Guida ai prompt di MiniMax H3: struttura, esempi e clip reali

Un prompt H3 ha tre campi: integrated_multimodal_description per l'immagine e le inquadrature con timecode, overall_soundscape per l'ambiente e non_diegetic_music per la musica che sente solo il pubblico. Metti At 00:05.000, the camera cuts to … prima di ogni inquadratura successiva, segna gli interlocutori come (S1) e (S2) e chiudi ogni battuta in <d>[English] …</d>. Abbiamo lanciato sette prompt il 28 ottobre 2026 e ogni stacco richiesto è arrivato entro un quarto di secondo.

La struttura del prompt MiniMax H3

La model card di MiniMax dice che H3-Base accetta il blocco strutturato e definisce il suo passo di riscrittura, H3-Context-IR, "critical to the quality of the final output". MiniMax non rende mai la struttura obbligatoria, e anche i suoi esempi usano frasi semplici.

• Riga di apertura (solo da immagine a video e primo e ultimo fotogramma): una frase che nomina le immagini e i loro riferimenti di tempo, poi una riga vuota; la prima riga del prompt.

• integrated_multimodal_description: inquadrature con timecode, azioni, camera, interlocutori e dialogo; il primo dei tre campi principali.

• overall_soundscape: suoni d'ambiente, d'azione e non verbali, 1–4 frasi in inglese; N/A solo quando si chiede il silenzio totale.

• non_diegetic_music: musica che sente solo il pubblico, 1–3 frasi in inglese; N/A quando quella musica non c'è.

• Da immagine a video la prima riga è la frase fissa che nomina l'immagine, seguita da una riga vuota.

• Ogni inquadratura successiva inizia con un timecode, per esempio At 00:05.000, the camera cuts to ….

• Il primo interlocutore è (S1) e ogni battuta sta dentro <d>[English] …</d>.

• Insegne ed etichette visibili vanno fra virgolette doppie inglesi.

• Dai 1–4 frasi in inglese a overall_soundscape e 1–3 a non_diegetic_music. Scrivi N/A solo quando vuoi il silenzio totale e nomina un'etichetta di stile nella prima inquadratura, per esempio "Live-action, cinematic".

Come abbiamo fatto le clip

• Abbiamo lanciato minimax-h3 a 768P tramite OmniaKey il 28 ottobre 2026. Le clip da testo a video sono in 16:9; quelle da immagine a video prendono la forma dal primo fotogramma.
• I primi fotogrammi vengono da GPT Image 2 a 1536×1024, qualità medium. L'ultimo fotogramma della clip del tulipano è una modifica del primo.
• Ogni clip ha richiesto 30–50 secondi di rendering. Inviando cinque attività insieme, una è stata limitata per frequenza; inviata da sola è passata.
• Abbiamo letto i fotogrammi a secondi fissi, misurato dove cadeva ogni stacco, quanto durava ogni file e quanto era forte l'audio, e fatto trascrivere il parlato a due modelli audio.
• OmniaKey vende l'accesso API a MiniMax H3, quindi le clip sono passate di lì. I prezzi qui sotto sono quelli di listino MiniMax, non i nostri.
• Fonti: le guide ai prompt base e ref di MiniMax, controllate il 28 ottobre 2026, e la sua pagina dei prezzi, controllata il 26 ottobre 2026.

Una clip per prompt, quindi ogni risultato è un solo campione.

Sette prompt con clip vere

1. Una frase semplice e la versione strutturata dello stesso panificio

La stessa scena di panificio, scritta in due modi, mostra cosa aggiungono i tre campi.

Frase semplice:

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.

In italiano: un fornaio apre le serrande del suo piccolo panificio prima dell'alba, mette un filone fresco sul bancone di legno e dice "First batch of the morning.", poi un primo piano del vapore che sale dal pane affettato.

Campi strutturati:

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.

In italiano: la stessa scena divisa fra la prima inquadratura con azione e battuta, lo stacco a 5.00 secondi, l'ambiente sonoro e la musica.

Impostazioni: text_to_video, 768P, 16:9, 8 secondi ciascuna.

Risultato: la versione strutturata ha staccato in orario; quella semplice no, e il suo audio è più basso.

• La clip strutturata ha staccato a 5.00 secondi, il momento chiesto dal prompt. Quella semplice ha staccato a 6.54 secondi, dove non era chiesto nessun istante.
• Il prompt semplice non ha campi audio. La sua traccia sta a −43.4 dB di media, contro −18.7 dB della clip strutturata.
• I due modelli audio non sono d'accordo sulla clip semplice e uno ha sentito parole che il prompt non contiene, quindi non citiamo battute per quella clip.

