MiniMax H3 プロンプトガイド：構造・例文・実際に生成した動画

H3 のプロンプトは3つのフィールドで構成します。映像とタイミングを書く integrated_multimodal_description、環境音の overall_soundscape、視聴者にだけ聞こえる音楽の non_diegetic_music です。2つ目以降のショットの前には At 00:05.000, the camera cuts to … を置き、話者を (S1)、(S2) で示し、各行を <d>[English] …</d> で囲みます。2026年10月28日に7つのプロンプトを実行し、指定したカットはすべて0.25秒以内に着地しました。

MiniMax H3 のプロンプト構造

MiniMax のモデルカードによると、H3-Base はこの構造化ブロックを入力として受け取り、書き換えステップの H3-Context-IR を "critical to the quality of the final output" と位置づけています。MiniMax は構造を必須にしてはおらず、同社のサンプルにも普通の文章で書かれたものがあります。

• 冒頭の行（画像から動画と、最初と最後のフレームのみ）：使うフレームとその時刻を1文で示し、空行を1行入れる；プロンプトの1行目。

• integrated_multimodal_description：タイムコード付きのショット、動作、カメラ、話者とセリフ；3つの中心フィールドの1つ目。

• overall_soundscape：環境音、動作音、非言語の音を英語で1〜4文；完全な無音を求める場合だけ N/A。

• non_diegetic_music：視聴者にだけ聞こえる音楽を英語で1〜3文；その音楽がない場合は N/A。

• 画像から動画では、1行目がフレームを指定する決まった文になり、そのあとに空行を1行入れます。

• 2つ目以降のショットは時間コードで始めます（例：At 00:05.000, the camera cuts to …）。

• 最初の話者は (S1) で、各行は <d>[English] …</d> の中に入れます。

• 画面に映る看板やラベルは英語の二重引用符で囲みます。

• overall_soundscape は英語で1〜4文、non_diegetic_music は1〜3文。完全な無音が欲しいときだけ N/A と書き、ショット1には "Live-action, cinematic" のようなスタイルラベルを1つ入れます。

クリップの作り方

• 2026年10月28日に、OmniaKey 経由で minimax-h3 を 768P で実行しました。テキストから動画は 16:9、画像から動画は最初のフレームの形をそのまま使います。
• 最初のフレームは GPT Image 2 で 1536×1024、medium 品質で作りました。チューリップのクリップの最後のフレームは、最初のフレームを編集したものです。
• レンダリングは1本あたり30〜50秒でした。5件を同時に送ると1件がレート制限にかかり、単独で送ると通りました。
• 決まった時刻のフレームを読み、カットが何秒に来たか、ファイルが何秒続いたか、音量がどれくらいかを測り、2つの音声モデルにセリフを文字起こしさせました。
• OmniaKey は MiniMax H3 の API を販売しているので、クリップはそこを通して実行しました。以下の価格は MiniMax の定価で、OmniaKey の価格ではありません。
• 出典：MiniMax のbaseとrefのプロンプトガイド（2026年10月28日確認）と、価格ページ（2026年10月26日確認）。

1つのプロンプトにつき1本しか実行していないので、それぞれの結果は1つのサンプルとして見てください。

7つのプロンプトと実際のクリップ

1. 普通の1文と、同じパン屋を構造化した版

同じパン屋の場面を2通りに書くと、3つのフィールドが何を足すのかが分かります。

普通の1文：

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.

意味：夜明け前にパン屋のシャッターを開け、焼きたてのパンを木のカウンターに置いて「First batch of the morning.」と言う職人を描き、そのあとスライスしたパンから立つ湯気を寄りで見せる、という内容です。

構造化したフィールド：

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.

意味：同じ場面を、ショット1の動作とセリフ、5.00秒でのカット、環境音、音楽の4つに分けて指定しています。

設定：text_to_video、768P、16:9、各8秒。

結果：構造化した版は時間どおりにカットし、普通の1文の版はそうならず、音も小さくなりました。

• 構造化したクリップは、プロンプトが指定した5.00秒でカットしました。普通の1文のクリップは6.54秒でカットし、そこに時刻の指定はありません。
• 普通の1文には音のフィールドがありません。音声トラックの平均は −43.4 dB で、構造化したクリップは −18.7 dB でした。
• 2つの音声モデルは普通の1文のクリップで見解が分かれ、片方はプロンプトにない単語を聞き取ったので、この版のセリフは引用しません。

