MiniMax H3 提示词进阶如何用“导演 Skill”把一句话变成专业 AI 短片如果你最近在玩 AI 视频生成大概率会碰到一个尴尬场景模型能力明明不差但生成出来的画面就是不对味。要么人物长相前后不一致要么镜头语言平淡得像监控录像要么你说“要赛博朋克风格”它给你来一个霓虹灯牌加下雨就交差了。问题通常不在模型而在提示词。AI 视频生成和 AI 绘画最大的区别是绘画是单张构图视频是时间序列。你需要让模型理解“镜头怎么运动、场景怎么切换、人物怎么表演、情绪怎么推进”。传统的单句提示词根本塞不下这些信息于是就有了一个非常值得研究的领域——用 LLM 做提示词管家用 Skill 机制把导演思维封装成可复用的提示词工程流水线。这篇文章要讲的就是围绕 MiniMax H3 视频生成模型做提示词进阶优化的完整思路从提示词模板设计、导演 Skill 构建、智能分镜到脑洞模式与强遵循度的平衡。内容偏实战适合已经在玩 AI 视频、但觉得生成质量不够稳定的读者。1. AI 视频提示词的真实痛点不是“写不出”而是“信息密度太低”很多人以为提示词写得越长越详细AI 就越听话。实际恰恰相反。MiniMax H3 这类视频生成模型对提示词的处理方式和 LLM 文本生成有本质区别它更依赖结构化信息而不是华丽修辞。举个例子。你写“一个女孩在雨中的城市街道上回眸赛博朋克风格霓虹灯电影感”——这个提示词已经算比较完整了但视频生成时模型仍然容易混乱。为什么因为这里包含了太多未拆解的信息维度人物是谁身份、年龄、服饰、外形特征场景在哪里城市风格、天气、街道布局镜头怎么动固定机位、推近、环绕、跟拍情绪氛围怎样孤独、浪漫、危险、肃杀时间是什么时候白天、夜晚、黄昏当这些信息挤在一个句子里时模型只能凭概率挑它认为重要的部分导致生成的画面“平均化”——什么都占一点什么都不到位。更麻烦的是分镜问题。真人短片用分镜脚本拆解每一个镜头AI 视频生成却常常让用户“一句话生成整段视频”。如果这句话描述的是一个长镜头那问题不大但如果是一段包含多个场景、多次转场的短故事单句提示词几乎无法让模型理解叙事结构。这就是为什么需要提示词管家 导演 Skill把“零散创意”转成“结构化指令”让模型按你的意图而不是它的惯性来生成。1.1 MiniMax H3 对提示词的要求有什么不同从目前公开的资料和社区反馈来看MiniMax H3 在视频生成上的强项是风格化表现和镜头控制但它对提示词的“遵循度”并不是天然拉满的。换句话说它是那种“你给多少结构化信息它就还你多少质量”的模型。一个比较稳的经验是MiniMax H3 提示词应该由这几个模块组成主体描述Subject Description 场景描述Scene Context 镜头语言Camera Language 氛围与风格Atmosphere Style 叙事节点Narrative Beat这五个模块缺一不可。很多人生成效果不好就是把它们混在一起写。而“导演 Skill”的作用就是把这五个模块变成一个固定模板再通过 LLM 自动把用户的一句话扩展成结构化分镜脚本。2. 基础概念MiniMax H3、Skill、提示词工程到底是什么在进入实操前先把概念理清楚。2.1 MiniMax H3 是什么MiniMax H3 是 MiniMax 旗下最新的视频生成模型属于 H 系列。从社区讨论和演示效果看它的定位是高表现力的 AI 视频生成模型尤其在人物表情、动作连续性和风格化渲染上有明显提升。相比前代模型H3 在指令遵循度、多镜头生成和复杂场景理解上都有加强但这也意味着它对提示词的质量更敏感——输入的信息越结构化输出越稳定。需要说明的是MiniMax H3 并不等同于一个简单的 API 调用就完事。从部署角度看它支持在线算力平台部署也有本地部署方案对显卡配置有要求。但提示词优化的思路与部署方式无关这篇文章主要聚焦提示词层。2.2 Skill 是什么Skill 在 LLM 应用语境下通常指一组可复用的能力封装。它可以是提示词模板、工具调用流程也可以是带逻辑判断的自动化流程。在 AI 视频生成场景里一个“导演 Skill”就是一套完整的提示词生成框架接收用户的一句话创意输出符合模型偏好的结构化分镜提示词。换个更容易理解的说法Skill 是“经验沉淀成工具”。你调试了无数次才摸索出来的提示词套路如果只存在你脑子里换台电脑就没了但如果你把它写成 Skill下次只要调一下输入参数同一个套路就能稳定复用。2.3 提示词工程不只是在“写句子”提示词工程Prompt Engineering的核心是控制信息熵。模型面对一个提示词时它要做的是在概率空间里挑最合理的延续。你的提示词信息越含糊模型的概率分布就越分散输出就越不可控。