用户带着一段想用 MiniMax H3 生成的短片来:通常是画面、对白和声音要一起出来的多镜头短片、人物表演或商品展示。Agent 按 MiniMax H3 的写法诊断问题、改写提示词,交付可以直接使用的提示词卡;用户愿意时,用 Flova 把改写前后各生成一次,并排对比。
工具与分工
- Flova: 查询 MiniMax H3 当前的参数和参考素材要求;可选的试生成。
- 图片或音频处理(可选): 整理参考图,截取参考音频。
分项方法索引
- :适合和不适合的任务、推荐结构、分镜写法、三类创作方式、声音与对白、一致性、常见失败与修正。第 2–4 步读。
- :卡片格式、上传和参考素材角色、在提示词里怎样指代参考素材、试生成对比。第 4–6 步读。
先说清楚的边界
- 台词照抄: 用户确认过的台词逐字保留,不翻译、不润色、不补写。
- 不夸大效果: 提示词能提高成功率,不能保证口型和切镜后的一致性。没有试生成过的改写,不说「一定会更好」。
- 素材权利: 参考素材和参考音频须是用户有权使用的。不模仿真实名人的形象和声音。
- 试生成要先说: 会消耗用户的 Flova 额度,用户同意后再做。
工作流程
收集需求 → 查当前能力 → 诊断 → 改写(确认点)→ 试生成对比(可选)→ 交付
1. 收集需求
- 用户已有的提示词原文(没有也可以,从零写)。
- 短片的用途、核心事件和风格。
- 一镜到底还是多镜头;每个镜头承担什么信息。
- 每句台词的原文、说话人、语言、情绪,以及画内还是画外。
- 环境声、动作音效、音乐分别什么时候出现。
- 每份参考素材希望负责什么、不希望带进来什么。
- 时长和画幅;已经试过的结果和不满意的地方。
缺的信息按 第 2 节问清楚。先判断任务适不适合 MiniMax H3(第 1 节),例如严格的首尾帧或无缝循环不适合,直接告诉用户。
2. 查当前能力
用 creation_generation_models 查 MiniMax H3(detail="full"):支持的时长、画幅、分辨率,参考素材的数量、类型和角色。查询失败时,说明参数「未核实」,继续往下做。
3. 诊断
对照写法逐项检查,列一张诊断表:问题、对应的写法规则、可能造成的结果。重点看:
- 结构: 参考素材职责、一句话核心创意、全局设定、镜头时间线、保持项是否齐全。
- 分镜: 每个镜头是否写成「景别 + 主体 + 动作 + 运镜 + 台词或声音」的完整句子;切镜后有没有重述角色、服装、道具。
- 台词: 长度配不配镜头;跨镜头的台词有没有写明接着上一镜说。
- 没有台词时: 有没有写明人物保持安静、嘴巴自然闭合,并给他安排非说话的动作。这是避免意外口型的关键。
- 声音: 环境声、音效、音乐是否按事件顺序写;混音有没有写成抽象百分比。
- 参考素材: 动作参考是否只负责动作和节奏,人物参考是否只负责身份。
- 镜头: 想要一镜到底却写了切镜;「环绕」有没有拆成横移和摇摄方向。
- 矛盾: 例如参考音乐却要求无音乐、静止却要求快速动作。
用户给了不满意的结果时,先按写法第 7 节「常见失败与修正」对号入座。
4. 改写(确认点)
- 按推荐结构重写,用 的格式输出。
- 参考素材按「第一张参考图负责……」的方式写清职责和排除项,顺序和提交时一致。
- 多镜头逐镜写完整句子,每次切镜重述人物锚点。
- 声音按事件写进时间线:哪句台词由谁在哪个镜头说,音效在哪个动作时出现,音乐何时进入、减弱、停止。
- 附一份改动说明:逐条对应诊断表里的问题,说明改了什么、为什么。
- 给用户看,确认后再试生成或交付。
5. 试生成对比(可选)
用户同意后,按 用 Flova 快速生成:
- 原提示词和改写版各生成一次,参数和参考素材完全相同。
- 并排给用户看,重点对照:切镜后人物是否一致、台词口型、有没有意外的台词或字幕、声音的先后顺序。
- 还有问题时,按常见失败再改一轮,每轮只改一个变量,例如只缩短台词,或只调整声音顺序。
6. 交付
- 提示词卡(一张或多张),提示词原文可以直接复制。
- 诊断表和改动说明。
- 做过试生成时:每轮的改动、任务 ID 和结果,以及最终推荐用哪一版。
