MiniMax H3 Prompt-Guide: Aufbau, Beispiele und echte Clips

Ein H3-Prompt hat drei Felder: integrated_multimodal_description für das Bild und die getakteten Shots, overall_soundscape für die Atmosphäre und non_diegetic_music für Musik, die nur das Publikum hört. Setzen Sie At 00:05.000, the camera cuts to … vor jeden weiteren Shot, markieren Sie Sprecher als (S1) und (S2) und fassen Sie jede Zeile in <d>[English] …</d>. Wir haben am 28. Oktober 2026 sieben Prompts laufen lassen, und jeder angeforderte Schnitt saß auf eine Viertelsekunde genau.

Der Aufbau des MiniMax-H3-Prompts

Laut Model Card von MiniMax verarbeitet H3-Base den strukturierten Block und nennt den Rewrite-Schritt H3-Context-IR "critical to the quality of the final output". MiniMax macht die Struktur nie zur Pflicht, und die eigenen Beispiele nutzen auch schlichte Sätze.

• Eröffnungszeile (nur Bild zu Video und erstes plus letztes Bild): ein Satz, der die Bilder und ihre Zeitmarken nennt, danach eine Leerzeile; die erste Zeile des Prompts.

• integrated_multimodal_description: Shots mit Timecodes, Aktionen, Kamera, Sprecher und Dialog; das erste der drei Kernfelder.

• overall_soundscape: Umgebungs-, Aktions- und nichtsprachliche Geräusche, 1–4 englische Sätze; N/A nur, wenn völlige Stille gewünscht ist.

• non_diegetic_music: Musik, die nur das Publikum hört, 1–3 englische Sätze; N/A, wenn es solche Musik nicht gibt.

• Bei Bild zu Video ist die erste Zeile der feste Satz, der das Bild benennt, danach folgt eine Leerzeile.

• Jeder weitere Shot beginnt mit einem Timecode, etwa At 00:05.000, the camera cuts to ….

• Der erste Sprecher ist (S1), und jede Zeile steht in <d>[English] …</d>.

• Sichtbare Schilder und Beschriftungen kommen in englische doppelte Anführungszeichen.

• Geben Sie overall_soundscape 1–4 englische Sätze und non_diegetic_music 1–3. Schreiben Sie N/A nur, wenn Sie völlige Stille wollen, und nennen Sie in Shot 1 ein Stil-Label, etwa "Live-action, cinematic".

So sind die Clips entstanden

• Wir haben minimax-h3 am 28. Oktober 2026 über OmniaKey in 768P laufen lassen. Text-zu-Video-Clips sind 16:9; Bild-zu-Video-Clips übernehmen ihr Format vom ersten Bild.
• Die ersten Bilder kamen von GPT Image 2 mit 1536×1024 in medium-Qualität. Das letzte Bild des Tulpen-Clips ist eine Bearbeitung seines ersten Bilds.
• Jeder Clip brauchte 30 bis 50 Sekunden zum Rendern. Bei fünf gleichzeitigen Aufträgen wurde einer gedrosselt; einzeln gesendet lief er durch.
• Wir haben die Bilder zu festen Zeiten gelesen, gemessen, wo jeder Schnitt lag, wie lange jede Datei lief und wie laut sie war, und zwei Audiomodelle die Sprache transkribieren lassen.
• OmniaKey verkauft den API-Zugang zu MiniMax H3, deshalb liefen die Clips darüber. Die Preise unten sind die Listenpreise von MiniMax, nicht unsere.
• Quellen: die Prompt-Guides base und ref von MiniMax, geprüft am 28. Oktober 2026, und die Preisseite, geprüft am 26. Oktober 2026.

Wir haben pro Prompt einen Clip laufen lassen, behandeln Sie jedes Ergebnis also als eine einzelne Stichprobe.

Sieben Prompts mit echten Clips

1. Ein schlichter Satz und die strukturierte Version derselben Bäckerei

Dieselbe Bäckereiszene, zweimal geschrieben, zeigt, was die drei Felder hinzufügen.