对于视频生成模型的提示词工程重点不是“修辞优美”而是“维度清晰”。同一个意思用拼音首字母缩写都不行得把主体、场景、镜头、风格拆开。3. 环境准备与前置条件做提示词实验你至少需要准备好以下环境。3.1 模型访问方式MiniMax H3 的访问有几种途径官方 API最稳定调用方式为标准 REST API适合写代码验证。ComfyUI 集成包社区流行做法通过 ComfyUI 的 H3 节点调用模型适合做工作流化实验。在线算力平台一些云平台提供一键部署适合不想折腾本地环境的人。本地部署对显存和算力有要求适合进阶玩家。从提示词实验角度看官方 API 是最容易做自动化测试的。这篇文章的示例代码以 API 方式为主但提示词模板和 Skill 设计思路同样适用于其他接入方式。3.2 Python 与依赖建议使用 Python 3.10 以上版本安装 requests 或 openai 兼容库即可MiniMax API 通常兼容 OpenAI 风格接口。pip install requests openai4. 核心流程拆解从一句话创意到结构化提示词整个“一句话变专业短片”的流程可以拆成四个步骤4.1 创意接收用户输入一句话例如“一个机械师在末日废土上修复一台会说话的机器人。”这句话信息量很少直接拿去生成视频效果一定很差。所以第一步不是生成而是“扩写”。4.2 信息补全LLM 需要根据这句话自动补齐五个维度的信息主角长什么样机械师穿着油渍工装的中年女性护目镜金属手臂废土长什么样黄沙漫天的废弃城市残破的霓虹灯远处有巨型机械骨架机器人什么状态半损毁显示屏闪烁发出沙哑的机械音镜头怎么拍从机械师背后推进绕过她的肩膀聚焦到机器人面部情绪基调苍凉中带着希望这一步是“导演 Skill”的核心它本质上是在做导演的分镜案头工作。4.3 分镜拆分AI 视频生成模型通常擅长生成 5-10 秒的片段超过这个长度画面质量和一致性都会下降。所以第三步是把一个完整场景拆成 3-5 个分镜每个分镜有独立的镜头描述和提示词。4.4 强遵循度保障最后一步是把生成的结构化提示词转换为模型能“高分遵循”的格式。这里有一个重要技巧把描述性语言改成可验证的具象名词和动词减少抽象形容词。比如“凄凉”是抽象形容词模型很难遵循。但“黄色灰尘覆盖的街道、锈蚀的金属脚手架、远处传来风声”是具象描述模型更容易准确生成。5. 完整示例构建你的第一个 MiniMax H3 导演 Skill下面我用 Python 写一个最小可用的“导演 Skill”示例。5.1 定义提示词模板先写一个基础提示词模板文件路径为director_skill/templates/shot_prompt.py# director_skill/templates/shot_prompt.py # 分镜提示词模板把结构化信息转为模型可遵循的提示词 SHOT_PROMPT_TEMPLATE \ Subject: {subject} Scene: {scene} Camera: {camera_movement} Lighting: {lighting} Atmosphere: {atmosphere} Style: {style} Duration: {duration} seconds Action: {action} 请严格按照以上信息生成视频片段不要添加未指定的元素。 重点遵循 camera movement 和 action 的描述。 # 分镜脚本模板把一句话创意转换成结构化分镜列表 STORYBOARD_PROMPT \ 你是一名专业的电影导演和分镜师。请根据下面的一句话创意设计一个包含 {shot_count} 个分镜的短片脚本。 创意{idea} 要求 1. 每个分镜必须包含 subject、scene、camera_movement、lighting、atmosphere、style、action 七个字段。 2. 内容必须符合 MiniMax H3 视频生成模型的提示词偏好具象名词、明确动词、时间地点清晰。 3. camera_movement 必须明确写出镜头的运动方式推近、拉远、环绕、横移、跟随等。 4. action 描述必须具体不用抽象词汇。 5. 使用 JSON 格式输出不要输出其他内容。 5.2 实现 LLM 扩展逻辑接下来写一个 Python 模块负责调用 LLM 完成提示词扩展和分镜拆分。