Cosa cambiare:

• Prova un timecode per ogni stacco che ti serve, anche in un prompt semplice.
• Prova a mettere fra virgolette doppie inglesi il testo delle insegne che vuoi far leggere. Le due clip del panificio avevano insegne senza virgolette e sono uscite come lettere, non come parole.

2. Tre inquadrature con timecode, stacchi a 3.5 e 7 secondi

La seconda clip del gruppo è il test multi-inquadratura: tre inquadrature in una clip da 10 secondi, ogni stacco scritto con un 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

In italiano: un campo largo su un piccolo porto di pesca all'alba, uno stacco a 3.50 secondi sulle mani del pescatore che lega la cima a una galloccia di ferro, poi 7.00 secondi su tre gabbiani che si alzano in volo.

Impostazioni: text_to_video, 768P, 16:9, 10 secondi; non_diegetic_music in N/A.

Risultato: il primo stacco è arrivato in orario, il secondo 0.25 secondi in ritardo, e il file dura 10.13 secondi.

• Lo stacco a 3.50 secondi corrisponde al prompt. Quello a 7.25 secondi non corrisponde ai 7.00 chiesti.
• L'inquadratura della galloccia è sullo schermo a 5.0 secondi e i gabbiani partono verso 8.5 secondi.
• La traccia sta a −39.4 dB di media e nessuno dei due modelli audio ha sentito parlato.

Cosa cambiare:

• Se il secondo stacco deve cadere a 7.00 secondi, prova a chiudere la seconda inquadratura un quarto di secondo prima.

3. Due interlocutori nella stessa scena

La quarta clip del gruppo ha due interlocutori, uno per battuta. Kling 3.0 scrive il dialogo in un altro modo: per quel formato vedi la guida ai prompt di 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

In italiano: in un minuscolo bancone di ramen sotto un'insegna al neon rossa, il cuoco mette una ciotola fumante davanti a una giovane donna e chiede "One more bowl?"; a 4.00 secondi lei alza le bacchette e risponde "Make it extra spicy.".

Impostazioni: text_to_video, 768P, 16:9, 8 secondi; non_diegetic_music in N/A.

Risultato: l'insegna si è letta bene e le due battute sono passate, ma lo stacco è arrivato 0.08 secondi prima.

• I due modelli audio hanno trascritto "One more bowl. Make it extra spicy." parola per parola.
• Il cuoco serve la ciotola nella prima inquadratura e lo stacco sulla donna arriva a 3.92 secondi.
• L'insegna mostra OPEN UNTIL 2 AM nei due fotogrammi della prima inquadratura che abbiamo controllato.

Cosa cambiare:

• Prova a mettere fra virgolette tutte le insegne da far leggere, non una sola. L'unica insegna fra virgolette di questa clip è uscita bene.

4. Da immagine a video: il primo fotogramma fissa l'aspetto

La quinta clip parte da un'immagine fissa che abbiamo creato con GPT Image 2 a 1536×1024: una donna al tornio in un laboratorio con luce da finestra. Per le immagini fisse, comincia dalla guida ai prompt di 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

In italiano: la donna dell'immagine resta al tornio, la ruota inizia a girare, lei apre l'argilla e la tira in un cilindro alto, poi alza lo sguardo, sorride e dice "Almost there.".

Impostazioni: image_to_video, 768P, 6 secondi chiesti, primo fotogramma, senza proporzioni.

Risultato: la donna ha mantenuto l'aspetto del primo fotogramma e l'argilla è salita in una forma più alta.

• Capelli, grembiule e scaffali del laboratorio corrispondono all'immagine fissa in ogni fotogramma controllato.
• L'argilla è un cono a 2.0 secondi e una forma alta a 4.0 secondi. A 6.4 secondi sorride.
• Quattro modelli audio hanno sentito "Almost there.".
• Il file dura 6.58 secondi, non 6.

Cosa cambiare:

• Prova a considerare una clip da immagine a video da 6 secondi come circa 6.6 secondi.

5. Primo e ultimo fotogramma: un tulipano che si apre

La settima clip ha primo e ultimo fotogramma, entrambi immagini fisse. Il primo è un bocciolo di tulipano rosso chiuso in un vaso di vetro; l'ultimo è una modifica di quello, con il fiore aperto.

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.

In italiano: un'inquadratura fissa che parte dal bocciolo chiuso di Picture 1, apre i petali uno alla volta fino a mostrare il cuore giallo e finisce sulla forma aperta e sulla composizione di Picture 2.

Impostazioni: image_to_video con first_frame e last_frame, 768P, 6 secondi chiesti.

Risultato: il bocciolo si è aperto fino all'ultimo fotogramma, camera ferma e vaso invariato.