Schlichter Satz:

A baker opens the shutters of his small street bakery before sunrise, puts a fresh loaf on the wooden counter and says "First batch of the morning." Then a close-up of steam rising from the sliced bread.

Auf Deutsch: Ein Bäcker öffnet vor Sonnenaufgang die Rollläden seiner kleinen Straßenbäckerei, legt einen frischen Laib auf die Theke und sagt "First batch of the morning."; danach folgt eine Nahaufnahme des Dampfs über dem aufgeschnittenen Brot.

Strukturierte Felder:

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: <d>[English] First batch of the morning.</d> [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.

overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.

Auf Deutsch: Dieselbe Szene, aufgeteilt in Shot 1 mit Aktion und Dialog, den Schnitt bei 5.00 Sekunden, die Umgebungsgeräusche und die Musik.

Einstellungen: text_to_video, 768P, 16:9, je 8 Sekunden.

Ergebnis: Die strukturierte Version schnitt pünktlich, die schlichte nicht, und ihr Ton ist leiser.

• Der strukturierte Clip schnitt bei 5.00 Sekunden, also zu der Zeit, die sein Prompt verlangt. Der schlichte Clip schnitt bei 6.54 Sekunden, wo keine Zeit verlangt war.
• Der schlichte Prompt hat keine Sound-Felder. Seine Spur liegt im Mittel bei −43.4 dB, die des strukturierten Clips bei −18.7 dB.
• Bei dem schlichten Clip waren sich die zwei Audiomodelle uneinig, und eines hörte Wörter, die im Prompt nicht stehen; deshalb zitieren wir für ihn keine gesprochene Zeile.

Was Sie ändern können:

• Geben Sie jedem Schnitt, den Sie brauchen, einen Timecode, auch in einem schlichten Prompt.
• Setzen Sie den Text jedes Schilds, das gelesen werden soll, in englische doppelte Anführungszeichen. Beide Bäckerei-Clips hatten Schilder ohne Anführungszeichen, und daraus wurden Buchstaben statt Wörtern.

2. Drei getaktete Shots, Schnitte bei 3.5 und 7 Sekunden

Der zweite Clip des Sets ist der Mehrshot-Test: drei Shots in einem Clip von 10 Sekunden, jeder Schnitt als Timecode geschrieben.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a small fishing harbor at dawn, where an old fisherman in a yellow raincoat coils a wet rope on a wooden pier. The camera pushes in with small amplitude at slow speed. [Shot 2] At 00:03.500, the camera cuts to a close-up of his weathered hands tying the rope to an iron cleat. [Shot 3] At 00:07.000, the shot cuts to a low-angle shot as three seagulls lift off the pier railing and the fisherman looks up, shading his eyes with one hand.

overall_soundscape: Small waves lap against the wooden posts while the rope creaks as it tightens. Seagulls cry overhead and their wings flap as they take off.

non_diegetic_music: N/A

Auf Deutsch: Eine Totale auf einen kleinen Fischerhafen im Morgengrauen, dann bei 3.50 Sekunden eine Nahaufnahme der Hände, die das Seil an einer Eisenklampe festmachen, und bei 7.00 Sekunden drei Möwen, die vom Geländer auffliegen.

Einstellungen: text_to_video, 768P, 16:9, 10 Sekunden; non_diegetic_music auf N/A.

Ergebnis: Der erste Schnitt saß, der zweite kam 0.25 Sekunden zu spät, und die Datei lief 10.13 Sekunden.

• Der Schnitt bei 3.50 Sekunden entspricht dem Prompt. Der Schnitt bei 7.25 Sekunden entspricht nicht den verlangten 7.00 Sekunden.
• Der Klampe-Shot ist bei 5.0 Sekunden im Bild, und die Möwen heben um 8.5 Sekunden ab.
• Die Spur liegt im Mittel bei −39.4 dB, und keines der beiden Audiomodelle hörte Sprache.