# director_skill/skill.py import json import re from openai import OpenAI from director_skill.templates.shot_prompt import ( STORYBOARD_PROMPT, SHOT_PROMPT_TEMPLATE, ) class DirectorSkill: MiniMax H3 导演 Skill把一句话创意转成结构化分镜提示词。 def __init__(self, api_key: str, base_url: str, model: str minimax-h3): self.client OpenAI(api_keyapi_key, base_urlbase_url) self.model model def _call_llm(self, system: str, user: str) - str: resp self.client.chat.completions.create( modelself.model, messages[ {role: system, content: system}, {role: user, content: user}, ], temperature0.7, ) return resp.choices[0].message.content def _parse_json(self, text: str) - dict: 从 LLM 输出中提取 JSON兼容可能存在的 markdown 代码块。 match re.search(rjson\s*(.*?)\s*, text, re.DOTALL) if match: text match.group(1) return json.loads(text) def build_storyboard(self, idea: str, shot_count: int 4) - dict: 第一步把一句话创意扩展为分镜脚本。 user_prompt STORYBOARD_PROMPT.format( ideaidea, shot_countshot_count, ) response self._call_llm( system你是一名专业的电影导演、编剧和分镜师。, useruser_prompt, ) return self._parse_json(response) def build_shot_prompts(self, storyboard: dict) - list[str]: 第二步把每个分镜的 JSON 结构转换成 MiniMax H3 可用的提示词。 shot_prompts [] for shot in storyboard.get(shots, []): prompt SHOT_PROMPT_TEMPLATE.format( subjectshot[subject], sceneshot[scene], camera_movementshot[camera_movement], lightingshot[lighting], atmosphereshot[atmosphere], styleshot[style], durationshot.get(duration, 5), actionshot[action], ) shot_prompts.append(prompt) return shot_prompts def generate(self, idea: str, shot_count: int 4): 完整流程一句话创意 - 结构化分镜提示词。 storyboard self.build_storyboard(idea, shot_count) prompts self.build_shot_prompts(storyboard) return { storyboard: storyboard, prompts: prompts, }5.3 调用 MiniMax H3 API 生成视频拿到分镜提示词后下一步是把它们提交给 MiniMax H3 生成视频。假设 API 兼容 OpenAI 风格可以这样写# director_skill/video_client.py from openai import OpenAI class VideoClient: 调用 MiniMax H3 完成视频生成的客户端。 def __init__(self, api_key: str, base_url: str, model: str minimax-h3): self.client OpenAI(api_keyapi_key, base_urlbase_url) self.model model def generate_video(self, prompt: str, duration: int 5): 根据提示词生成单段视频片段。 