MiniMax H3 提示词实战：一条公式、11 个场景模板与真实参数

JeecgBoot AI专题研究 | 海螺 H3 视频生成提示词怎么写、参数怎么调，附《问道无极》漫剧实测经验

写在前面：H3 的画面不稳，多半是提示词的问题

最近不少人在用 MiniMax 海螺 H3 做短剧和漫剧，常听到的抱怨有几种：人物越动脸越歪，镜头莫名其妙乱晃，声音里夹着一层电流似的底噪。很多时候这不怪模型，是提示词没写到位：写了一堆形容词，没写动作过程；写了三种运镜，模型只好每样都来一点；声音什么都没交代，模型就自己"发挥"。

我们团队用 H3 做过 3D 国漫《问道无极》的第 3、4 集，规格都是 768P，一集约 2.5 分钟，视频费用约 76 元。同一部剧前两集用的是 Seedance 2.5，H3 的单价大约是它的三分之一，质感差距不大，而且自带声音，不用另外配音。这篇文章把网上流传的一套 H3 提示词模板重新整理了一遍，补上我们实测得来的写法，并把参数表换成 MiniMax 开放平台 v2 接口里真实存在的参数。

先纠正一件事：步数和 CFG 对 H3 不适用

网上不少"H3 万能参数"写着"采样步数 28～32、CFG scale 7～8"。这两个参数来自 Stable Diffusion 这类本地部署的扩散模型，在 ComfyUI、WebUI 里确实要调。H3 是云端托管模型，开放平台的视频生成接口里没有步数和 CFG 这两项，填了也不会生效。照搬过来不会出错，只是白费功夫，真正该调的参数在下面这张表里。

另外几项也一并说明：

• 帧率：输出固定 24fps，提示词里写不写"24fps"都改变不了它，写上只是个习惯；
• 竖屏：不用填 720×1280 这种像素尺寸，ratio 选 9:16 即可；
• 价格（以账单为准）：H3 768P 0.5 元/秒，2K 0.8 元/秒；2K 再生成 0.3 元/秒。一条 5 秒镜头，768P 是 2.5 元，先出 768P 再转 2K 合计约 4 元，和直接出 2K 一样，好处是不满意的镜头在 768P 阶段就能淘汰。

一条公式：六个模块按顺序写

原版模板的公式是"人物外貌 + 细微动作 + 光影 + 单一运镜 + 电影质感 + 帧率 + 环境音"。思路没错，但少了规格和素材两块，帧率又写不写都一样。结合 MiniMax 官方的提示词建议和我们的实测，推荐按下面的顺序来组织：

规格（时长、画幅、整体类型） + 素材分工（图1/视频1/音频1 各管什么） + 主体与动作（可见的过程） + 镜头语言（景别、运镜） + 质感与情绪 + 声音（台词、环境音、要不要配乐）

几个要点：

1. 规格放最前面，比如"8 秒，9:16 竖屏，电影写实质感"，模型先知道自己要拍什么类型的片子；
2. 动作写过程，不写结论。"她很伤心"是结论，"微微低头，缓缓抬眸，眼底含泪，肩膀轻轻起伏"是过程，后者才拍得出来；
3. 声音一定要交代。H3 生成的视频自带声音，不写的话模型会自己补，可能是你不想要的配乐。后期要另配 BGM 时，就明确写"不要背景音乐"。

图生视频：短剧最常用的四个情绪镜头

图生视频是短剧和漫剧的主力：先用生图模型做好角色定妆照或镜头首帧，再让 H3 把画面动起来。有一点要注意，首帧已经决定了人物长相、场景和画幅，提示词只需写"接下来发生什么"，不必把外貌再描述一遍，写多了反而可能和图片打架。

隐忍落泪（虐心戏）

6秒，电影写实质感。她微微低头，停顿片刻后缓缓抬眸，眼底含泪却没有落下，嘴角轻轻抿住，肩膀随呼吸轻微起伏。深夜房间，暖黄台灯从侧面打光。中近景，镜头缓慢向前推近。声音：安静的室内底噪，轻微的呼吸声，不要背景音乐。