• I petali sono mezzi aperti a 3.0 secondi e del tutto aperti a 6.5 secondi, come nell'ultimo fotogramma.
• I due modelli audio hanno sentito pianoforte solo e nessuno ha sentito parlato.
• Il file dura 6.58 secondi e la traccia sta a −26.0 dB di media.

Cosa cambiare:

• Per un'apertura più lenta, prova una clip più lunga. Abbiamo lanciato solo una versione da 6 secondi.

6. Silenzio: entrambi i campi audio in N/A

La sesta clip prova cosa fa N/A: entrambi i campi audio in N/A, con una volpe che attraversa la neve.

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

In italiano: un campo largo su una volpe rossa che cammina lentamente sulla neve fresca in una pineta all'alba; la camera la segue mentre si ferma, alza la testa e guarda verso la camera. Ambiente e musica sono in N/A.

Impostazioni: text_to_video, 768P, 16:9, 6 secondi chiesti; entrambi i campi audio in N/A.

Risultato: la clip è quasi muta, ma non muta.

• La traccia sta a −57.8 dB di media e tocca −38.2 dB di picco.
• A quel livello le trascrizioni dei modelli audio non sono affidabili, quindi non riportiamo suoni per questa clip.
• Il file dura 6.58 secondi.

Cosa cambiare:

• Usa N/A in overall_soundscape solo per ottenere il silenzio totale, come dice la guida.

Gli errori più comuni e come rimediare

Questi casi vengono dalle nostre clip, non dalla guida. I numeri di sezione rimandano ai prompt qui sopra.

Quanto costa una clip

MiniMax fattura al secondo di output, ai suoi prezzi di listino.

Una clip da 10 secondi costa $0.80 a 768P e $1.30 a 2K, calcolata con le stesse tariffe. Ogni immagine d'ingresso in più costa $0.04 e le prime 5 per attività sono gratis. H3-Context-IR, la chiamata di riscrittura opzionale, si paga a token; la sua risposta d'esempio dichiara 9,090 token in tutto.

Prezzi di listino MiniMax, controllati il 26 ottobre 2026. I prezzi OmniaKey sono sulla pagina del modello MiniMax H3, e il percorso della chiamata nella guida all'API di MiniMax H3.

Lanciare questi prompt dall'API

Questa richiesta invia il prompt del porto della sezione 2. Le righe vuote del prompt diventano \n nel 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 risposta è 202 con un id dell'attività.
2. Interroga https://api.omniakey.com/v1/media/tasks/{id} con quell'id finché status non è finale. Le nostre clip hanno impiegato 30–50 secondi. Inviare di nuovo la stessa chiave e lo stesso corpo restituisce la stessa attività.
3. Scarica il file da assets[0].url. Il link è firmato e dura circa un'ora, quindi interroga di nuovo se scade.

Per da immagine a video metti operation su image_to_video e l'immagine fissa in input.media con type first_frame, come URL HTTPS o data URI. Tutto il corpo della richiesta è limitato a 1 MiB, Base64 in linea compreso. Il resto è nella pagina del modello e nella documentazione dell'API video.

Domande frequenti

MiniMax H3 richiede il formato strutturato?

No. MiniMax non rende mai la struttura obbligatoria e H3-Context-IR, il suo passo di riscrittura a pagamento, trasforma un input semplice nel blocco strutturato. La nostra clip con la frase semplice ha comunque prodotto un video, ma lo stacco non era legato a un timecode.

Quanto può essere lungo un prompt H3?

Il limite è 7,000 caratteri per elemento di testo. Il prompt strutturato del panificio qui sopra resta molto sotto.

Si possono scrivere prompt H3 in cinese?

MiniMax elenca 11 lingue con dialogo stabile, il cinese compreso, ma non pubblica un elenco di lingue per il testo del prompt. La guida chiede le sei sezioni di riscrittura in inglese e lascia il dialogo nella sua lingua, e i nostri prompt erano in inglese.

Si può togliere l'audio in H3?

MiniMax non documenta nessuna impostazione per il muto. Mettere N/A in entrambi i campi audio ha dato una clip quasi muta nel nostro test e la guida permette N/A in overall_soundscape solo per ottenere il silenzio totale.

Perché la mia insegna è uscita illeggibile?

Le insegne che il prompt non ha messo fra virgolette sono uscite come lettere illeggibili nelle nostre clip. La guida chiede il testo visibile delle insegne fra virgolette doppie inglesi, e l'unica insegna fra virgolette che abbiamo lanciato si è letta bene.

Cronologia delle modifiche

• 28 ottobre 2026: prima versione, sette prompt lanciati lo stesso giorno.