MiniMax H3 프롬프트 가이드: 구조, 예시, 실제 생성 영상

H3 프롬프트는 세 필드로 씁니다. 화면과 타이밍을 담는 integrated_multimodal_description, 환경음을 담는 overall_soundscape, 시청자에게만 들리는 음악을 담는 non_diegetic_music입니다. 두 번째 샷부터는 앞에 At 00:05.000, the camera cuts to …를 두고, 화자를 (S1), (S2)로 표시하며, 각 줄을 <d>[English] …</d>로 감쌉니다. 2026년 10월 28일에 프롬프트 7개를 돌렸고, 요청한 컷은 모두 0.25초 안에 들어왔습니다.

MiniMax H3 프롬프트 구조

MiniMax 모델 카드에 따르면 H3-Base는 이 구조화 블록을 입력으로 받고, 재작성 단계인 H3-Context-IR을 "critical to the quality of the final output"라고 설명합니다. MiniMax는 구조를 필수로 두지 않았고, 자체 예시에도 평범한 문장으로 쓴 것이 있습니다.

• 도입 줄(이미지 투 비디오와 첫·마지막 프레임만)：어떤 프레임을 쓰는지와 그 시각을 한 문장으로 쓰고 빈 줄 하나；프롬프트의 첫 줄。

• integrated_multimodal_description：타임코드가 붙은 샷, 동작, 카메라, 화자와 대사；세 핵심 필드 중 첫 번째。

• overall_soundscape：환경음, 동작음, 비언어 소리를 영어로 1–4문장；완전한 무음을 요청할 때만 N/A。

• non_diegetic_music：시청자만 듣는 음악을 영어로 1–3문장；그런 음악이 없으면 N/A。

• 이미지 투 비디오는 첫 줄이 프레임을 지정하는 고정 문장이고, 그다음에 빈 줄이 하나 옵니다.

• 두 번째 샷부터는 타임코드로 시작합니다. 예: At 00:05.000, the camera cuts to …

• 첫 화자는 (S1)이고, 각 줄은 <d>[English] …</d> 안에 넣습니다.

• 화면에 보이는 간판과 라벨은 영어 큰따옴표로 감쌉니다.

• overall_soundscape는 영어로 1–4문장, non_diegetic_music은 1–3문장으로 씁니다. 완전한 무음을 원할 때만 N/A라고 쓰고, 샷 1에는 "Live-action, cinematic" 같은 스타일 라벨을 하나 넣습니다.

클립을 만든 방법

• 2026년 10월 28일에 OmniaKey를 통해 minimax-h3를 768P로 돌렸습니다. 텍스트 투 비디오는 16:9이고, 이미지 투 비디오는 첫 프레임의 모양을 그대로 따릅니다.
• 첫 프레임은 GPT Image 2로 1536×1024, medium 품질로 만들었습니다. 튤립 클립의 마지막 프레임은 첫 프레임을 편집한 것입니다.
• 렌더링은 클립당 30~50초 걸렸습니다. 작업 5개를 한꺼번에 보내면 하나가 속도 제한에 걸렸고, 따로 보내면 통과했습니다.
• 정해진 시각의 프레임을 읽고, 컷이 몇 초에 들어왔는지, 파일이 몇 초였는지, 음량이 얼마인지 측정했으며, 음성 모델 두 개에 대사를 받아 적게 했습니다.
• OmniaKey는 MiniMax H3 API를 판매하므로 클립은 이곳을 통해 돌렸습니다. 아래 가격은 MiniMax의 정가이고 OmniaKey의 가격이 아닙니다.
• 출처: MiniMax의 base와 ref 프롬프트 가이드(2026년 10월 28일 확인), 가격 페이지(2026년 10월 26일 확인).

프롬프트 하나에 클립 하나만 돌렸으므로 각 결과는 표본 하나로 봐 주세요.

프롬프트 7개와 실제 클립

1. 평범한 문장과 같은 빵집을 구조화한 버전

같은 빵집 장면을 두 가지로 쓰면 세 필드가 무엇을 더하는지 보입니다.