月下回眸（古风）

8秒，国风电影质感。古装女子静立庭院，微微转头望向月亮，长发和衣袂被夜风轻轻吹起。清冷月光，地面薄雾缓慢流动。中景，镜头从左向右缓慢平移。声音：轻微风声，树叶沙沙作响。

窗前夜景（都市治愈）

6秒，写实细腻，温柔氛围。女生站在落地窗前看向城市夜景，过了一会儿轻轻抬手，指尖触碰玻璃。窗外霓虹虚化成光斑，玻璃上映出淡淡倒影。固定机位，中景。声音：远处隐约的城市车流底噪。

男主凝视（深情特写）

6秒，电影质感。年轻男生侧脸，眼神温柔专注地看着画面外的人，轻轻抿唇，喉结微动，呼吸带来细微起伏。室内柔光，背景虚化。近景，镜头极缓慢推近。声音：安静室内的微弱底噪。

这四条都只写了一种运镜、一组小动作，节奏偏慢，是情绪镜头最稳的写法。

首尾帧转场：给模型一个起点和一个终点

给出首帧 A 和尾帧 B，H3 负责补出中间的过程，适合做昼夜变化、换装、变身、场景过渡。这类镜头最常见的失败，是两张图差得太远，模型只能硬切或者扭曲变形。实践下来，首尾帧最好保持同一个人、同一个机位，只改变一两个要素，比如光线或服装。

8秒。从首帧自然过渡到尾帧：人物位置和姿态基本不变，天色由午后暖光逐渐转为夜晚冷月光，花瓣缓缓飘落。镜头稳定不动，过渡连贯，没有跳切。声音：微风声，由白天的鸟鸣渐渐变成夜里的虫鸣。

提示词里写清"什么在变、什么不变"，比单纯写"自然过渡、画面连贯"有用得多。

文生视频：没有图片时的两个空镜

纯文生视频不用准备素材，适合空镜、氛围镜头、片头。别忘了接口要求纯文生必须指定画幅，ratio 不能用 adaptive。

雨夜街道

8秒，16:9，电影冷色调。冷清的雨夜街道，湿漉漉的路面倒映着暖黄路灯，一个撑伞的行人从画面右侧缓慢走向左侧，冷风吹动衣角。浅景深，镜头缓慢跟拍行人。声音：淅沥雨声，伞面雨滴声，远处模糊的街道环境音。

山间日出

8秒，16:9，治愈通透。清晨山谷，薄雾在山间缓慢流动，阳光穿透云层洒下光柱，林间树叶的光影轻轻晃动。镜头从低处缓慢升起，视野逐渐打开。声音：微风，鸟鸣，山林里的轻响，不要背景音乐。

多模态参考：锁定人设，复刻运镜

做系列剧时，角色每个镜头都要长得一样，这时用参考图比首帧更合适。H3 最多支持 9 张参考图、3 段参考视频和 3 段参考音频。关键是在提示词里给每个素材"派活"，按"图1、视频1、音频1"编号，不写清用途的话，模型可能忽略某个素材，或者把它用错地方。

10秒，9:16竖屏。图1是女主角定妆照，保持脸型、发型、妆容和服饰一致；沿用视频1的运镜方式和节奏。女主角从走廊尽头走向镜头，在画面中央停下，回头看了一眼。表情平静，动作自然。角色说话："你终于来了。"音色参考音频1。声音：空旷走廊的脚步回声。

注意，参考素材和首尾帧不能放在同一个任务里，二者只能选一种。

补充三个新场景：蓄势、打斗、产品

原版模板偏重情绪镜头，下面三条是我们在漫剧和宣传片里用得多的场景。

打斗前蓄势（先写站位）

H3 只按字面理解空间关系。我们在第 4 集拍主角遭遇野猪时，最初只写了"人物近景，背景里有野猪"，结果野猪跑到了人的背后。后来固定在提示词里写清三件事：谁面对谁、谁在画面左右哪一侧、镜头站在谁身后。

8秒，16:9，3D国漫CG质感，体积光。少年猎户在画面左侧，野猪在画面右侧，两者面对面相距十步。少年缓缓压低重心，右手握住腰间短刀，脚下碎石轻轻滑落；野猪低头刨地，鼻孔喷出白气。镜头越过野猪肩背拍少年正面，缓慢推近到少年眼神特写。声音：粗重的喘息，蹄子刨土声，山风，不要背景音乐。