resp self.client.video.generate( modelself.model, promptprompt, durationduration, ) return resp def generate_sequence(self, prompts: list[str], output_dir: str ./shots): 依次生成多个分镜视频片段。 import os os.makedirs(output_dir, exist_okTrue) results [] for i, prompt in enumerate(prompts): print(f正在生成第 {i 1} 个分镜...) resp self.generate_video(prompt) results.append(resp) return results注意上面代码中的self.client.video.generate只是示意具体方法名和参数以 MiniMax 官方 API 文档为准。如果你的 API 是通过 HTTP 接口直接调用原理相同都是“提交提示词 - 异步轮询结果”。5.4 主流程串联# main.py from director_skill.skill import DirectorSkill from director_skill.video_client import VideoClient def main(): # 初始化 skill DirectorSkill( api_key你的 API Key, base_urlhttps://api.minimax.io/v1, # 以官方文档为准 ) video_client VideoClient( api_key你的 API Key, base_urlhttps://api.minimax.io/v1, ) # 一句话创意 idea 一个机械师在末日废土上修复一台会说话的机器人 # 生成分镜提示词 result skill.generate(ideaidea, shot_count4) # 打印分镜内容 for i, shot in enumerate(result[storyboard][shots], start1): print(f 分镜 {i} ) for k, v in shot.items(): print(f{k}: {v}) print() # 生成视频 video_client.generate_sequence(result[prompts]) if __name__ __main__: main()6. 运行结果与效果验证运行python main.py后你应该能看到类似下面的输出 分镜 1 subject: 穿着油渍夹克的女机械师40岁左右棕色短发金属左臂 scene: 沙尘覆盖的废弃维修站巨大的机械骨架矗立在远处 camera_movement: 从机械师背后缓慢推进然后绕到侧面 lighting: 黄昏的橙色逆光辅助冷色补光 atmosphere: 沉闷但带着希望 style: 废土写实风格胶片颗粒 action: 她蹲下身从工具箱里拿起一个线圈抬头看向前方 duration: 5 ...然后调用 API 生成视频等生成完成后检查画面人物是否一致不同分镜之间的主要角色长相是否一致。镜头语言是否匹配提示词写了“推进”画面是否真的有推近效果。氛围风格是否统一三个分镜是否处于同一个光线和色彩体系。动作是否具体画面里的动作是否和 action 描述一一对应。如果发现某个分镜生成失败或效果不对优先检查该分镜的提示词是否包含了冲突信息。例如“夜晚”和“夕阳逆光”同时出现就有冲突。7. 常见问题与排查思路下面是实际使用中比较常见的问题以及对应的排查方法。问题现象可能原因排查方式解决方案画面风格不统一各分镜像不同片子分镜提示词里的 style 字段不一致对比所有分镜的 style 字段检查是否用了同一组风格关键词把 style 字段固定为一个全局变量所有分镜统一引用人物长相每段都变主体描述缺少稳定的外貌锚点检查 subject 字段是否包含发色、脸型、服饰等不变信息为每个角色增加一个固定的“角色卡”每个分镜都重复核心外貌特征镜头动感不足像静态图camera_movement 描述太模糊检查是否用了“拍摄”“录制”这类弱动词换用具体的镜头术语推近、拉远、环绕、横移、跟随、升降模型不遵循指令多出奇怪元素提示词中负向约束缺失检查是否在提示词中写明“不要出现未指定元素”在模板末尾加入“不要添加未指定元素”的强约束长镜头动作不连贯单个分镜的 action 太复杂检查是否在一个动作描述里塞了多个连续动作拆分为多个分镜一个分镜只做一个主要动作生成视频的时间太长提示词信息量过大检查 prompt 是否超过模型建议长度精简场景描述只保留对画面有直接影响的元素8. 