평범한 문장:

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.

뜻: 해 뜨기 전 빵집 셔터를 열고 갓 구운 빵을 나무 카운터에 올리며 "First batch of the morning."이라고 말하는 제빵사를 보여 주고, 이어서 썬 빵에서 피어오르는 김을 클로즈업하는 프롬프트입니다.

구조화한 필드:

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.

뜻: 같은 장면을 샷 1의 동작과 대사, 5.00초의 컷, 환경음, 음악 네 가지로 나누어 지정합니다.

설정: text_to_video, 768P, 16:9, 각 8초.

결과: 구조화한 버전은 제때 컷했고, 평범한 문장 버전은 그러지 못했으며 소리도 더 작았습니다.

• 구조화한 클립은 프롬프트가 요청한 5.00초에 컷했습니다. 평범한 문장 클립은 6.54초에 컷했고, 그 지점에는 시각 요청이 없었습니다.
• 평범한 문장 프롬프트에는 사운드 필드가 없습니다. 음성 트랙 평균은 −43.4 dB이고 구조화한 클립은 −18.7 dB였습니다.
• 음성 모델 두 개가 평범한 문장 클립에서 서로 다른 답을 냈고, 하나는 프롬프트에 없는 단어를 들었으므로 그 버전의 대사는 인용하지 않습니다.

바꿔 볼 점:

• 필요한 컷마다 타임코드를 넣어 보세요. 평범한 문장 프롬프트에도 마찬가지입니다.
• 읽히길 원하는 간판 글자는 영어 큰따옴표로 감싸 보세요. 빵집 클립 두 개 모두 따옴표가 없는 간판이 있었고, 그 글자는 단어가 아닌 알아볼 수 없는 글자로 나왔습니다.

2. 시각을 지정한 샷 3개, 컷은 3.5초와 7초

세트의 두 번째 클립은 멀티샷 테스트입니다. 10초 클립에 샷 세 개를 두고 각 컷을 타임코드로 적었습니다.

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

뜻: 새벽 어항에서 밧줄을 감는 어부를 와이드로 보여 주고, 3.50초에 손 클로즈업으로, 7.00초에 갈매기 세 마리가 난간에서 날아오르는 로우 앵글로 바꾸는 샷 세 개 구성입니다.

설정: text_to_video, 768P, 16:9, 10초; non_diegetic_music은 N/A.

결과: 첫 컷은 제때 들어왔고, 두 번째는 0.25초 늦었으며, 파일은 10.13초였습니다.

• 3.50초 컷은 프롬프트와 일치합니다. 7.25초 컷은 요청한 7.00초와 맞지 않습니다.
• 계류 고리 샷은 5.0초에 화면에 있고, 갈매기는 8.5초쯤 날아오릅니다.
• 트랙 평균은 −39.4 dB이고, 음성 모델 두 개 모두 대사를 듣지 못했습니다.

바꿔 볼 점:

• 두 번째 컷이 반드시 7.00초에 와야 한다면 샷 2를 0.25초 일찍 끝내 보세요.

3. 한 장면에 화자 두 명

세트의 네 번째 클립에는 화자가 둘이고 각자 한 줄씩 말합니다. Kling 3.0은 대사를 쓰는 방식이 달라서, 그 형식은 Kling 3.0 프롬프트 가이드에서 다룹니다.

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

뜻: 빨간 네온 간판이 걸린 작은 라멘 가게에서 주인이 젊은 여성에게 "One more bowl?"이라고 말을 걸고, 4.00초에 여성이 "Make it extra spicy."라고 답하는 샷 두 개입니다.

설정: text_to_video, 768P, 16:9, 8초; non_diegetic_music은 N/A.

결과: 간판은 제대로 읽혔고 두 대사 모두 나왔지만, 컷이 0.08초 일찍 들어왔습니다.

• 음성 모델 두 개 모두 "One more bowl. Make it extra spicy."를 한 단어도 틀리지 않고 받아 적었습니다.
• 샷 1에서 주인이 그릇을 내놓고, 젊은 여성으로 컷은 3.92초에 일어납니다.
• 확인한 샷 1의 두 프레임 모두 간판이 OPEN UNTIL 2 AM으로 읽힙니다.