Was Sie ändern können:

• Wenn der zweite Schnitt genau bei 7.00 Sekunden liegen muss, beenden Sie Shot 2 eine Viertelsekunde früher.

3. Zwei Sprecher in einer Szene

Der vierte Clip des Sets hat zwei Sprecher mit je einer Zeile. Kling 3.0 schreibt Dialoge anders, für dieses Format gibt es den Kling-3.0-Prompt-Guide.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a tiny ramen counter at night under a red neon sign reading "OPEN UNTIL 2 AM". The cook, a middle-aged man with a deep, warm voice (S1), sets a steaming bowl in front of a young woman in a green jacket and says: <d>[English] One more bowl?</d> [Shot 2] At 00:04.000, the camera cuts to a close-up of the young woman with a bright, quick voice (S2), who lifts her chopsticks and says: <d>[English] Make it extra spicy.</d>

overall_soundscape: Broth simmers in a large pot and a ladle clinks against the rim. Light rain patters on the awning outside.

non_diegetic_music: N/A

Auf Deutsch: An einem winzigen Ramen-Tresen unter rotem Neonschild stellt der Koch einer jungen Frau eine dampfende Schale hin und sagt "One more bowl?"; bei 4.00 Sekunden hebt sie die Stäbchen und antwortet "Make it extra spicy.".

Einstellungen: text_to_video, 768P, 16:9, 8 Sekunden; non_diegetic_music auf N/A.

Ergebnis: Das Schild war lesbar und beide Zeilen kamen an, aber der Schnitt kam 0.08 Sekunden zu früh.

• Beide Audiomodelle transkribierten "One more bowl. Make it extra spicy." Wort für Wort.
• Der Koch serviert die Schale in Shot 1, und der Schnitt zur jungen Frau kommt bei 3.92 Sekunden.
• Das Schild zeigt in beiden geprüften Bildern von Shot 1 OPEN UNTIL 2 AM.

Was Sie ändern können:

• Setzen Sie jedes Schild, das gelesen werden soll, in Anführungszeichen, nicht nur eines. Das eine Schild mit Anführungszeichen kam in diesem Clip richtig heraus.

4. Bild zu Video: Das erste Bild legt den Look fest

Der fünfte Clip startet mit einem Standbild, das wir mit GPT Image 2 in 1536×1024 erstellt haben: eine Frau am Töpferrad in einem Studio mit Fensterlicht. Für Standbilder beginnt man am besten mit dem GPT-Image-2-Prompt-Guide.

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, the woman shown in <Picture 1> stays seated at the pottery wheel, preserving her short black hair, denim apron, the grey clay and the studio shelves behind her. The wheel starts to spin and she presses her thumbs into the clay, opening it and drawing the walls upward into a tall cylinder. The camera pushes in with small amplitude at slow speed toward her hands. She looks up and smiles, and the woman with a calm, low voice (S1) says: <d>[English] Almost there.</d>

overall_soundscape: The wheel motor hums steadily and wet clay squelches under her fingers. Water drips softly into the splash pan.

non_diegetic_music: N/A

Auf Deutsch: Die Frau aus dem Bild bleibt am Töpferrad, das Rad dreht sich, sie öffnet den Ton und zieht ihn zu einem hohen Zylinder hoch, und am Ende blickt sie auf, lächelt und sagt "Almost there.".

Einstellungen: image_to_video, 768P, 6 Sekunden angefordert, erstes Bild, kein Seitenverhältnis.

Ergebnis: Die Frau behielt ihr Aussehen vom ersten Bild, und der Ton wuchs zu einer höheren Form.

• Haare, Schürze und Regale im Studio stimmen in jedem geprüften Bild mit dem Standbild überein.
• Der Ton ist bei 2.0 Sekunden ein Kegel und bei 4.0 Sekunden eine hohe Form mit weit geöffneter Mündung. Bei 6.4 Sekunden lächelt sie.
• Vier Audiomodelle hörten "Almost there.".
• Die Datei läuft 6.58 Sekunden, nicht 6.