脑洞模式与强遵循度两个相反方向的平衡“脑洞模式”和“强遵循度”看起来矛盾实际上是一个问题的两面。脑洞模式追求的是创造力和意外性让模型在没有你明确指定的地方自由发挥增加视觉惊喜。强遵循度追求的是可控性让你明确指定的信息被精确执行。这两者需要分开对待。我的建议是强遵循度用于主体、动作和镜头这些是叙事的骨架不能有偏差。脑洞模式用于氛围细节、质感和背景元素这些是血肉给模型一些自由发挥空间。在提示词模板层面可以这样实现# 强遵循度字段主体、动作、镜头 # 脑洞字段氛围、风格、未指定的背景细节 SHOT_PROMPT_TEMPLATE \ Subject: {subject} Action: {action} Camera: {camera_movement} 请严格遵循上述三个字段的描述。 在此基础上你可以自由发挥 - 周围环境的细节 - 特殊质感 - 视觉装饰元素 默认风格方向{style} 默认氛围基调{atmosphere} 这个模板告诉模型“三个核心字段是死命令其他部分你可以发挥。”这样做的好处是既能保证叙事关键信息不跑偏又不会让画面变得呆板。结合到 Prompt 设计上脑洞模式还可以通过调整 temperature 参数实现。当需要严格遵循时temperature 调低到 0.4 左右当需要脑洞大开时temperature 可以拉到 0.9。9. 最佳实践与工程建议9.1 角色卡Character Card机制多分镜视频最容易翻车的地方就是角色一致性。一个非常有效的做法是给每个角色建一张“角色卡”包含不可变特征。{ character_name: Mia, appearance: [ 棕色短发, 深绿色眼睛, 机械左臂银灰色, 军绿色工装夹克, 左脸颊有旧伤痕 ], style_hints: 写实风格废土质感 }生成每个分镜时把角色卡的核心词拼进 subject 字段。实测下来这个做法能把跨分镜的角色一致性提升不少。9.2 提示词版本管理提示词是你的核心资产一定要做版本管理。推荐用 Git 文件夹结构prompts/ ├── v1/ # 第一版基础单段提示词 │ └── cyberpunk_street.md ├── v2/ # 第二版多段分镜提示词 │ ├── style_base.md │ └── shot_sequence.md └── v3/ # 第三版带角色卡和强遵循度约束 ├── character_card.md └── director_prompt.md每次实验都记录输入创意、输出提示词、模型参数、生成效果评价。这样调试时才不会靠感觉重复试。9.3 安全与合规提醒生成 AI 短片时要注意内容边界。任何视频生成平台都有内容安全策略不要在提示词中尝试生成违反公序良俗、侵犯他人肖像权、涉及敏感话题的内容。这类内容不仅可能被封号更可能涉及法律风险。9.4 性能与成本优化视频生成 API 是按秒或按次计费的。合理的分镜拆分可以显著降低成本一个 10 秒的完整视频拆成 2 个 5 秒分镜成本通常更低且画面更稳定。减少废镜头先用低清模式测试提示词效果满意后再生成高清版本。合理设置 duration不是越长越好很多场景 4-6 秒就够了。10. 总结与后续学习方向MiniMax H3 这类视频生成模型真正的门槛不在模型本身而在你为它准备的信息结构。提示词工程不是把需求写长一点而是把需求拆成模型能理解、能执行、能验证的结构化单元。这篇文章的核心结论可以概括为三点用导演思维替代“写句子”思维把一句话创意拆成主体、场景、镜头、氛围、动作五个维度。用 Skill 封装提示词经验把反复摸索出来的提示词模板、角色卡、分镜逻辑沉淀为可复用代码。在强遵循度和脑洞之间找平衡关键信息死守、氛围细节放手既可控又有惊喜。下一步你可以做几件事找一段你之前生成失败的视频用本文的模板重写提示词对比效果差异。建立自己的角色卡库不必每次从零写人物描述。尝试把多个分镜拼接成一个完整短故事观察叙事连贯性是否提升。如果你想进一步深入可以研究“提示词自动评估”方向用 LLM 打分手动评估生成结果反向优化提示词模板。最后提醒一句MiniMax H3 的 API 参数、模型接口和部署方式以官方文档为准。提示词工程的底层逻辑是通用稳定的但具体接入细节需要跟着文档走。一次跑不通很正常先看日志、再查文档、最后调整提示词这个顺序能帮你少走一半弯路。