没有重复和情绪词？
  • 图生 / 首尾帧 / 尾帧的第一句，是否符合该模式的要求？
  • 多参考素材是否各自有明确职责和一致的标签？
  • 角色的发型、年龄性别、衣物颜色和光环境，是否在每个相关提示词里都重复了？
  • 对白是否原词原标点？画面文字是否原样放在双引号里？
  • 整个提示词是否只有一个场景、一个清晰动作？

如果你愿意，下一步可以拿同一个简单场景（例如纸船、水洼、雨后光线）分别用基础公式和精确公式各写一版，对照上面清单改三轮，再决定要不要加参考图和多镜头。公式本身不保证出片，但它能让你每次改动都有据可查：改的是镜头、声音，还是参考分工。