Panduan prompt MiniMax H3: struktur, contoh, dan klip asli

Prompt H3 punya tiga bidang: integrated_multimodal_description untuk gambar dan shot ber-timecode, overall_soundscape untuk ambience, dan non_diegetic_music untuk musik yang hanya didengar penonton. Tulis At 00:05.000, the camera cuts to … sebelum setiap shot berikutnya, tandai pembicara sebagai (S1) dan (S2), dan bungkus setiap baris dalam <d>[English] …</d>. Kami menjalankan tujuh prompt pada 28 Oktober 2026, dan setiap potongan yang diminta datang dalam selisih seperempat detik.

Struktur prompt MiniMax H3

Kartu model MiniMax menyebut H3-Base menerima blok terstruktur dan menyebut langkah penulisannya, H3-Context-IR, sebagai "critical to the quality of the final output". MiniMax tidak pernah mewajibkan struktur itu, dan contoh-contohnya sendiri juga memakai kalimat biasa.

• Baris pembuka (hanya gambar ke video dan frame pertama serta terakhir): satu kalimat yang menyebut gambar dan penanda waktunya, lalu satu baris kosong; baris pertama prompt.

• integrated_multimodal_description: shot dengan timecode, aksi, kamera, pembicara dan dialog; bidang pertama dari tiga bidang utama.

• overall_soundscape: suara ambience, aksi dan non-verbal, 1–4 kalimat bahasa Inggris; N/A hanya saat meminta senyap total.

• non_diegetic_music: musik yang hanya didengar penonton, 1–3 kalimat bahasa Inggris; N/A bila musik itu tidak ada.

• Pada gambar ke video, baris pertama adalah kalimat tetap yang menyebut gambarnya, lalu satu baris kosong.

• Setiap shot berikutnya dimulai dengan timecode, misalnya At 00:05.000, the camera cuts to ….

• Pembicara pertama adalah (S1), dan setiap baris berada di dalam <d>[English] …</d>.

• Papan dan label yang terlihat ditulis di dalam tanda kutip ganda bahasa Inggris.

• Beri 1–4 kalimat bahasa Inggris untuk overall_soundscape dan 1–3 untuk non_diegetic_music. Tulis N/A hanya saat ingin senyap total, dan sebut label gaya di shot pertama, misalnya "Live-action, cinematic".

Cara kami membuat klipnya

• Kami menjalankan minimax-h3 pada 768P lewat OmniaKey pada 28 Oktober 2026. Klip teks ke video berformat 16:9; klip gambar ke video mengambil bentuk dari frame pertama.
• Frame pertama dibuat dengan GPT Image 2 pada 1536×1024, kualitas medium. Frame terakhir klip tulip adalah hasil suntingan frame pertamanya.
• Setiap klip butuh 30–50 detik untuk dirender. Saat mengirim lima tugas sekaligus, satu kena batas laju; saat dikirim sendiri, tugas itu lolos.
• Kami membaca frame pada detik tetap, mengukur ke mana setiap potongan jatuh, berapa lama setiap file dan seberapa keras suaranya, lalu meminta dua model audio menuliskan ucapannya.
• OmniaKey menjual akses API ke MiniMax H3, jadi klipnya lewat sana. Harga di bawah adalah daftar harga publik MiniMax, bukan harga kami.
• Sumber: panduan prompt MiniMax base dan ref, dicek pada 28 Oktober 2026, serta halaman harganya, dicek pada 26 Oktober 2026.

Satu klip per prompt, jadi setiap hasil adalah satu sampel.

Tujuh prompt dengan klip asli

1. Satu kalimat biasa dan versi terstruktur dari toko roti yang sama

Scene toko roti yang sama, ditulis dengan dua cara, menunjukkan apa yang ditambahkan tiga bidang itu.

Kalimat biasa:

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.

Artinya: seorang pembuat roti membuka tirai toko roti kecilnya sebelum matahari terbit, meletakkan roti baru di meja kayu, dan berkata "First batch of the morning.", lalu close-up uap yang naik dari roti iris.

Bidang terstruktur:

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.

Artinya: scene yang sama dipecah ke shot pertama dengan aksi dan dialognya, potongan di 5.00 detik, ambience suara, dan musik.

Setelan: text_to_video, 768P, 16:9, masing-masing 8 detik.

Hasil: versi terstruktur terpotong tepat waktu; yang kalimat biasa tidak, dan suaranya lebih pelan.

• Klip terstruktur terpotong di 5.00 detik, tepat seperti yang diminta prompt. Klip kalimat biasa terpotong di 6.54 detik, padahal tidak ada waktu yang diminta.
• Prompt kalimat biasa tidak punya bidang suara. Track-nya rata-rata −43.4 dB, sedangkan klip terstruktur −18.7 dB.
• Dua model audio tidak sepakat pada klip kalimat biasa, dan satu mendengar kata yang tidak ada di prompt, jadi kami tidak mengutip dialog dari klip itu.

