Guide des prompts MiniMax H3 : structure, exemples et vrais clips

Un prompt H3 a trois champs : integrated_multimodal_description pour l'image et les plans minutés, overall_soundscape pour l'ambiance et non_diegetic_music pour la musique que seul le public entend. Placez At 00:05.000, the camera cuts to … avant chaque plan suivant, marquez les locuteurs comme (S1) et (S2) et entourez chaque ligne de <d>[English] …</d>. Nous avons lancé sept prompts le 28 octobre 2026, et chaque coupe demandée est tombée à un quart de seconde près.

La structure du prompt MiniMax H3

La fiche modèle de MiniMax indique que H3-Base consomme le bloc structuré et qualifie son étape de réécriture, H3-Context-IR, de "critical to the quality of the final output". MiniMax ne rend jamais la structure obligatoire, et ses propres exemples utilisent aussi des phrases simples.

• Ligne d'ouverture (image vers vidéo et première et dernière image seulement): une phrase qui nomme les images et leurs repères de temps, puis une ligne vide; la première ligne du prompt.

• integrated_multimodal_description: des plans avec codes de temps, actions, caméra, locuteurs et dialogue; le premier des trois champs principaux.

• overall_soundscape: sons d'ambiance, d'action et non verbaux, 1–4 phrases en anglais; N/A seulement quand on demande le silence total.

• non_diegetic_music: musique que seul le public entend, 1–3 phrases en anglais; N/A quand cette musique n'existe pas.

• En image vers vidéo, la première ligne est la phrase fixe qui nomme l'image, suivie d'une ligne vide.

• Chaque plan suivant commence par un code de temps, par exemple At 00:05.000, the camera cuts to ….

• Le premier locuteur est (S1), et chaque ligne tient dans <d>[English] …</d>.

• Les panneaux et étiquettes visibles vont entre guillemets doubles anglais.

• Donnez 1–4 phrases en anglais à overall_soundscape et 1–3 à non_diegetic_music. Écrivez N/A seulement quand vous voulez le silence total, et nommez une étiquette de style dans le plan 1, par exemple "Live-action, cinematic".

Comment nous avons fait les clips

• Nous avons lancé minimax-h3 en 768P via OmniaKey le 28 octobre 2026. Les clips texte vers vidéo sont en 16:9 ; les clips image vers vidéo prennent leur forme de la première image.
• Les premières images viennent de GPT Image 2 en 1536×1024, qualité medium. La dernière image du clip de la tulipe est une retouche de sa première image.
• Chaque clip a demandé 30 à 50 secondes de rendu. En envoyant cinq tâches d'un coup, une a été limitée en débit ; envoyée seule, elle est passée.
• Nous avons lu les images à des instants fixes, mesuré où tombait chaque coupe, la durée de chaque fichier et son niveau sonore, et fait transcrire la parole par deux modèles audio.
• OmniaKey vend l'accès API à MiniMax H3, donc les clips sont passés par là. Les prix ci-dessous sont ceux du tarif public de MiniMax, pas les nôtres.
• Sources : les guides de prompts base et ref de MiniMax, vérifiés le 28 octobre 2026, et sa page de tarifs, vérifiée le 26 octobre 2026.

Un clip par prompt : chaque résultat est donc un seul échantillon.

Sept prompts et de vrais clips

1. Une phrase simple et la version structurée de la même boulangerie

La même scène de boulangerie, écrite de deux façons, montre ce qu'ajoutent les trois champs.

Phrase simple :

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 français : un boulanger ouvre les volets de sa petite boulangerie avant le lever du soleil, pose un pain frais sur le comptoir en bois et dit "First batch of the morning.", puis un gros plan sur la vapeur qui monte du pain tranché.

Champs structurés :

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 français : la même scène répartie entre le plan 1 avec son action et son dialogue, la coupe à 5.00 secondes, l'ambiance sonore et la musique.

Réglages : text_to_video, 768P, 16:9, 8 secondes chacun.

Résultat : la version structurée a coupé à l'heure ; la version simple non, et son son est plus faible.

• Le clip structuré a coupé à 5.00 secondes, l'instant que demande son prompt. Le clip simple a coupé à 6.54 secondes, là où aucun instant n'était demandé.
• Le prompt simple n'a pas de champs de son. Sa piste fait −43.4 dB en moyenne, contre −18.7 dB pour le clip structuré.
• Les deux modèles audio ne sont pas d'accord sur le clip simple, et l'un a entendu des mots absents du prompt : nous ne citons donc aucune réplique pour ce clip.

