Guía de prompts de MiniMax H3: estructura, ejemplos y clips reales

Un prompt de H3 tiene tres campos: integrated_multimodal_description para la imagen y los planos cronometrados, overall_soundscape para el ambiente y non_diegetic_music para la música que solo oye el espectador. Pon At 00:05.000, the camera cuts to … antes de cada plano posterior, marca a los hablantes como (S1) y (S2) y envuelve cada línea en <d>[English] …</d>. Ejecutamos siete prompts el 28 de octubre de 2026 y todos los cortes que pedimos llegaron dentro de un cuarto de segundo.

La estructura del prompt de MiniMax H3

La ficha del modelo de MiniMax dice que H3-Base consume el bloque estructurado y califica su paso de reescritura, H3-Context-IR, como "critical to the quality of the final output". MiniMax nunca hace obligatoria la estructura y sus propios ejemplos también usan frases normales.

• Línea inicial (solo imagen a vídeo y primer y último fotograma): una frase con los fotogramas y sus marcas de tiempo, y después una línea en blanco; la primera línea del prompt.

• integrated_multimodal_description: planos con códigos de tiempo, acciones, cámara, hablantes y diálogo; el primero de los tres campos centrales.

• overall_soundscape: sonidos de ambiente, de acción y no verbales, 1–4 frases en inglés; N/A solo cuando se pide silencio total.

• non_diegetic_music: música que solo oye el público, 1–3 frases en inglés; N/A cuando no hay esa música.

• En imagen a vídeo, la primera línea es la frase fija que nombra el fotograma y después va una línea en blanco.

• Cada plano posterior empieza con un código de tiempo, por ejemplo At 00:05.000, the camera cuts to ….

• El primer hablante es (S1) y cada línea va dentro de <d>[English] …</d>.

• Los carteles y etiquetas visibles van entre comillas dobles inglesas.

• Da 1–4 frases en inglés a overall_soundscape y 1–3 a non_diegetic_music. Escribe N/A solo cuando quieras silencio total y pon una etiqueta de estilo en el plano 1, como "Live-action, cinematic".

Cómo hicimos los clips

• Ejecutamos minimax-h3 a 768P a través de OmniaKey el 28 de octubre de 2026. Los clips de texto a vídeo son 16:9; los de imagen a vídeo toman su forma del primer fotograma.
• Los primeros fotogramas salieron de GPT Image 2 a 1536×1024, calidad medium. El último fotograma del clip del tulipán es una edición de su primer fotograma.
• Cada clip tardó de 30 a 50 segundos en renderizarse. Cuando enviamos cinco tareas a la vez, una quedó limitada por velocidad; enviada sola, se renderizó.
• Leímos los fotogramas en momentos fijos, medimos dónde caía cada corte, cuánto duraba cada archivo y su volumen, y pedimos a dos modelos de audio que transcribieran el habla.
• OmniaKey vende acceso por API a MiniMax H3, así que ejecutamos los clips a través de él. Los precios de abajo son las tarifas de lista de MiniMax, no las nuestras.
• Fuentes: las guías de prompts base y ref de MiniMax, revisadas el 28 de octubre de 2026, y su página de precios, revisada el 26 de octubre de 2026.

Ejecutamos un clip por prompt, así que toma cada resultado como una sola muestra.

Siete prompts con clips reales

1. Una frase normal y la versión estructurada de la misma panadería

La misma escena de panadería, escrita de dos maneras, muestra qué añaden los tres campos.

Frase normal:

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.

En español: se pide un panadero que abre la persiana de su pequeña panadería antes del amanecer, coloca un pan recién hecho en el mostrador de madera y dice "First batch of the morning.", y después un primer plano del vapor que sube del pan cortado.

Campos estructurados:

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.

En español: la misma escena repartida en el plano 1 con su acción y su diálogo, el corte a los 5.00 segundos, el sonido ambiente y la música.

Ajustes: text_to_video, 768P, 16:9, 8 segundos cada uno.

Resultado: la versión estructurada cortó a tiempo; la normal no, y su sonido es más bajo.

• El clip estructurado cortó a los 5.00 segundos, el momento que pide su prompt. El normal cortó a los 6.54 segundos, donde no se pedía ninguna hora.
• El prompt normal no tiene campos de sonido. Su pista da −43.4 dB de media, frente a −18.7 dB del clip estructurado.
• Los dos modelos de audio no coincidieron en el clip normal y uno oyó palabras que el prompt no contiene, así que no citamos ninguna frase hablada de ese clip.