変えてみるポイント：

• 必要なカットには、普通の1文のプロンプトでも時間コードを入れてみてください。
• 読み上げてほしい看板の文字は、英語の二重引用符で囲んでみてください。パン屋の2本とも引用符のない看板があり、そこは文字ではなく読めない記号の羅列になりました。

2. 時刻を指定した3ショット、カットは3.5秒と7秒

セットの2本目はマルチショットのテストです。10秒のクリップに3つのショットを置き、各カットを時間コードで書きました。

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

意味：夜明けの漁港でロープを巻く漁師をワイドで映し、3.50秒で手元のアップ、7.00秒でカモメが飛び立つ低いアングルへ切り替える、3ショットの指定です。

設定：text_to_video、768P、16:9、10秒。non_diegetic_music は N/A。

結果：最初のカットは時間どおり、2つ目は0.25秒遅れ、ファイルは10.13秒でした。

• 3.50秒のカットはプロンプトと一致しました。7.25秒のカットは、指定した7.00秒とは一致しません。
• 係留環のショットは5.0秒の時点で画面にあり、カモメは8.5秒ごろ飛び立ちます。
• 音声トラックの平均は −39.4 dB で、どちらの音声モデルもセリフを聞き取りませんでした。

変えてみるポイント：

• 2つ目のカットを7.00秒に合わせたいなら、ショット2を0.25秒早く終わらせてみてください。

3. 1つの場面に2人の話者

セットの4本目には2人の話者がいて、それぞれ1行ずつ話します。Kling 3.0 はセリフの書き方が違うので、その形式はKling 3.0 プロンプトガイドで扱っています。

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

意味：赤いネオン看板の小さなラーメン店で、店主が若い女性に「One more bowl?」と声をかけ、4.00秒で彼女が「Make it extra spicy.」と答える2ショットです。

設定：text_to_video、768P、16:9、8秒。non_diegetic_music は N/A。

結果：看板は正しく読め、2人ともセリフが通りましたが、カットは0.08秒早く来ました。

• 2つの音声モデルとも "One more bowl. Make it extra spicy." と一語一句そのまま書き起こしました。
• ショット1で店主がどんぶりを出し、若い女性へのカットは3.92秒です。
• 確認したショット1の2フレームとも、看板は OPEN UNTIL 2 AM と読めます。

変えてみるポイント：

• 読ませたい看板は1つだけでなく、すべてに引用符を付けてみてください。このクリップでは引用符を付けた看板が正しく出ました。

4. 画像から動画：最初のフレームが絵を決める

セットの5本目は、GPT Image 2 で 1536×1024 で作った静止画から始まります。窓の光が入るスタジオで、ろくろに向かう女性です。静止画の作り方はGPT Image 2 プロンプトガイドから始めてください。

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

意味：写真の女性をそのまま保ったまま、ろくろが回り始め、粘土を開いて高い筒に引き上げ、最後に彼女が顔を上げて笑い「Almost there.」と言うまでを指定しています。

設定：image_to_video、768P、指定は6秒、最初のフレーム、アスペクト比なし。

結果：女性は最初のフレームの見た目を保ち、粘土はより高い形に立ち上がりました。

• 髪、エプロン、スタジオの棚は、確認したすべてのフレームで静止画と一致しました。
• 粘土は2.0秒で円錐、4.0秒で上端が開いた高い形になり、6.4秒では笑っています。
• 4つの音声モデルが "Almost there." を聞き取りました。
• ファイルは6秒ではなく、6.58秒でした。

変えてみるポイント：

• 6秒の画像から動画は、6.6秒くらいで見込んでおくと安心です。

5. 最初と最後のフレーム：チューリップが開く

セットの7本目は、最初と最後のフレームの両方に静止画を使います。最初はガラスの花瓶に閉じた赤いチューリップのつぼみ、最後はそれを編集して花を開かせた画像です。

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.

