视频生成模型的边界一半在模型本身一半在提示词。最近围绕 MiniMax H3 的社区讨论里有个现象特别明显同一个模型、同一张显卡有人生成的内容像电影截图有人生成的内容像手机随手拍的监控画面。差距不在运气而在提示词有没有写到镜头、情绪、物理细节这一层。现在关于 MiniMax H3 的高频话题已经不再停留在“能不能生成视频”而是变成了“提示词怎么写”“Skill 模板怎么用”“ComfyUI 怎么接入”。从社区热词就能看到趋势本地部署、ComfyUI 整合包、Ref2VA 全能参考模式、导演台、二采……当模型可用性逐步解决之后真正能让你和普通用户拉开差距的就是控制力而提示词就是成本最低、见效最快的控制手段。这篇文章不做空泛介绍。我会从社区作品里被反复提到的 7 个高质量方向出发拆解每个方向背后的提示词写法再总结成一套可以复用的方法论最后给出一份可落地的 Skill 模板结构。无论你是走官方产品、API还是本地部署加 ComfyUI 整合包这套思路都通用。1. 为什么要单独研究 MiniMax H3 提示词很多人会误以为视频生成模型的提示词和 Stable Diffusion 差不多把主体、风格、质量词堆上去就行。但 MiniMax H3 这类视频模型的提示词写作已经和静态模型明显分化了。静态图像提示词描述的是一个“瞬间画面”视频模型提示词描述的是“一段时间内画面如何变化”。这意味着你必须额外回答几个静态绘画时代不常考虑的问题镜头从哪里起、到哪里结束动作发生在哪一帧物理反馈怎么表现情绪怎么通过肌肉微表情传递如果提示词里只写“一个很帅的人在城市里走路”模型大概率只会给你一条平庸的正面行走片段。但如果你写清楚“低机位跟拍、脚步带起积水、风衣被气流吹起、镜头从脚部上摇到面部他抬头时皱眉”模型能输出的信息量就完全不同。还有一个现实原因MiniMax H3 在社区里有多种接入方式包括官方产品、API、本地部署、ComfyUI 整合包。不同接入方式暴露出来的可调参数不一样但提示词是所有方式共通的输入接口。学会一套通用的提示词方法论等于在所有接入方式上都获得了控制力提升。所以这篇内容的重点不是给你一份“万能提示词”而是让你理解视频模型提示词的构造逻辑然后再用这套逻辑去驾驭 H3 的能力。2. MiniMax H3 基础认知与核心概念在写提示词之前先建立一些基础概念。如果你已经在社区里看过不少作品可以直接跳到第 3 节。2.1 MiniMax H3 的定位MiniMax H3 是 MiniMax 系视频生成模型在社区讨论中的常用代号主打从文本生成视频并且支持参考图像、参考视频等多模态输入。社区中讨论热度很高的方向包括本地部署、ComfyUI 整合包、提示词模板、Ref2VA 参考模式、导演台等。必须强调一点不同版本、不同接入方式下的提示词规则可能略有差异。本文讨论的是底层通用结构具体参数和限制以你使用的官方文档、模型仓库说明为准。2.2 几个必须先搞清的概念概念通俗解释提示词层面的影响文本生成视频T2V输入文字描述直接输出视频提示词必须描述动作序列与时间变化Ref2VA 全能参考模式输入参考视频或参考图结合文本生成新的视频提示词要说明“参考中保留什么、改变什么”导演台用于分镜设计和镜头调度的功能模块提示词可拆成“镜头语言 场景 动作”多个段落二采社区中常提到的二次采样/二次处理策略第一阶段先稳画面第二阶段再优化细节本地部署把模型跑在自己的机器上提示词测试成本更低可以反复迭代ComfyUI 整合包社区打包好的 ComfyUI 工作流环境提示词直接填入节点便于复用和批量测试2.3 提示词在视频模型中的层次一个完整的视频提示词其实由三个层次组成。第一层是“静态画面层”解决的是主体、场景、画风、构图。这一层和 Stable Diffusion 的提示词逻辑接近适合从社区优秀图集里借鉴。第二层是“动态时间层”解决的是动作、镜头、节奏。这一层是视频模型提示词的关键必须明确回答“画面从哪里开始、往哪里发展、在哪里结束”。第三层是“物理与情绪层”解决的是真实感。风吹、雨落、握手、皱眉这些细节决定观众是否会出戏。后面第 3 节的 7 个案例全部都会按照这三个层次来拆解。3. 7 个社区优秀案例拆解下面选取的 7 个方向来自社区作品中被反复讨论的高频题材也覆盖了 MiniMax H3 当前最主流的用法。