바꿔 볼 점:

• 간판 하나만이 아니라 읽히길 원하는 간판 전부에 따옴표를 붙여 보세요. 이 클립에서는 따옴표를 붙인 간판이 제대로 나왔습니다.

4. 이미지 투 비디오: 첫 프레임이 화면을 정한다

세트의 다섯 번째 클립은 GPT Image 2로 1536×1024에 만든 정지 이미지에서 시작합니다. 창빛이 드는 스튜디오에서 물레 앞에 앉은 여성입니다. 정지 이미지를 만드는 방법은 GPT Image 2 프롬프트 가이드에서 시작하세요.

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

뜻: 사진 속 여성을 그대로 유지한 채 물레가 돌기 시작하고, 점토를 열어 높은 원통으로 끌어올린 뒤, 마지막에 그녀가 고개를 들어 웃으며 "Almost there."라고 말하는 장면을 지정합니다.

설정: image_to_video, 768P, 요청 6초, 첫 프레임, 화면 비율 없음.

결과: 여성은 첫 프레임의 모습을 유지했고, 점토는 더 높은 형태로 자라났습니다.

• 머리카락, 앞치마, 스튜디오 선반은 확인한 모든 프레임에서 정지 이미지와 같았습니다.
• 점토는 2.0초에 원뿔이고, 4.0초에는 위가 벌어진 높은 형태이며, 6.4초에는 그녀가 웃고 있습니다.
• 음성 모델 네 개가 "Almost there."를 들었습니다.
• 파일은 6초가 아니라 6.58초입니다.

바꿔 볼 점:

• 6초짜리 이미지 투 비디오는 6.6초 정도로 잡아 두면 좋습니다.

5. 첫 프레임과 마지막 프레임: 튤립이 피어난다

세트의 일곱 번째 클립은 첫 프레임과 마지막 프레임을 모두 정지 이미지로 씁니다. 처음은 유리 화병에 닫힌 빨간 튤립 봉오리이고, 마지막은 그것을 편집해 꽃을 피운 이미지입니다.

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.

뜻: Picture 1의 닫힌 봉오리에서 시작해 꽃잎이 하나씩 바깥으로 열리고 노란 중심이 드러난 뒤, 마지막에는 Picture 2의 활짝 핀 모양과 구도에 맞춰지는 고정 카메라 샷입니다.

설정: first_frame과 last_frame을 쓰는 image_to_video, 768P, 요청 6초.

결과: 봉오리는 마지막 프레임까지 피어났고, 카메라는 멈춰 있었으며 화병도 그대로였습니다.

• 꽃잎은 3.0초에 반쯤 열리고 6.5초에 완전히 열려 마지막 프레임과 일치했습니다.
• 음성 모델 두 개 모두 솔로 피아노를 들었고 대사는 듣지 못했습니다.
• 파일은 6.58초이고 트랙 평균은 −26.0 dB입니다.

바꿔 볼 점:

• 더 천천히 피어나길 원하면 더 긴 클립을 시도해 보세요. 6초 버전은 하나만 돌렸습니다.

6. 무음: 사운드 필드 둘 다 N/A

세트의 여섯 번째 클립은 N/A가 하는 일을 시험합니다. 사운드 필드 둘 다 N/A로 두고 눈밭을 걷는 여우를 그렸습니다.

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

뜻: 새벽 소나무 숲에서 붉은 여우가 새 눈 위를 천천히 걷다가 멈춰 고개를 들어 카메라를 바라보는 장면을 카메라가 따라가는 와이드 샷입니다. 환경음과 음악은 모두 N/A입니다.

설정: text_to_video, 768P, 16:9, 요청 6초; 사운드 필드 둘 다 N/A.

결과: 클립은 거의 무음이지만 완전한 무음은 아닙니다.

• 트랙 평균은 −57.8 dB이고 최대는 −38.2 dB입니다.
• 이 음량에서는 음성 모델의 받아쓰기가 믿을 만하지 않아서 이 클립에서는 소리를 적지 않습니다.
• 파일은 6.58초입니다.