- 提醒用户:严格的循环、像素级的首尾帧不要靠提示词,交给后期处理。
MiniMax H3 写法
模型实际支持的时长、比例、分辨率和参考素材数量,以 creation_generation_models 的查询结果为准。
1. 何时适合使用
适合:
- 希望画面、对白、环境声和动作音效一起构成完整短片。
- 多镜头叙事、人物表演、商品展示、动作变化和视觉变形。
- 同时参考人物、场景、商品、动作、运镜或声音的创作。
- 需要比较明确的镜头语言和声音进入顺序。
- 从一张图片发展动作,或根据多张图片定义人物、场景和起止状态。
不适合:
- 只有声音参考却没有任何视觉信息,同时又要求严格还原画面主体。
- 需要像素级锁定首尾帧或绝对无缝循环。
- 需要对已有视频做非常精确的局部替换并保持其他像素完全不变。
- 需要在极短片段中承载大量对白、多个地点和复杂剧情转折。
2. 要向用户问清楚的需求
开始写之前,从用户那里问清楚:
- 视频的用途、主题、核心事件和整体风格。
- 主体外观、场景、道具和最重要的识别特征。
- 希望一镜到底还是多镜头,以及每个镜头承担什么信息。
- 动作从什么状态开始,如何变化,最终停在哪里。
- 摄影机位置、景别、移动方向和节奏。
- 台词原文、说话人、语言、情绪以及画内或画外状态。
- 环境声、动作音效和音乐分别何时出现。
- 每份参考素材负责什么,不希望继承什么。
3. Prompt 写法
推荐结构
[参考素材职责]
[一句话核心创意]
[全局人物、场景、风格和声音设定]
[镜头或事件时间线]
[必须保持的内容与少量关键限制]
具体顺序建议:
- 主体和场景:谁在什么地方,当前状态是什么。
- 核心动作或变化:发生什么,以及动作如何连续完成。
- 视觉风格:写实、动画、商业广告或电影感,以及光线和色彩。
- 镜头语言:景别、视角、摄影机移动与切镜逻辑。
- 声音:台词、环境声、动作音效和音乐的先后关系。
- 保持项:人物、服装、商品、道具、空间方向和其他不能变化的内容。
分镜写法
- 每个镜头使用“景别 + 主体 + 动作 + 运镜 + 台词/声音”的完整句子。
- 切镜时重新说明角色、服装、道具和目标景别,帮助维持跨镜头一致性。
- 台词长度必须匹配镜头节奏;短镜头不要承载长对白。
- 一句台词跨镜头时,明确“接着上一镜继续说”,并写明说话人从画内变为画外或反之。
- 想要一镜到底时,不使用多个 shot 结构,改写为一段连续动作和连续运镜。
- “环绕运镜”要拆成摄影机横移与摇摄方向,避免模型误解。
示例
人物参考负责女主角的脸、发型、浅蓝色汉服和银色长剑;动作参考只提供舞剑动作与节奏。
一段电影感的中式庭院剑舞,晨光柔和,全程连续运镜。
开场为大全景:她从画面左侧缓慢进入,剑尖朝下,摄影机以步行速度向右跟拍。
随后镜头自然推到中景,她拔剑并完成参考动作,脸、服装和长剑设计保持一致。
结尾为近景,剑刃停在脸侧,花瓣划过前景,她平静呼吸并看向镜头。
无对白、无音乐,只保留脚步、风声和一次短促金属声。
4. 三类创作方式
多模态参考
- 人物图负责身份,场景图负责空间,商品图负责结构,视频负责动作与镜头节奏,音频负责音色或声音风格。
- 每份素材逐项声明用途,不要只说“参考这些素材”。
- 参考视频迁移动作时,说明是否继承运镜、速度、情绪和场景;不需要的维度应明确排除。
图片驱动
- 单张图片可以负责人物、场景、构图或开场状态。
- 多张图片应明确各自职责,不要让不同图片同时争夺人物身份或商品结构。
- 两张起止状态图片可以帮助描述变化方向,但不能保证末帧像素级匹配。
纯文字创作
- 补足主体外观、场景细节、动作过程、风格、镜头和声音。
- 可使用“大全景交代空间 → 中景承载动作 → 特写强调细节”的层次。
- 镜头越短,事件与台词越要精简。
5. 声音与对白写法
- 台词逐字保留用户或 分镜设计 已确认的内容,不翻译、不润色、不补写。
- 每句写清说话人、语言、情绪、语速和画内/画外状态。
- 无对白时明确人物不说话,并给人物安排自然动作,减少意外口型。
- 环境声、音效和音乐按事件顺序写,例如“拔剑时响起金属声,剑停下后声音消失”。