Qué cambiar:

• Prueba un código de tiempo para cada corte que necesites, incluso en un prompt normal.
• Prueba a poner entre comillas dobles inglesas el texto de los carteles que quieras que se lea. Los dos clips de panadería tenían carteles sin comillas y salieron como letras, no como palabras.

2. Tres planos cronometrados, cortes a los 3.5 y 7 segundos

El segundo clip del conjunto es la prueba de varios planos: tres planos en un clip de 10 segundos, con cada corte escrito como código de tiempo.

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

En español: un plano general de un pequeño puerto pesquero al amanecer, un corte a los 3.50 segundos a las manos del pescador que ata la cuerda a una cornamusa y otro a los 7.00 segundos, cuando tres gaviotas levantan el vuelo.

Ajustes: text_to_video, 768P, 16:9, 10 segundos; non_diegetic_music en N/A.

Resultado: el primer corte llegó a tiempo, el segundo llegó 0.25 segundos tarde y el archivo duró 10.13 segundos.

• El corte a los 3.50 segundos coincide con el prompt. El corte a los 7.25 segundos no coincide con los 7.00 segundos que pide.
• El plano de la cornamusa ya está en pantalla a los 5.0 segundos y las gaviotas despegan hacia los 8.5 segundos.
• La pista da −39.4 dB de media y ninguno de los dos modelos de audio oyó habla.

Qué cambiar:

• Si el segundo corte tiene que caer a los 7.00 segundos, prueba a terminar el plano 2 un cuarto de segundo antes.

3. Dos hablantes en una escena

El cuarto clip del conjunto tiene dos hablantes, cada uno con una frase. Kling 3.0 escribe el diálogo de otra forma, así que para ese formato está la guía de prompts de Kling 3.0.

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

En español: en un pequeño puesto de ramen con un cartel de neón rojo, el cocinero le pone un cuenco humeante a una joven y le pregunta "One more bowl?"; a los 4.00 segundos, ella levanta los palillos y responde "Make it extra spicy.".

Ajustes: text_to_video, 768P, 16:9, 8 segundos; non_diegetic_music en N/A.

Resultado: el cartel se leyó bien y las dos frases salieron, pero el corte llegó 0.08 segundos antes.

• Los dos modelos de audio transcribieron "One more bowl. Make it extra spicy." palabra por palabra.
• El cocinero sirve el cuenco en el plano 1 y el corte a la joven llega a los 3.92 segundos.
• El cartel se lee OPEN UNTIL 2 AM en los dos fotogramas del plano 1 que revisamos.

Qué cambiar:

• Prueba a entrecomillar todos los carteles que quieras que se lean, no solo uno. El único cartel entrecomillado de este clip salió bien.

4. Imagen a vídeo: el primer fotograma fija el aspecto

El quinto clip parte de una imagen fija que hicimos con GPT Image 2 a 1536×1024: una mujer ante un torno de alfarero en un estudio con luz de ventana. Para las imágenes fijas, empieza por la guía de prompts de GPT Image 2.

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

En español: la mujer de la imagen se queda en el torno, el torno gira, ella abre el barro y lo sube hasta formar un cilindro alto, y al final levanta la vista, sonríe y dice "Almost there.".

Ajustes: image_to_video, 768P, 6 segundos pedidos, primer fotograma, sin relación de aspecto.

Resultado: la mujer mantuvo su aspecto del primer fotograma y el barro subió hasta una forma más alta.

• Su pelo, su delantal y las estanterías del estudio coinciden con la imagen fija en todos los fotogramas que revisamos.
• El barro es un cono a los 2.0 segundos y una forma alta con la boca abierta a los 4.0 segundos. A los 6.4 segundos ella sonríe.
• Cuatro modelos de audio oyeron "Almost there.".
• El archivo dura 6.58 segundos, no 6.

Qué cambiar:

• Prueba a planificar un clip de imagen a vídeo de 6 segundos como unos 6.6 segundos.

5. Primer y último fotograma: se abre un tulipán

El séptimo clip tiene primer y último fotograma, los dos imágenes fijas. El primero es un capullo rojo cerrado en un jarrón de cristal; el último es una edición de ese mismo con la flor abierta.

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.

En español: un plano fijo que arranca en el capullo cerrado del Picture 1, abre los pétalos uno a uno hasta mostrar el centro amarillo y termina en la forma abierta y la composición del Picture 2.

Ajustes: image_to_video con first_frame y last_frame, 768P, 6 segundos pedidos.

Resultado: el capullo se abrió hasta el último fotograma, con la cámara quieta y el jarrón intacto.