Apa yang diubah:

• Coba timecode untuk setiap potongan yang Anda butuhkan, bahkan di prompt biasa.
• Coba taruh teks papan yang ingin terbaca di dalam tanda kutip ganda bahasa Inggris. Kedua klip toko roti punya papan tanpa tanda kutip, dan keluar sebagai huruf, bukan kata.

2. Tiga shot ber-timecode, potongan di 3.5 dan 7 detik

Klip kedua di set ini adalah uji banyak shot: tiga shot dalam klip 10 detik, setiap potongan ditulis dengan timecode.

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

Artinya: shot lebar pelabuhan nelayan kecil saat fajar, potongan di 3.50 detik ke tangan nelayan yang mengikat tali ke penambat besi, lalu 7.00 detik ke tiga burung camar yang lepas landas.

Setelan: text_to_video, 768P, 16:9, 10 detik; non_diegetic_music di N/A.

Hasil: potongan pertama datang tepat waktu, yang kedua 0.25 detik terlambat, dan file-nya berdurasi 10.13 detik.

• Potongan di 3.50 detik sesuai prompt. Potongan di 7.25 detik tidak sesuai dengan 7.00 detik yang diminta.
• Shot penambat tali sudah di layar pada 5.0 detik, dan camar lepas landas sekitar 8.5 detik.
• Track-nya rata-rata −39.4 dB, dan tidak ada satu pun dari dua model audio yang mendengar ucapan.

Apa yang diubah:

• Kalau potongan kedua harus jatuh di 7.00 detik, coba akhiri shot kedua seperempat detik lebih awal.

3. Dua pembicara dalam satu scene

Klip keempat di set ini punya dua pembicara, masing-masing satu dialog. Kling 3.0 menulis dialog dengan cara lain, jadi untuk format itu lihat panduan prompt 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

Artinya: di konter ramen mungil di bawah papan neon merah, juru masak meletakkan semangkuk mi beruap di depan perempuan muda dan berkata "One more bowl?"; di 4.00 detik, perempuan itu mengangkat sumpitnya dan menjawab "Make it extra spicy.".

Setelan: text_to_video, 768P, 16:9, 8 detik; non_diegetic_music di N/A.

Hasil: papannya terbaca benar dan kedua dialog keluar, tapi potongannya datang 0.08 detik lebih awal.

• Kedua model audio menulis "One more bowl. Make it extra spicy." kata per kata.
• Juru masak menyajikan mangkuk di shot pertama, dan potongan ke perempuan itu datang di 3.92 detik.
• Papan terbaca OPEN UNTIL 2 AM di dua frame shot pertama yang kami periksa.

Apa yang diubah:

• Coba beri tanda kutip pada semua papan yang ingin terbaca, bukan hanya satu. Satu-satunya papan bertanda kutip di klip ini keluar benar.

4. Gambar ke video: frame pertama menentukan tampilan

Klip kelima berangkat dari gambar diam yang kami buat dengan GPT Image 2 pada 1536×1024: seorang perempuan di roda pemutar tembikar di studio yang mendapat cahaya jendela. Untuk gambar diam, mulai dari panduan prompt 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

Artinya: perempuan di gambar tetap di roda pemutar, rodanya mulai berputar, ia membuka tanah liat dan menariknya menjadi silinder tinggi, lalu mengangkat wajah, tersenyum, dan berkata "Almost there.".

Setelan: image_to_video, 768P, 6 detik yang diminta, frame pertama, tanpa rasio aspek.

Hasil: perempuan itu mempertahankan tampilan dari frame pertama, dan tanah liatnya naik jadi bentuk yang lebih tinggi.

• Rambut, celemek, dan rak studionya cocok dengan gambar diam di setiap frame yang kami periksa.
• Tanah liat berbentuk kerucut di 2.0 detik dan bentuk tinggi di 4.0 detik. Di 6.4 detik ia tersenyum.
• Empat model audio mendengar "Almost there.".
• File-nya berdurasi 6.58 detik, bukan 6.

Apa yang diubah:

• Coba anggap klip gambar ke video 6 detik sebagai sekitar 6.6 detik.

5. Frame pertama dan terakhir: tulip yang membuka

Klip ketujuh punya frame pertama dan terakhir, keduanya gambar diam. Yang pertama kuncup tulip merah tertutup di vas kaca; yang terakhir suntingan dari gambar itu, dengan bunganya terbuka.

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.

Artinya: shot diam yang mulai dari kuncup tertutup di Picture 1, membuka kelopak satu per satu sampai terlihat bagian tengah yang kuning, dan berakhir pada bentuk terbuka serta komposisi Picture 2.

Setelan: image_to_video dengan first_frame dan last_frame, 768P, 6 detik yang diminta.

Hasil: kuncupnya terbuka sampai frame terakhir, kamera tidak bergerak, dan vasnya tidak berubah.