Was Sie ändern können:

• Planen Sie einen 6-Sekunden-Clip für Bild zu Video mit etwa 6.6 Sekunden.

5. Erstes und letztes Bild: eine Tulpe öffnet sich

Der siebte Clip hat ein erstes und ein letztes Bild, beide Standbilder. Das erste ist eine geschlossene rote Tulpenknospe in einer Glasvase; das letzte ist eine Bearbeitung davon mit geöffneter Blüte.

How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 6.00-second mark of the target video.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a static shot begins with the closed red tulip bud in the glass vase established by Picture 1. In soft morning light the outer petals loosen and curl outward one by one, the bud widens, and the inner petals part to reveal the yellow center, until the flower settles into the fully open shape, composition and lighting established by Picture 2 at the end of the shot.

overall_soundscape: Quiet room ambience with faint birdsong outside the window.

non_diegetic_music: Sparse piano notes at a slow tempo.

Auf Deutsch: Eine statische Einstellung beginnt bei der geschlossenen Knospe aus Picture 1, die Blütenblätter lösen sich eines nach dem anderen, bis das gelbe Innere sichtbar wird, und am Ende steht die Blüte in Form und Komposition von Picture 2.

Einstellungen: image_to_video mit first_frame und last_frame, 768P, 6 Sekunden angefordert.

Ergebnis: Die Knospe öffnete sich bis zum letzten Bild, die Kamera blieb still und die Vase unverändert.

• Die Blütenblätter sind bei 3.0 Sekunden halb offen und bei 6.5 Sekunden ganz offen, passend zum letzten Bild.
• Beide Audiomodelle hörten Soloklavier, und keines hörte Sprache.
• Die Datei läuft 6.58 Sekunden, und die Spur liegt im Mittel bei −26.0 dB.

Was Sie ändern können:

• Für eine langsamere Öffnung hilft ein längerer Clip. Wir haben nur eine Version mit 6 Sekunden laufen lassen.

6. Stille: beide Sound-Felder auf N/A

Der sechste Clip prüft, was N/A bewirkt: beide Sound-Felder auf N/A, dazu ein Fuchs, der durch Schnee läuft.

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a red fox walking slowly across fresh snow in a pine forest at first light. The camera tracks the fox at slow speed as it stops, lifts its head and looks toward the camera.

overall_soundscape: N/A

non_diegetic_music: N/A

Auf Deutsch: Eine Totale auf einen Rotfuchs, der im Morgengrauen durch frischen Schnee in einem Kiefernwald läuft; die Kamera folgt ihm, bis er stehen bleibt, den Kopf hebt und zur Kamera blickt. Umgebung und Musik stehen auf N/A.

Einstellungen: text_to_video, 768P, 16:9, 6 Sekunden angefordert; beide Sound-Felder auf N/A.

Ergebnis: Der Clip ist fast stumm, aber nicht stumm.

• Die Spur liegt im Mittel bei −57.8 dB und erreicht Spitzen von −38.2 dB.
• Bei diesem Pegel sind die Transkripte der Audiomodelle nicht verlässlich, deshalb nennen wir für diesen Clip keine Geräusche.
• Die Datei läuft 6.58 Sekunden.

Was Sie ändern können:

• Setzen Sie N/A in overall_soundscape nur, wenn Sie völlige Stille wollen, wie der Guide es sagt.

Häufige Fehler und Korrekturen

Das stammt aus unseren eigenen Clips, nicht aus dem Guide. Die Abschnittsnummern verweisen auf die Prompts oben.

Was ein Clip kostet

MiniMax rechnet nach Ausgabesekunden zu seinen Listenpreisen ab.

Ein 10-Sekunden-Clip kostet $0.80 in 768P und $1.30 in 2K, gerechnet mit denselben Sätzen. Zusätzliche Eingabebilder kosten je $0.04, die ersten 5 pro Aufgabe sind frei. H3-Context-IR, der optionale Rewrite-Aufruf, wird nach Tokens abgerechnet; seine Beispielantwort meldet 9,090 Tokens insgesamt.