바꿔 볼 점:

• 완전한 무음을 원할 때만 overall_soundscape에 N/A를 쓰세요. 가이드도 그렇게 설명합니다.

자주 나오는 실패와 고치는 법

아래 내용은 가이드가 아니라 우리 클립에서 나온 것입니다. 절 번호는 위 프롬프트와 맞습니다.

클립 한 개의 비용

MiniMax는 출력 초 단위로 정가를 청구합니다.

10초 클립은 768P에서 $0.80, 2K에서 $1.30입니다(같은 단가로 계산). 입력 이미지를 더하면 장당 $0.04이고, 작업 하나당 처음 5장은 무료입니다. H3-Context-IR은 선택 사항인 재작성 호출이며 토큰 단위로 과금됩니다. 예시 응답에는 총 9,090 토큰이 적혀 있습니다.

가격은 MiniMax 정가이며 2026년 10월 26일에 확인했습니다. OmniaKey 요금은 MiniMax H3 모델 페이지에, 호출 흐름은 MiniMax H3 API 가이드에 있습니다.

API로 프롬프트 실행하기

이 요청은 2절의 항구 프롬프트를 보냅니다. 프롬프트 안의 빈 줄은 JSON에서 \n이 됩니다.

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. 응답은 202와 작업 id입니다.
2. 그 id로 https://api.omniakey.com/v1/media/tasks/{id}를 status가 최종 상태가 될 때까지 조회합니다. 우리 클립은 30~50초 걸렸습니다. 같은 키와 같은 본문을 다시 보내면 같은 작업이 돌아옵니다.
3. assets[0].url에서 파일을 내려받습니다. 서명된 링크라 약 한 시간이면 만료되므로, 만료되면 다시 조회해 새 링크를 받으세요.

이미지 투 비디오는 operation을 image_to_video로 두고 정지 이미지를 input.media에 type이 first_frame으로 넣습니다. HTTPS URL이나 data URI를 씁니다. 요청 본문은 인라인 Base64를 포함해 1 MiB까지입니다. 나머지는 모델 페이지와 영상 API 문서에 있습니다.

자주 묻는 질문

MiniMax H3에 구조화 형식이 꼭 필요한가요?

아니요. MiniMax는 구조를 필수로 두지 않았고, 유료 재작성 단계인 H3-Context-IR이 평범한 입력을 구조화 블록으로 바꿔 줍니다. 평범한 문장 클립도 영상은 나왔지만 컷이 제때 오지 않았습니다.

H3 프롬프트는 얼마나 길게 쓸 수 있나요?

텍스트 항목당 7,000자까지입니다. 위의 구조화한 빵집 프롬프트는 이 한도에 한참 못 미칩니다.

H3 프롬프트를 중국어로 쓸 수 있나요?

MiniMax는 대사를 안정적으로 지원하는 언어 11개를 안내하며 중국어도 그 안에 있지만, 프롬프트 본문에 쓸 수 있는 언어 목록은 공개하지 않았습니다. 가이드는 여섯 개 재작성 섹션을 영어로 쓰고 대사는 원래 언어로 두라고 하며, 우리 프롬프트는 영어로 썼습니다.

H3에서 소리를 끌 수 있나요?

MiniMax는 음소거 설정을 적어 두지 않았습니다. 사운드 필드 둘 다 N/A로 두니 테스트에서 거의 무음 클립이 나왔고, 가이드는 완전한 무음을 원할 때만 overall_soundscape에 N/A를 허용합니다.

간판 글자가 왜 깨지나요?

따옴표를 붙이지 않은 간판은 우리 클립에서 읽을 수 없는 글자로 나왔습니다. 가이드는 화면에 보이는 간판 글자를 영어 큰따옴표로 감싸라고 하며, 우리가 따옴표를 붙여 돌린 간판은 제대로 읽혔습니다.

업데이트 기록

• 2026년 10월 28일: 초판. 프롬프트 7개를 같은 날 돌렸습니다.