意味：Picture 1 の閉じたつぼみから始まり、花びらが1枚ずつ外へ開いて黄色い中心が見え、最後に Picture 2 の開ききった形と構図に収まる、静止カメラのショットです。

設定：first_frame と last_frame を使う image_to_video、768P、指定は6秒。

結果：つぼみは最後のフレームまで開き、カメラは止まったままで、花瓶も変わりませんでした。

• 花びらは3.0秒で半開き、6.5秒で全開になり、最後のフレームと一致しました。
• 2つの音声モデルともピアノソロを聞き取り、セリフは聞き取りませんでした。
• ファイルは6.58秒で、音声トラックの平均は −26.0 dB です。

変えてみるポイント：

• もっとゆっくり開かせたいなら、長めのクリップを試してください。6秒の版は1本しか実行していません。

6. 無音：両方の音フィールドを N/A に

セットの6本目は N/A の効果を確かめます。両方の音フィールドを N/A にして、雪の中を歩くキツネを描きました。

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

意味：夜明けの松林で、キツネが新雪の上をゆっくり歩き、立ち止まって顔を上げカメラを見るまでをカメラが追うワイドショットです。環境音も音楽も N/A です。

設定：text_to_video、768P、16:9、指定は6秒。両方の音フィールドが N/A。

結果：クリップはほぼ無音ですが、完全な無音ではありません。

• 音声トラックの平均は −57.8 dB、ピークは −38.2 dB です。
• この音量では音声モデルの文字起こしが信頼できないので、このクリップでは音を挙げません。
• ファイルは6.58秒です。

変えてみるポイント：

• 完全な無音が欲しいときだけ overall_soundscape に N/A を書いてください。ガイドもそう説明しています。

よくある失敗と直し方

以下はガイドからではなく、私たちのクリップから分かったことです。節番号は上のプロンプトに対応します。

クリップ1本の料金

MiniMax は出力の秒数に応じて、定価で課金します。

10秒のクリップは 768P で $0.80、2K で $1.30 です（同じ単価で計算）。入力画像を足すと1枚 $0.04 で、1タスクにつき最初の5枚は無料です。H3-Context-IR は任意の書き換え呼び出しで、トークン単位の課金です。サンプルの応答には合計 9,090 トークンとあります。

価格は MiniMax の定価で、2026年10月26日に確認しました。OmniaKey の料金はMiniMax H3 モデルページに、呼び出しの流れはMiniMax H3 API ガイドにあります。

API でプロンプトを実行する

このリクエストは第2節の漁港のプロンプトを送ります。プロンプトの空行は、JSON の中では \n になります。

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. 応答は 202 とタスク ID です。
2. その ID で https://api.omniakey.com/v1/media/tasks/{id} を、status が最終状態になるまでポーリングします。クリップは30〜50秒かかりました。同じキーと同じ本文をもう一度送ると、同じタスクが返ります。
3. assets[0].url からファイルをダウンロードします。署名付きのリンクで約1時間で切れるので、切れたら再度ポーリングして新しいリンクを取ってください。

画像から動画では operation を image_to_video にし、静止画を input.media に入れて type を first_frame にします。HTTPS の URL か data URI で渡せます。リクエスト本文は、インラインの Base64 を含めて 1 MiB までです。モデルページと動画 API ドキュメントに残りの説明があります。

よくある質問

MiniMax H3 に構造化フォーマットは必要ですか？

いいえ。MiniMax は構造を必須にしておらず、有料の書き換えステップ H3-Context-IR が普通の入力を構造化ブロックに変換します。普通の1文のクリップも動画にはなりましたが、カットは時間どおりではありませんでした。

H3 のプロンプトはどれくらい長くできますか？

テキスト項目ごとに 7,000 文字が上限です。上の構造化したパン屋のプロンプトは、この上限よりずっと短いものです。

H3 のプロンプトは中国語で書けますか？

MiniMax はセリフを安定して扱える言語として11言語を挙げており、中国語もその中にありますが、プロンプト本文に使える言語の一覧は公開していません。ガイドは6つの書き換えセクションを英語で書き、セリフはその言語のまま残すよう求めています。私たちのプロンプトは英語で書きました。

H3 で音を消せますか？

MiniMax はミュート設定を記していません。両方の音フィールドを N/A にすると、テストではほぼ無音のクリップになりました。ガイドが overall_soundscape に N/A を許すのは、完全な無音を求める場合だけです。

看板の文字がなぜ崩れるのですか？

引用符を付けなかった看板は、私たちのクリップでは読めない文字の羅列になりました。ガイドは画面に映る看板の文字を英語の二重引用符で囲むよう求めており、引用符を付けて実行した看板は正しく読めました。

更新履歴

• 2026年10月28日：初版。7つのプロンプトを同じ日に実行しました。