每个案例我都会给出提示词片段和拆解思路你可以直接复制替换成自己的内容。3.1 案例一超燃战斗打斗场景社区里中文提示词模板有相当大的比例是战斗题材比如“AI超燃战斗打斗提示词中文提示词模板”。这类作品的共同点是用短句描述动作节奏而不是堆形容词。战斗场面的提示词关键不是写“很燃”而是写“镜头怎么动、打击感从哪来、能量从哪释放”。参考提示词镜头语言低机位仰拍快速推近一镜到底 主体黑衣少年 vs 机械改造人 动作序列机械改造人右臂重拳砸向地面碎石飞溅少年侧闪滑步切入对方胸前 物理细节拳风带动雨水横向炸开落地时镜头轻微后撤慢动作定格在第二拳击中瞬间 氛围霓虹夜雨冷蓝与橙色对冲 风格写实电影动作片质感胶片颗粒轻微拆解思路战斗场景的提示词要写成“序列”不是写一个静态瞬间。这里用“动作序列”这个标签把连招拆成两三个关键动作模型就有条件生成连贯的打斗过程。物理细节里的“拳风带动雨水横向炸开”其实是在给模型提供“受力反馈”的信息这是避免画面软绵绵的关键。3.2 案例二压抑情绪人像 慢动作社区方法论里有一句被反复引用的话“情绪靠肌肉手部靠结构接触靠阴影真实靠受力。”这句话在压抑情绪人像这个题材里体现得最充分。参考提示词主体短发女孩独自坐在窗边 表情眉头微紧嘴唇轻抿眼神下移避开镜头 动作手指缓慢滑动窗沿另一只手握着半杯水 镜头中景固定镜头呼吸感轻微推拉 光线雨幕冷光从左侧打在面部右侧留长阴影 运动慢动作整体节奏减弱只有指尖颤动保持动态 风格低饱和文艺片干净背景拆解思路“难过”“压抑”这类情绪词模型并不能直接转译成画面。真正起作用的是“眉头微紧”“嘴唇轻抿”“眼神下移”这些肌肉层面的描述。慢动作场景里如果所有元素都在动画面反而没有层次。这里把“指尖颤动”作为画面中唯一的高频动态视觉焦点就清晰了。3.3 案例三AI 漫剧角色一致性叙事社区里有很多人在做 AI 漫剧这个题材最大的难点不是单帧好看而是同一个角色跨镜头保持一致。一个角色第 1 集是黑发第 5 集变成棕发观众立刻出戏。参考提示词角色设定块角色男主 林澈 外观黑色中长发右侧刘海遮眉深棕色眼睛 服装灰绿色风衣黑色高领内搭 标志物手腕红色绳结 体型偏瘦身高约178cm动作干净利落 风格基调现代都市悬疑漫剧2.5D插画风光影偏冷然后在每个分镜中都复用这段“角色设定块”镜头近景侧面角度 动作林澈在雨夜街角停下脚步回头看向镜头 场景湿漉漉的旧城区窄巷远处路灯闪烁 镜头语言缓慢推近焦点从背景雨幕转移到脸部拆解思路漫剧叙事的关键是“角色设定块 单镜场景描述”的组合。角色设定块固定了外观、服装、标志物所有分镜都从同一块文本复制粘贴这是成本最低的保一致手段。如果你使用的工具支持单角色参考图那就可以更进一步用“参考图 角色设定块”双保险。3.4 案例四人物三视图与形象设计在创作早期用户经常需要先定下人设比如“把主角的三视图确定下来”再做视频分镜。这个场景相当于给视频生成准备“角色设定规范”。参考提示词主体赛博女武士全身三视图 视角正面、侧面、背面三个角度并排 动作自然站姿双臂微展 服装浅灰色机甲外甲红色内衬 头饰黑色发髻金属簪 背景纯灰色摄影棚背景均匀软光 要求同一角色三视图之间五官、发型、装备完全一致拆解思路三视图提示词必须强调“同一角色”和“三个角度并排”否则模型很容易生成三个长得不一样的人。这里还有一个细节背景只写“纯灰色摄影棚背景”避免复杂场景干扰角色设计。生成后建议再结合参考图功能固定人物特征为后续分镜做准备。3.5 案例五Ref2VA 全能参考模式Ref2VA 是社区讨论中热度很高的能力简单理解就是“给模型一段参考视频或一张参考图再配合提示词生成新内容”。它的提示词写作逻辑和纯文本生成不一样核心是区分“保留项”和“改变项”。参考提示词参考保留人物面部特征、发型、服装配色 需要改变场景从室内客厅改为城市天台时间改为黄昏 镜头动作参考人物由坐姿起身走向镜头边缘目光看向远处 新增元素风衣下摆被风吹起背景城市灯光逐一亮起拆解思路Ref2VA 场景下模型已经有了参考视频的画面信息提示词的作用是告诉它“哪里不要动、哪里要变、怎么变”。如果这时仍然写“一个女生站起来看远处”模型会把参考视频里的环境、机位、动作全部重画一遍反而丢失了参考价值。所以在参考模式下建议把提示词写成“保留 改变 新增”三段式。