- 音乐写风格、乐器和情绪,并说明从哪个事件开始、何时减弱或结束。
- 混音使用相对关系,例如“人声靠前清晰,音乐压低,雨声位于远处”。
6. 如何提高效果与一致性
- 人物始终使用相同的脸、发型、服装轮廓和配饰描述。
- 商品始终保持结构、材质、颜色、Logo、文字和摆放方向。
- 连续变形要说明每个阶段必须保留上一形态的哪些可见特征。
- 动作参考只负责动作与节奏,人物参考只负责身份,避免职责串用。
- 每次切镜重新点名角色、服装、道具、场景位置和光线方向。
- 多角色使用姓名、服装、体型、站位和声音区分。
- 需要多个候选时,每次只调整一个变量,方便判断动作、镜头或声音哪项产生了改进。
- 重要文字和 Logo 需要清晰视觉参考,并预留生成后校对与重试。
7. 常见失败与修正
- 参考素材没有明显作用:逐项说明每份素材负责什么,以及哪些内容不能继承。
- 人物切镜后变化:固定主身份参考,并在切镜后重述脸、发型、服装和配饰。
- 出现无意义台词或口型:明确人物保持安静、嘴巴自然闭合,并安排持续可见的非说话动作。
- 台词口型不准:缩短台词,使字数匹配镜头节奏,并明确说话人和语言。
- 音乐控制不稳定:用事件说明音乐何时进入、减弱和完全停止,不写抽象百分比。
- 一镜到底却发生切镜:删除 shot 和 cut 结构,只保留连续动作、空间路径和运镜。
- 提示词互相矛盾:检查参考音乐与无音乐、静止与快速动作、写实与强卡通等冲突要求。
- 字幕或画面文字意外出现:减少容易触发字幕的长对白,并在生成后复核。
- 循环不无缝:Prompt 很难保证末帧像素级回到首帧;严格循环应交给后期处理。
提示词卡与交给 Flova
提示词类灵感交付的不是图片或视频,而是可以直接拿去生成的提示词卡:每个画面或镜头一张。本文说明卡片怎么写,怎样把它交给 Flova 快速生成,以及怎样用试生成验证效果。
卡片格式
每张卡片包含以下各项,没有的项写「无」:
提示词原文用目标语言写。用户用中文时默认写中文;模型写法建议英文或用户要求英文时,按要求写。台词和画面文字照抄原文,不翻译、不润色。
交给 Flova 快速生成
按 Flova Skill「快速生成」中「参考素材」的方法操作,要点:
- 查能力: 用
creation_generation_models查目标模型(detail="full"),确认所选能力的参数范围、参考素材槽位和可用角色。 - 准备参考素材: 按卡片处理好每份素材,例如补边到模型允许的宽高比、裁出需要的部分、转成支持的格式。
- 上传:
creation_upload_ticket→ 按返回的地址上传 →creation_upload_complete,得到file_ref。file_ref大约一小时后过期,提交前再上传。 - 标角色: 在
inputs里给每份素材标角色:first_frame:画面要从这张图开始,并和它一致。last_frame:画面在这张图结束。reference:参考外观、风格或内容,但不要求画面和它一样。driving_audio:用这段音频驱动口型和动作。base_video:在这段视频上编辑或续写。
- 提交并记录: 带上
client_request_id,记下卡片编号、参考素材、file_ref和任务 ID 的对应关系。
在提示词里指代参考素材
按 inputs 中同类素材的顺序,用自然语言说明参考职责,例如「第一张参考图负责人物的脸和服装,第二张负责产品外观」。图片、视频、音频分别编号。
交给其他工具
用户要贴到别的平台或工具时:
- 参考素材按目标工具的上传和引用方式整理。
- 参数以那个工具的设置项为准。
- 提醒用户:写法是按目标模型写的,换成别的模型效果可能不同。
试生成对比(可选)
试生成会消耗用户的 Flova 额度,先说明再做。
- 同样的参数、同样的参考素材,原提示词和改写后的提示词各生成一次,并排给用户看。
- 每一轮只改一个变量,例如只改参考职责,或只改时间线,才能判断是哪一处起了作用。
- 记录每轮的改动、任务 ID 和结果,最后一并交付。
- 生成结果有随机性,一次对比只能说明倾向。重要结论多生成一两次再下判断。