Ce qu'il faut changer :

• Essayez un code de temps pour chaque coupe dont vous avez besoin, même dans un prompt simple.
• Essayez de mettre entre guillemets doubles anglais le texte des panneaux que vous voulez faire lire. Les deux clips de boulangerie avaient des panneaux sans guillemets, et ils sont sortis en lettres, pas en mots.

2. Trois plans minutés, coupes à 3.5 et 7 secondes

Le deuxième clip du lot est le test multi-plans : trois plans dans un clip de 10 secondes, chaque coupe écrite en code de temps.

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 français : un plan large sur un petit port de pêche à l'aube, une coupe à 3.50 secondes sur les mains du pêcheur qui amarrent la corde à un taquet, puis 7.00 secondes sur trois mouettes qui s'envolent.

Réglages : text_to_video, 768P, 16:9, 10 secondes ; non_diegetic_music en N/A.

Résultat : la première coupe est tombée à l'heure, la deuxième 0.25 seconde trop tard, et le fichier dure 10.13 secondes.

• La coupe à 3.50 secondes correspond au prompt. Celle à 7.25 secondes ne correspond pas aux 7.00 secondes demandées.
• Le plan du taquet est à l'écran à 5.0 secondes, et les mouettes décollent vers 8.5 secondes.
• La piste fait −39.4 dB en moyenne, et aucun des deux modèles audio n'a entendu de parole.

Ce qu'il faut changer :

• Si la deuxième coupe doit tomber à 7.00 secondes, essayez de terminer le plan 2 un quart de seconde plus tôt.

3. Deux locuteurs dans une scène

Le quatrième clip du lot a deux locuteurs, chacun avec une réplique. Kling 3.0 écrit le dialogue autrement : pour ce format, voyez le guide de prompts 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 français : dans un minuscule comptoir de ramen sous une enseigne néon rouge, le cuisinier pose un bol fumant devant une jeune femme et demande "One more bowl?" ; à 4.00 secondes, elle lève ses baguettes et répond "Make it extra spicy.".

Réglages : text_to_video, 768P, 16:9, 8 secondes ; non_diegetic_music en N/A.

Résultat : le panneau s'est bien lu et les deux répliques sont passées, mais la coupe est arrivée 0.08 seconde trop tôt.

• Les deux modèles audio ont transcrit "One more bowl. Make it extra spicy." mot pour mot.
• Le cuisinier sert le bol dans le plan 1, et la coupe vers la jeune femme arrive à 3.92 secondes.
• Le panneau affiche OPEN UNTIL 2 AM sur les deux images du plan 1 que nous avons vérifiées.

Ce qu'il faut changer :

• Essayez de mettre entre guillemets tous les panneaux à faire lire, pas un seul. Le seul panneau entre guillemets de ce clip est sorti correctement.

4. Image vers vidéo : la première image fixe l'allure

Le cinquième clip part d'une image fixe que nous avons créée avec GPT Image 2 en 1536×1024 : une femme devant un tour de potier dans un atelier éclairé par une fenêtre. Pour les images fixes, commencez par le guide de prompts 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 français : la femme de l'image reste au tour, la roue tourne, elle ouvre l'argile et la monte en un haut cylindre, puis lève les yeux, sourit et dit "Almost there.".

Réglages : image_to_video, 768P, 6 secondes demandées, première image, sans format d'image.

Résultat : la femme a gardé son allure de la première image, et l'argile est montée en une forme plus haute.

• Ses cheveux, son tablier et les étagères de l'atelier correspondent à l'image fixe sur chaque image vérifiée.
• L'argile est un cône à 2.0 secondes et une forme haute à 4.0 secondes. À 6.4 secondes, elle sourit.
• Quatre modèles audio ont entendu "Almost there.".
• Le fichier dure 6.58 secondes, pas 6.

Ce qu'il faut changer :

• Essayez de prévoir un clip image vers vidéo de 6 secondes comme environ 6.6 secondes.

5. Première et dernière image : une tulipe s'ouvre

Le septième clip a une première et une dernière image, toutes deux fixes. La première est un bouton de tulipe rouge fermé dans un vase en verre ; la dernière est une retouche de celle-ci, avec la fleur ouverte.

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 français : un plan fixe qui part du bouton fermé de Picture 1, ouvre les pétales un à un jusqu'à laisser voir le cœur jaune, et se termine sur la forme ouverte et la composition de Picture 2.

Réglages : image_to_video avec first_frame et last_frame, 768P, 6 secondes demandées.

Résultat : le bouton s'est ouvert jusqu'à la dernière image, caméra immobile et vase inchangé.