连续打斗（一次生成、内部分镜）

把一段打斗拆成几个镜头分别生成，每个镜头都不知道上一个镜头怎么结束，衔接处位置会跳、背景会变。我们的做法是把整段打斗（最长 15 秒）写成一次生成，在提示词里按时间分镜，时长加起来等于 duration：

15秒，16:9，3D国漫CG质感。全程保持：少年在画面左侧，野猪从右侧冲来。镜头1（0-3秒）：低机位近景，野猪加速冲锋，泥土飞溅。镜头2（3-6秒）：正面急推，少年眼神一凛，侧身扑倒贴地滑过。镜头3（6-11秒）：侧面全景慢动作，野猪擦身而过撞进石堆，碎石四散。镜头4（11-15秒）：少年单膝撑地起身，握刀回望，镜头缓慢拉远。声音：蹄声、撞击声、碎石声、少年喘息，不要背景音乐。

这条先用 H3-Context-IR 增强成带时间码的分镜，确认后再生成。第 4 集的 15 秒野猪段落，增强约 0.3 元，生成 7.5 元，一次就成功了。

产品展示（宣传片空镜）

6秒，16:9，商业广告质感。一款银色无线耳机放在深色石材台面上，充电盒盖缓缓自动打开，指示灯亮起柔和白光。顶部一束窄光扫过机身，金属边缘出现高光反射。镜头围绕产品缓慢环绕半圈，微距特写。声音：盒盖开合的轻微咔哒声，简洁的电子提示音，不要人声。

产品镜头有一个坑：模型生成的 Logo 和文字很难保证准确。品牌标识最好在首帧图里给定，或者后期合成上去。

收尾那句"防崩后缀"还要不要加

原版建议在每条提示词结尾统一加一段"无闪烁、无跳帧、无五官变形、无肢体畸形、人物不换脸"之类的后缀。H3 的接口没有单独的负面提示词参数，这段话只是作为普通描述交给模型。写上通常没有坏处，但它解决不了提示词本身的问题。我们的体会是保留一句短的就够：

画面稳定，人物五官和服饰前后一致，光影统一，动作自然流畅。

真正让画面稳下来的，是下面这几条习惯：

• 一个镜头只做一个动作：拔刀、扑倒、撞墙是三个动作，要么分成三个 5～8 秒的镜头，要么像上面那样一次生成、内部分镜，别指望一句话的单镜头全拍对；
• 多主体先写站位：朝向、距离、左右，整段保持不变；
• 大动作不是不能拍：H3 能拍打斗，前提是空间关系写死，并配合 Context-IR 增强；
• 声音写明白：要不要配乐、有没有台词、环境里有什么声音；
• 先低价试，再出成品：768P 试拍几条，满意了再升 2K；被审核拦下的镜头，把画面写温和一点再重跑，不要原样重试。

新手上手的四步

1. 按需求选模式：只有文字用文生，有定妆照用图生或参考图，做转场用首尾帧；
2. 从上面挑一条最接近的模板，替换人物、场景、动作和声音；
3. 拿不准就先跑一次 H3-Context-IR 增强，看分镜对不对，增强后的版本要原样用于后续生成和 2K 再生成；
4. 先出 768P、5～8 秒的版本看效果，确认后再批量生成，或者升到 2K。

总结

H3 的提示词并不玄，核心就是把"拍什么、怎么拍、听到什么"写成具体可见的描述：规格开头，给素材派活，动作写过程，镜头只用一种运镜或者明确按时间分镜，声音一定要交代。网上流传的步数、CFG 参数是本地扩散模型的概念，H3 用不上；真正影响效果和成本的是模型档位、分辨率、时长、首尾帧与多模态参考，以及 Context-IR 增强和 2K 再生成这两个工具。

从《问道无极》两集的实测看，H3 在 768P 下以大约三分之一的单价，拿到了和 Seedance 2.5 接近的质感，自带声音也省掉了配音环节。对预算有限、需要批量出镜头的短剧和漫剧团队，它是很实在的选择。决定总成本的往往不是单价，而是返工次数，提示词写得越清楚，返工越少。

本文为 JeecgBoot AI 专题研究系列文章。