• Los pétalos están medio abiertos a los 3.0 segundos y del todo abiertos a los 6.5 segundos, igual que el último fotograma.
• Los dos modelos de audio oyeron piano solo y ninguno oyó habla.
• El archivo dura 6.58 segundos y la pista da −26.0 dB de media.

Qué cambiar:

• Para una apertura más lenta, prueba un clip más largo. Solo ejecutamos una versión de 6 segundos.

6. Silencio: los dos campos de sonido en N/A

El sexto clip prueba qué hace N/A: los dos campos de sonido en N/A y un zorro que camina por la nieve.

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

En español: un plano general de un zorro rojo que cruza nieve recién caída en un pinar al amanecer; la cámara lo sigue mientras se detiene, levanta la cabeza y mira hacia la cámara. El ambiente y la música están en N/A.

Ajustes: text_to_video, 768P, 16:9, 6 segundos pedidos; los dos campos de sonido en N/A.

Resultado: el clip es casi mudo, pero no mudo.

• La pista da −57.8 dB de media y un pico de −38.2 dB.
• A ese nivel las transcripciones de los modelos de audio no son fiables, así que no damos sonidos para este clip.
• El archivo dura 6.58 segundos.

Qué cambiar:

• Usa N/A en overall_soundscape solo cuando quieras silencio total, como dice la guía.

Fallos habituales y cómo corregirlos

Estos casos vienen de nuestros propios clips, no de la guía. Los números de sección remiten a los prompts de arriba.

Cuánto cuesta un clip

MiniMax cobra por segundo de salida según sus tarifas de lista.

Un clip de 10 segundos cuesta $0.80 a 768P y $1.30 a 2K, calculado con las mismas tarifas. Cada imagen de entrada adicional cuesta $0.04 y las 5 primeras por tarea son gratis. H3-Context-IR, la llamada de reescritura opcional, se cobra por tokens; su respuesta de ejemplo informa 9,090 tokens en total.

Tarifas de lista de MiniMax, revisadas el 26 de octubre de 2026. Las tarifas de OmniaKey están en la página del modelo MiniMax H3, y el flujo de llamada, en la guía de la API de MiniMax H3.

Ejecuta estos prompts desde la API

Esta petición envía el prompt del puerto de la sección 2. Las líneas en blanco del prompt se convierten en \n dentro del JSON.

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. La respuesta es 202 con un id de tarea.
2. Consulta https://api.omniakey.com/v1/media/tasks/{id} con ese id hasta que status sea final. Nuestros clips tardaron de 30 a 50 segundos. Si envías la misma clave y el mismo cuerpo otra vez, recibes la misma tarea.
3. Descarga el archivo desde assets[0].url. Ese enlace va firmado y dura alrededor de una hora, así que vuelve a consultar si caduca.

Para imagen a vídeo, pon operation en image_to_video y la imagen fija en input.media con type first_frame, como URL HTTPS o como data URI. El cuerpo completo de la petición está limitado a 1 MiB, incluido el Base64 en línea. La página del modelo y la documentación de la API de vídeo cubren el resto.

Preguntas frecuentes

¿MiniMax H3 necesita el formato estructurado?

No. MiniMax nunca hace obligatoria la estructura y H3-Context-IR, su paso de reescritura de pago, convierte la entrada normal en el bloque estructurado. Nuestro clip de frase normal también produjo un vídeo, pero su corte no estaba cronometrado.

¿Cuánto puede medir un prompt de H3?

El límite es de 7,000 caracteres por elemento de texto. El prompt estructurado de la panadería de arriba está muy por debajo.

¿Puedo escribir prompts de H3 en chino?

MiniMax enumera 11 idiomas con soporte estable de diálogo, entre ellos el chino, pero no publica una lista de idiomas para el texto del prompt. La guía pide las seis secciones de reescritura en inglés y deja el diálogo en su propio idioma, y nuestros prompts estaban en inglés.

¿Puedo quitar el sonido en H3?

MiniMax no documenta ningún ajuste de silencio. Poner N/A en los dos campos de sonido dio un clip casi mudo en nuestra prueba, y la guía permite N/A en overall_soundscape solo cuando quieres silencio total.

¿Por qué mi cartel salió ilegible?

Los carteles que el prompt no entrecomilló salieron como letras ilegibles en nuestros clips. La guía pide el texto visible de los carteles entre comillas dobles inglesas, y el único cartel entrecomillado que ejecutamos se leyó bien.

Registro de cambios

• 28 de octubre de 2026: primera versión, siete prompts ejecutados el mismo día.