• Les pétales sont à moitié ouverts à 3.0 secondes et complètement ouverts à 6.5 secondes, comme sur la dernière image.
• Les deux modèles audio ont entendu du piano solo, et aucun n'a entendu de parole.
• Le fichier dure 6.58 secondes, et la piste fait −26.0 dB en moyenne.

Ce qu'il faut changer :

• Pour une ouverture plus lente, essayez un clip plus long. Nous n'avons lancé qu'une version de 6 secondes.

6. Silence : les deux champs de son en N/A

Le sixième clip teste ce que fait N/A : les deux champs de son en N/A, avec un renard qui traverse la neige.

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 français : un plan large sur un renard roux qui marche lentement dans la neige fraîche d'une forêt de pins à l'aube ; la caméra le suit quand il s'arrête, lève la tête et regarde vers la caméra. L'ambiance et la musique sont en N/A.

Réglages : text_to_video, 768P, 16:9, 6 secondes demandées ; les deux champs de son en N/A.

Résultat : le clip est presque muet, mais pas muet.

• La piste fait −57.8 dB en moyenne et culmine à −38.2 dB.
• À ce niveau, les transcriptions des modèles audio ne sont pas fiables : nous ne donnons donc aucun son pour ce clip.
• Le fichier dure 6.58 secondes.

Ce qu'il faut changer :

• N'utilisez N/A dans overall_soundscape que pour obtenir le silence total, comme le dit le guide.

Les ratés fréquents et leurs correctifs

Ces cas viennent de nos propres clips, pas du guide. Les numéros de section renvoient aux prompts ci-dessus.

Combien coûte un clip

MiniMax facture à la seconde de sortie, à ses tarifs publics.

Un clip de 10 secondes coûte $0.80 en 768P et $1.30 en 2K, calculé avec les mêmes tarifs. Chaque image d'entrée supplémentaire coûte $0.04, et les 5 premières par tâche sont gratuites. H3-Context-IR, l'appel de réécriture optionnel, est facturé au token ; sa réponse d'exemple annonce 9,090 tokens au total.

Tarifs publics de MiniMax, vérifiés le 26 octobre 2026. Les tarifs d'OmniaKey sont sur la page du modèle MiniMax H3, et le déroulé de l'appel dans le guide de l'API MiniMax H3.

Lancer ces prompts par l'API

Cette requête envoie le prompt du port de la section 2. Les lignes vides du prompt deviennent \n dans le 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 réponse est 202 avec un id de tâche.
2. Interrogez https://api.omniakey.com/v1/media/tasks/{id} avec cet id jusqu'à ce que status soit final. Nos clips ont pris 30 à 50 secondes. Renvoyer la même clé et le même corps donne la même tâche.
3. Téléchargez le fichier depuis assets[0].url. Ce lien est signé et vaut environ une heure : interrogez de nouveau s'il expire.

Pour l'image vers vidéo, mettez operation sur image_to_video et placez l'image fixe dans input.media avec type first_frame, en URL HTTPS ou en data URI. Le corps complet de la requête est plafonné à 1 MiB, Base64 en ligne compris. La page du modèle et la documentation de l'API vidéo couvrent le reste.

Questions fréquentes

MiniMax H3 exige-t-il le format structuré ?

Non. MiniMax ne rend jamais la structure obligatoire, et H3-Context-IR, son étape de réécriture payante, transforme une entrée simple en bloc structuré. Notre clip en phrase simple a quand même produit une vidéo, mais sa coupe n'était pas minutée.

Quelle longueur peut faire un prompt H3 ?

La limite est de 7,000 caractères par élément de texte. Le prompt structuré de la boulangerie ci-dessus reste bien en dessous.

Peut-on écrire des prompts H3 en chinois ?

MiniMax liste 11 langues avec un dialogue stable, le chinois compris, mais ne publie pas de liste de langues pour le texte du prompt. Le guide demande les six sections de réécriture en anglais et laisse le dialogue dans sa langue, et nos prompts étaient en anglais.

Peut-on couper le son dans H3 ?

MiniMax ne documente aucun réglage de sourdine. Mettre N/A dans les deux champs de son a donné un clip presque muet dans notre test, et le guide n'autorise N/A dans overall_soundscape que pour obtenir le silence total.

Pourquoi mon panneau est-il sorti illisible ?

Les panneaux non mis entre guillemets sont sortis en lettres illisibles dans nos clips. Le guide demande le texte visible des panneaux entre guillemets doubles anglais, et le seul panneau entre guillemets que nous avons lancé s'est bien lu.

Journal des mises à jour

• 28 octobre 2026 : première version, sept prompts lancés le même jour.