• Kelopaknya setengah terbuka di 3.0 detik dan terbuka penuh di 6.5 detik, seperti di frame terakhir.
• Kedua model audio mendengar piano solo, dan tidak ada yang mendengar ucapan.
• File-nya berdurasi 6.58 detik, dan track-nya rata-rata −26.0 dB.

Apa yang diubah:

• Untuk bukaan yang lebih lambat, coba klip yang lebih panjang. Kami hanya menjalankan versi 6 detik.

6. Senyap: kedua bidang suara di N/A

Klip keenam menguji apa yang dilakukan N/A: kedua bidang suara di N/A, dengan rubah yang menyeberangi salju.

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

Artinya: shot lebar rubah merah yang berjalan lambat di salju baru di hutan pinus saat fajar; kamera mengikutinya saat ia berhenti, mengangkat kepala, dan melihat ke kamera. Ambience dan musiknya di N/A.

Setelan: text_to_video, 768P, 16:9, 6 detik yang diminta; kedua bidang suara di N/A.

Hasil: klipnya hampir bisu, tapi tidak bisu.

• Track-nya rata-rata −57.8 dB dengan puncak −38.2 dB.
• Pada level itu, tulisan model audio tidak bisa diandalkan, jadi kami tidak melaporkan suara untuk klip ini.
• File-nya berdurasi 6.58 detik.

Apa yang diubah:

• Pakai N/A di overall_soundscape hanya saat ingin senyap total, seperti kata panduannya.

Masalah yang sering muncul dan perbaikannya

Kasus-kasus ini datang dari klip kami sendiri, bukan dari panduan. Nomor bagian menunjuk ke prompt di atas.

Berapa biaya satu klip

MiniMax menagih per detik keluaran, dengan daftar harga publiknya.

Klip 10 detik berharga $0.80 di 768P dan $1.30 di 2K, dihitung dengan tarif yang sama. Setiap gambar masukan tambahan berharga $0.04, dan 5 pertama per tugas gratis. H3-Context-IR, panggilan penulisan ulang opsional, ditagih per token; contoh responsnya menyebut total 9,090 token.

Daftar harga publik MiniMax, dicek pada 26 Oktober 2026. Harga OmniaKey ada di halaman model MiniMax H3, dan alur panggilannya di panduan API MiniMax H3.

Jalankan prompt ini lewat API

Permintaan ini mengirim prompt pelabuhan dari bagian 2. Baris kosong di prompt jadi \n di dalam 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. Responsnya 202 dengan id tugas.
2. Poll https://api.omniakey.com/v1/media/tasks/{id} dengan id itu sampai status final. Klip kami butuh 30–50 detik. Mengirim kunci dan body yang sama lagi memberi tugas yang sama.
3. Unduh file dari assets[0].url. Tautannya bertanda tangan dan berlaku sekitar satu jam, jadi poll lagi kalau sudah kedaluwarsa.

Untuk gambar ke video, setel operation ke image_to_video dan taruh gambar diam di input.media dengan type first_frame, sebagai URL HTTPS atau data URI. Seluruh body permintaan dibatasi 1 MiB, termasuk Base64 di dalam baris. Sisanya ada di halaman model dan dokumentasi API video.

Pertanyaan umum

Apakah MiniMax H3 mewajibkan format terstruktur?

Tidak. MiniMax tidak pernah mewajibkan struktur itu, dan H3-Context-IR, langkah penulisan ulang berbayarnya, mengubah masukan biasa menjadi blok terstruktur. Klip kalimat biasa kami tetap menghasilkan video, tapi potongannya tidak ber-timecode.

Seberapa panjang prompt H3?

Batasnya 7,000 karakter per item teks. Prompt toko roti terstruktur di atas jauh di bawahnya.

Bisakah prompt H3 ditulis dalam bahasa Mandarin?

MiniMax mencantumkan 11 bahasa dengan dialog stabil, termasuk Mandarin, tapi tidak menerbitkan daftar bahasa untuk teks prompt. Panduannya meminta enam bagian penulisan ulang dalam bahasa Inggris dan membiarkan dialog dalam bahasanya, dan prompt kami berbahasa Inggris.

Bisakah suara dimatikan di H3?

MiniMax tidak mendokumentasikan setelan bisu. Menaruh N/A di kedua bidang suara menghasilkan klip yang hampir bisu dalam uji kami, dan panduannya hanya mengizinkan N/A di overall_soundscape saat ingin senyap total.

Kenapa papan saya keluar tidak terbaca?

Papan yang tidak diberi tanda kutip keluar sebagai huruf tak terbaca di klip kami. Panduannya meminta teks papan yang terlihat di dalam tanda kutip ganda bahasa Inggris, dan satu-satunya papan bertanda kutip yang kami jalankan terbaca benar.

Riwayat pembaruan

• 28 Oktober 2026: versi pertama, tujuh prompt dijalankan hari itu juga.