Listenpreise von MiniMax, geprüft am 26. Oktober 2026. Die Preise von OmniaKey stehen auf der Modellseite MiniMax H3, und der Aufrufablauf im API-Guide zu MiniMax H3.

Diese Prompts über die API starten

Diese Anfrage sendet den Hafen-Prompt aus Abschnitt 2. Leerzeilen im Prompt werden im JSON zu \n.

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: harbor-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "minimax-h3",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot frames a small fishing harbor at dawn, where an old fisherman in a yellow raincoat coils a wet rope on a wooden pier. The camera pushes in with small amplitude at slow speed. [Shot 2] At 00:03.500, the camera cuts to a close-up of his weathered hands tying the rope to an iron cleat. [Shot 3] At 00:07.000, the shot cuts to a low-angle shot as three seagulls lift off the pier railing and the fisherman looks up, shading his eyes with one hand.\n\noverall_soundscape: Small waves lap against the wooden posts while the rope creaks as it tightens. Seagulls cry overhead and their wings flap as they take off.\n\nnon_diegetic_music: N/A"},
  "parameters": {"resolution": "768P", "duration": 10, "aspect_ratio": "16:9"}
}
JSON

1. Die Antwort ist 202 mit einer Task-ID.
2. Fragen Sie https://api.omniakey.com/v1/media/tasks/{id} mit dieser ID ab, bis status final ist. Unsere Clips brauchten 30 bis 50 Sekunden. Dieselbe ID und derselbe Body ergeben dieselbe Aufgabe.
3. Laden Sie die Datei von assets[0].url. Der Link ist signiert und gilt etwa eine Stunde; fragen Sie neu ab, wenn er abläuft.

Für Bild zu Video setzen Sie operation auf image_to_video und legen das Standbild in input.media mit type first_frame ab, als HTTPS-URL oder als Data-URI. Der gesamte Anfrage-Body ist auf 1 MiB begrenzt, inklusive inline Base64. Die Modellseite und die Video-API-Dokumentation decken den Rest ab.

Häufige Fragen

Braucht MiniMax H3 das strukturierte Format?

Nein. MiniMax macht die Struktur nie zur Pflicht, und H3-Context-IR, der bezahlte Rewrite-Schritt, wandelt normale Eingaben in den strukturierten Block um. Unser Clip mit dem schlichten Satz ergab trotzdem ein Video, nur saß sein Schnitt nicht.

Wie lang darf ein H3-Prompt sein?

Das Limit liegt bei 7,000 Zeichen pro Textelement. Der strukturierte Bäckerei-Prompt oben bleibt weit darunter.

Kann ich H3-Prompts auf Chinesisch schreiben?

MiniMax nennt 11 Sprachen mit stabiler Dialogunterstützung, Chinesisch darunter, veröffentlicht aber keine Liste für den Prompt-Text selbst. Der Guide verlangt die sechs Rewrite-Abschnitte auf Englisch und lässt Dialoge in ihrer eigenen Sprache, und unsere Prompts waren auf Englisch.

Kann ich den Ton in H3 abschalten?

MiniMax dokumentiert keine Stummschaltung. N/A in beiden Sound-Feldern ergab in unserem Test einen fast stummen Clip, und der Guide erlaubt N/A in overall_soundscape nur, wenn völlige Stille gewünscht ist.

Warum kam mein Schild als Buchstabensalat heraus?

Schilder ohne Anführungszeichen kamen in unseren Clips als unlesbare Buchstaben heraus. Der Guide verlangt sichtbaren Schildtext in englischen doppelten Anführungszeichen, und das eine Schild mit Anführungszeichen, das wir laufen ließen, war lesbar.

Änderungsprotokoll

• 28. Oktober 2026: erste Version, sieben Prompts am selben Tag gelaufen.