3.6 案例六中文叙事 / 武侠跑团风格中文视频提示词的优势在于中文里的氛围词和动作词信息密度很高。社区里也能看到武侠题材、跑团叙事类的典型用法。参考提示词类型武侠短剧镜头 场景雪山孤峰月光铺地 角色素衣剑客背对镜头斗笠边缘积雪 镜头无人机视角从角色身后拉升形成一个远山全景 节奏先静后动风声渐起剑客右手微抬 过场画面转为水墨质感字幕淡入“江湖会再见”拆解思路这类叙事向提示词最大的价值在于“节奏”。画面何时静止、何时运动、过场如何切换这些信息通过短句分段表达模型更容易理解时间线。另外中文提示词的语序比较自由在逗号后追加“镜头”“节奏”“过场”这类标签能显著提升模型的理解准确度。3.7 案例七从 SDXL / Flux / Seedance 提示词迁移社区里已经有很多人把自己在 SDXL、Flux、Seedance 上积累的提示词能力迁移到 MiniMax H3。这个方向很有价值因为静态绘画时代的提示词积累仍然可以使用但必须做一次“视频化改写”。参考对照原静态提示词 赛博朋克城市雨夜霓虹 视频化改写 赛博朋克城市雨夜镜头从地面水坑倒影缓慢上摇到霓虹招牌 雨滴在灯光中清晰可见远处一辆悬浮车驶过 车灯拖出长尾镜头跟随车灯方向平移拆解思路如果把静态提示词直接丢给视频模型模型会自己决定怎么动结果往往不可控。视频化改写的核心操作是给原本的静态画面加上“镜头轨迹”和“时间顺序”。社区方法论里提到 H3 的提示词兼容 SDXL / Flux / Seedance指的就是风格描述、光影描述可以迁移但镜头和时间维度必须重新打磨。4. MiniMax H3 提示词方法论总结拆完 7 个案例可以提炼出一套稳定的方法论。我把社区里流传的那句核心方法论展开成 6 条具体可用的写作原则。4.1 情绪靠肌肉不要写“他很悲伤”要写“眉头微紧、眼神下移、嘴角轻微下压”。模型不是编剧它没法从“悲伤”这个词推断出面部肌肉状态。情绪表达必须落到具体的面部肌肉变化上。4.2 手部靠结构视频模型对手部结构的处理始终是技术难点。提示词里如果只写“手握着杯子”手部依然容易崩。建议把手指动作拆开写“拇指与食指捏住杯沿其余三指自然松开”。结构明确模型生成时的约束才更强。4.3 接触靠阴影两个物体发生接触时真实感主要靠阴影和遮挡体现。比如“手按住桌面”可以补充“指缝下方压出轻微阴影”。阴影会让接触关系变得可信观众才不会觉得手掌和桌面是两张图硬拼在一起。4.4 真实靠受力风吹、雨落、拳击、起身这些动态都要有“受力反馈”。“拳风带动雨水横向炸开”“风衣下摆被风吹起”这些描述告诉模型物体正在受到外力影响画面就不会像定格动画那样轻飘飘。4.5 镜头要靠调度视频模型的画面运动一部分来自模型自带的运镜先验但更可控的方式是直接写。告诉模型用低机位仰拍、从脚部上摇到面部、快切或长镜头。镜头语言是视频提示词和静态提示词最大的差异点。4.6 节奏要靠提示词分段一个镜头里不要塞太多动作。把动作序列拆成“起、中、止”三个阶段用短句分段表达模型更容易理解时间线。战斗场景尤其如此把“重拳砸地”和“侧闪切入”拆成两个动作节点生成出来的连贯性远好于一口气写完。5. 官方 Skill 模板结构与实践很多人在搜索 MiniMax H3 时会顺带搜索“Skill 模板”。这里先解释一下 Skill 模板在视频生成提示词语境下的含义。5.1 什么是 Skill 模板Skill 模板可以理解为一套“结构化提示词脚本”把某类任务的最佳提示词写法固化下来。比如“战斗镜头 Skill”“压抑情绪人像 Skill”“漫剧分镜 Skill”。与普通提示词相比Skill 模板最大的价值在于可复用字段稳定、逻辑清晰、适合团队协作和批量生成。社区里对 Minimax H3 提示词指南的讨论中一个共识是模板必须体现“镜头语言 动作序列 物理细节”这一结构。下面是我在社区经验基础上整理的可复用 Skill 模板结构字段名可以根据你使用的工具调整。5.2 Skill 模板 JSON 结构参考{ skill: minimax_h3_video_scene, version: 1.0, description: MiniMax H3 视频场景提示词基础模板适配战斗、情绪、叙事等常见场景。