MiniMax H3 Lite

書き方のコツ

• 3 つのセクションに分けて書く

  integrated_multimodal_description には映像・動作・ショット・セリフ、overall_soundscape には環境音と動作の音を 1〜4 文、non_diegetic_music には観客にだけ聞こえる音楽を書きます（音楽なしなら N/A）。実測：同じパン屋の場面を 1 文で書いてもセリフとカットは入りましたが、音楽がなく、音も違っていました。3 つのセクションで書くと、ギター、ドアベル、パン切りナイフの音がすべて書いたとおりに出ました。

  パン屋の原文の冒頭：“integrated_multimodal_description: [Shot 1] Live-action, cinematic, …”

• ショットごとに段落を分け、切り替え時刻を書く

  [Shot 1] には時刻を書かず、2 つ目以降のショットは [Shot 2] At 00:05.000, the camera cuts to… のように書きます。このページの複数ショットの動画では、カットは書いた時刻の近くで切り替わりました。

  パン屋の原文：“[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread”

• カメラは「種類＋大きさ＋速さ」で書く

  push in、pan、truck、arc shot、tracking shot などの動きに with small amplitude や at slow speed を添え、文末にタグを並べるのではなく、動作の一部として文の中に書きます。

  パン屋の原文：“The camera pushes in with small amplitude at slow speed as the middle-aged baker…”

• セリフは専用のタグに入れる

  話者に (S1)、(S2) と番号を付け、先に年齢と声を描写してから、セリフを <d>[English] …</d> の形で一字一句そのまま、訳さずに書きます。中国語のセリフには [Chinese] を使います。

  列車の原文：the quiet, breathy young woman (S1) says: <d>[English] I get off at the next station.</d>

• 画面に出す文字は引用符に入れる

  看板や横断幕の文字は、表示したいとおりに半角の二重引用符で囲みます。実測：「营业中」は正しく出ましたが、プロンプトに書かなかった看板は意味をなさない文字になりました。

  屋台の原文：“A red neon sign reading "营业中" glows above the stall”

• 中国語のセリフには字幕が付く

  実測：中国語のセリフは 2 回の生成とも画面下部に中国語の字幕が焼き込まれ、字幕なしを指示しても消えませんでした。英語のセリフでは字幕は出ませんでした。字幕のない画面が必要なら、セリフを英語にするか、後から編集で対処してください。

  屋台の原文の最後の一文（効果なし）：“No subtitles or captions appear on screen.”

• フレーム指定は位置合わせと途中の動きを書く

  最初のフレームのジョブは、位置合わせの一文から始めます。最初と最後のフレームでは 2 枚目の画像が何秒の位置に来るかを書き、本文では 2 枚の画像をもう一度描写するのではなく、その間の動きを書きます。

  傘の原文：“Picture 2 (from Shot 1) aligns with the 8.00-second mark of the target video”

• 参照素材にはすべて名前を付ける

  入力ごとに <Subject 1>、<Picture 1> と名前を付け、動画の中での役割を書きます。実測：MiniMax のハイライトページにある 1 行の書き方（“Image 1: …, Image 2: …”）では、3 枚の参照画像がほとんど動かない 3 つのショットになりました。参照モード編の構成で書き直すと、2 人のモデルがサングラスをかけて歩きました。

  アイウェア広告の原文：<Subject 3> is the futuristic silver sunglasses in <Picture 3>…

長いプロンプトの構成

1映像のセクション

integrated_multimodal_description: で始め、その下にショットごとの段落を書きます。

原文：“integrated_multimodal_description: [Shot 1] …”

2スタイルとショットサイズ

最初のショットは、スタイルとショットサイズから書き始めます。

原文：“Live-action, cinematic, a medium-wide shot frames a baker opening the shutters…”

3カメラと動作

カメラの種類・大きさ・速さを、動作と同じ文に書きます。

原文：“The camera pushes in with small amplitude at slow speed as the middle-aged baker… places a fresh loaf on the wooden counter”

4セリフ

話者の番号、声、タグに入れたセリフ。

原文：with a calm, slightly raspy voice (S1) … says: <d>[English] First batch of the morning.</d>

5カット

新しいショットには、切り替わる時刻と新しい画面を書きます。

原文：“[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread”

62 つの音のセクション

環境音で 1 つ、音楽で 1 つ。

原文：“overall_soundscape: Wooden shutters scrape open… non_diegetic_music: A soft acoustic-guitar pattern…”

integrated_multimodal_description: [Shot 1] [スタイル（例：Live-action, cinematic）], [ショットサイズ] frames [被写体と場所]. The camera [カメラの動き] with [small / large] amplitude at [slow / fast] speed as [動作]. The [話者の年齢と声] (S1) says: <d>[English] [セリフ]</d> [Shot 2] At 00:0X.000, the camera cuts to [次の画面].

overall_soundscape: [環境音と動作の音を 1〜4 文で]

non_diegetic_music: [楽器、テンポ、強弱。音楽が不要なら N/A]