, slots: [ subject, scene, camera, action_sequence, emotion, physics, style ], template: { subject: {{subject}}, scene: {{scene}}, camera: {{camera}}, action_sequence: {{action_sequence}}, emotion: {{emotion}}, physics: {{physics}}, style: {{style}}, negative_prompt: 低分辨率畸形手部面部崩坏多余肢体闪烁抖动画面撕裂 }, output_format: 自然语言连续段落先写镜头再写主体再写动作序列最后补物理细节和风格 }字段解释字段作用示例subject主体是什么黑衣少年scene场景环境雨夜街道camera镜头语言低机位仰拍缓慢推近action_sequence动作序列重拳砸地碎石飞溅侧闪切入emotion情绪状态压抑后爆发的愤怒physics物理反馈雨水被气流震开style画风与风格写实电影质感冷蓝暗调5.3 用 Skill 模板组装完整提示词以战斗场景为例将 JSON 模板中的变量替换成具体内容镜头语言低机位仰拍快速推近 主体黑衣少年与机械改造人对峙 场景雨夜街道霓虹灯光积水面反射冷蓝光影 动作序列机械改造人右臂重拳砸向地面碎石飞溅少年侧闪滑步切入对方胸前 情绪压抑后爆发的愤怒 物理细节拳头落地时雨水向四周炸开镜头被冲击波带动轻微抖动 风格写实电影动作片质感暗调高对比胶片颗粒轻微这套模板可以直接在官方产品、API 或 ComfyUI 中测试。建议先跑通一个场景再逐步替换不同变量形成自己的“战斗 Skill”“情绪 Skill”“漫剧 Skill”。6. 本地部署与 ComfyUI 中的提示词工程实践除了官方产品本地部署和 ComfyUI 整合包是社区里最热门的实践路径。本节的提示词工程方法在本地环境同样适用但你需要先跑通模型环境。6.1 环境准备注意点从社区讨论看MiniMax H3 本地部署主要依赖显卡显存和合适的整合包。NVIDIA 306012GB 显存这类主流显卡被提到的频率较高但最终分辨率、时长、速度取决于你使用的工作流和量化版本。如果你想做本地部署先重点关注这几点显卡驱动和 CUDA 环境是否正确安装是否从可靠仓库下载了完整的模型文件是否使用了社区维护的 ComfyUI 整合包是否在跑推理前检查过显存占用具体版本和各工具链的兼容性要以你下载的整合包说明和模型仓库为准不在这里写死。6.2 ComfyUI 中如何组织提示词ComfyUI 的节点化界面非常适合做提示词工程实验。你可以把不同的提示词拆成独立节点再通过连线组合成工作流。一个通用的结构是文本编码节点负责接收提示词采样器负责生成VAE 解码负责输出视频。提示词本身在节点里就是一段普通文本可以直接使用第 5 节中的 Skill 模板输出格式。{ prompt: { 1: { class_type: CLIPTextEncode, inputs: { clip: [5, 0], text: 镜头语言低机位仰拍缓慢上摇\n主体短发女孩独坐窗边\n表情眉头微紧眼神下移\n动作手指缓慢滑动窗沿\n光线雨幕冷光左侧打光\n运动慢动作只有指尖颤动\n风格低饱和文艺片 } }, 2: { class_type: CheckpointLoaderSimple, inputs: { ckpt_name: 你的H3模型文件名.ckpt } } } }注意不同整合包的节点类型名称和字段可能不一样上面示例是为了演示提示词如何嵌入工作流。实际使用时以整合包自带的示例工作流为准。6.3 用 API 调用时如何传递提示词如果你走 API 或脚本调用提示词一般作为请求体中的一个字段和参考视频路径、负向提示词、分辨率等参数并列。import requests prompt_text 镜头语言低机位仰拍快速推近 主体黑衣少年与机械改造人 动作序列机械改造人右拳砸向地面碎石飞溅少年侧闪切入 物理细节雨水被拳风震开 风格写实电影动作片质感 payload { prompt: prompt_text, negative_prompt: 低分辨率, 畸形手部, 面部崩坏, 闪烁抖动, mode: ref2va, reference: input/ref_video.mp4 } # 注意接口地址以官方 API 文档为准这里仅为示例 resp requests.post(https://api.example.com/v1/video/generate, jsonpayload) print(resp.json())这里使用 requests 库发送 POST 请求将提示词作为 JSON 字段传入。实际项目里建议把 prompt 参数从配置文件读取方便批量测试。7. 常见问题与排查思路提示词调试过程中下面几个问题出现频率最高列成表格方便检索。问题现象可能原因排查方式解决方案画面崩坏、脸部变形只用抽象情绪词没有写面部肌肉细节检查提示词里是否有“难过”“愤怒”一类的模糊词改成“眉头微紧、嘴角下压、眼神回避”等具体描述手部畸形手部动作描述太笼统逐帧查看手部崩坏的时间位置把手指动作拆成结构描述例如“拇指与食指捏住杯沿”角色跨镜头不一致不同镜头使用了不同角色描述对比两个镜头的提示词文本把角色外观、服装、标志物固化成角色设定块复用视频闪烁、抖动镜头运动幅度过大或动作序列太复杂简化镜头调度减少同一时刻的动体数量先固定机位只保留一个主要动作再逐步增加本地部署爆显存分辨率、帧数或步数设置过高查看运行日志中的显存占用降低输出分辨率关闭无关后台程序使用轻量量化版本提示词不生效期望输出超出了当前模型能力边界对照官方示例和社区工作流验证先跑通官方默认参数随后逐词增加和删除对比参考模式没有保留参考特征未区分“保留项”和“改变项”检查提示词是否只写了新画面改写为“保留 改变 新增”三段式排查顺序建议是先确认模型能跑通默认参数再替换提示词如果问题依然存在优先检查参考素材是否清晰、动作序列是否过于复杂。不要一上来就认为模型有问题。8. 最佳实践与工程建议提示词写作看起来只是文本编辑但在工程化的批量创作和团队协作场景里还有很多值得养成的习惯。8.1 用版本管理保存提示词资产提示词本质上是一种资产和代码一样需要管理。建议在项目目录里维护一套 markdown 或 JSON 格式的提示词库按场景分类命名例如skill_battle.json、skill_emotion.json、character_linche.json。每次调试后更新模板备注记录哪个词对结果影响最大。8.2 建立“镜头词汇表”从案例中可以看到视频提示词的核心是镜头语言。建议维护一个自己的镜头词库低机位仰拍、缓慢推近、跟随平移、一镜到底、慢动作、快切……这些词在不同场景可以重复使用。积累多了以后写提示词的效率会明显提升。8.3 先短后长先静态后动态不要一开始就写一整段长提示词。先用一个简单场景测试模型的基础能力再逐步加入镜头运动、物理反馈和情绪细节。比如先让模型生成“女孩坐在窗边”确认角色稳定后再增加“眉头微紧、眼神下移”最后再增加“镜头缓慢推近”。这种从易到难的调试方式能减少变量干扰。8.4 负面提示词要固定即使在视频模型中负面提示词仍然值得保留。至少固定以下基础项低分辨率、畸形手部、面部崩坏、多余肢体、闪烁抖动、画面撕裂。在批量生成时固定负面提示词可以让输出质量有一个稳定底线。8.5 保留每次生成的工作流 JSON在 ComfyUI 中每次调通的工作流都应该导出保存。工作流 JSON 里包含了你的提示词、采样参数、模型选择是复现结果的重要依据。这是本地部署用户最容易忽略习惯之一但也是长期效率提升最明显的一个。8.6 注意合规与版权边界视频生成模型的提示词可以描述任意画面但不代表可以无边界使用。涉及真实人物、商用版权素材、不当内容的提示词应当严格规避。在团队和商业项目中使用时建议提前明确素材授权范围和平台内容规范。9. 总结MiniMax H3 的提示词写作本质上就是在解决三件事第一把静态画面变成有时间维度的镜头语言第二把抽象情绪翻译成具体的肌肉和肢体表达第三用物理反馈和阴影关系让画面具备真实感。你不需要记住每一个案例只需要记住一个核心动作写提示词时多问自己一句这个画面在下一帧会发生什么变化镜头会怎么动物理上如何受力把这些信息写进提示词生成结果的稳定性和表现力都会上一个台阶。建议下一篇作品直接试试这个方法找一个以前写得不满意的视频提示词按照“镜头语言 主体 动作序列 情绪 物理细节 风格”的结构重写一遍再用同样的参数对比一次。你会发现差距一开始就不在显卡上。