Guia de prompts do MiniMax H3: estrutura, exemplos e clipes reais

Um prompt do H3 tem três campos: integrated_multimodal_description para a imagem e os planos cronometrados, overall_soundscape para o ambiente e non_diegetic_music para a música que só o público ouve. Coloque At 00:05.000, the camera cuts to … antes de cada plano seguinte, marque os falantes como (S1) e (S2) e envolva cada linha em <d>[English] …</d>. Rodamos sete prompts em 28 de outubro de 2026 e todo corte pedido caiu dentro de um quarto de segundo.

A estrutura do prompt do MiniMax H3

O model card da MiniMax diz que o H3-Base consome o bloco estruturado e chama sua etapa de reescrita, a H3-Context-IR, de "critical to the quality of the final output". A MiniMax nunca torna a estrutura obrigatória, e os exemplos da própria empresa também usam frases simples.

• Linha de abertura (só imagem para vídeo e primeiro e último quadro): uma frase que nomeia os quadros e suas marcas de tempo, depois uma linha em branco; a primeira linha do prompt.

• integrated_multimodal_description: planos com timecodes, ações, câmera, falantes e diálogo; o primeiro dos três campos centrais.

• overall_soundscape: sons de ambiente, de ação e não verbais, 1–4 frases em inglês; N/A só quando se pede silêncio total.

• non_diegetic_music: música que só o público ouve, 1–3 frases em inglês; N/A quando não há essa música.

• Em imagem para vídeo, a primeira linha é a frase fixa que nomeia o quadro, seguida de uma linha em branco.

• Cada plano seguinte começa com um timecode, como At 00:05.000, the camera cuts to ….

• O primeiro falante é (S1), e cada linha fica dentro de <d>[English] …</d>.

• Placas e etiquetas visíveis vão entre aspas duplas inglesas.

• Dê 1–4 frases em inglês a overall_soundscape e 1–3 a non_diegetic_music. Escreva N/A só quando quiser silêncio total, e nomeie um rótulo de estilo no plano 1, como "Live-action, cinematic".

Como fizemos os clipes

• Rodamos o minimax-h3 em 768P pelo OmniaKey em 28 de outubro de 2026. Clipes de texto para vídeo são 16:9; clipes de imagem para vídeo pegam o formato do primeiro quadro.
• Os primeiros quadros saíram do GPT Image 2 em 1536×1024, qualidade medium. O último quadro do clipe da tulipa é uma edição do primeiro.
• Cada clipe levou de 30 a 50 segundos para renderizar. Ao enviar cinco tarefas de uma vez, uma foi limitada por taxa; enviada sozinha, renderizou.
• Lemos os quadros em tempos fixos, medimos onde cada corte caiu, quanto durou cada arquivo e qual era o volume, e pedimos a dois modelos de áudio que transcrevessem a fala.
• O OmniaKey vende acesso de API ao MiniMax H3, então os clipes rodaram por ele. Os preços abaixo são os de tabela da MiniMax, não os nossos.
• Fontes: os guias de prompt base e ref da MiniMax, conferidos em 28 de outubro de 2026, e a página de preços, conferida em 26 de outubro de 2026.

Rodamos um clipe por prompt, então trate cada resultado como uma única amostra.

Sete prompts com clipes reais

1. Uma frase simples e a versão estruturada da mesma padaria

A mesma cena de padaria, escrita de duas formas, mostra o que os três campos acrescentam.

Frase simples:

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.

Em português: um padeiro abre as venezianas da pequena padaria antes do nascer do sol, põe um pão fresco no balcão de madeira e diz "First batch of the morning.", e depois um close do vapor que sobe do pão fatiado.

Campos estruturados:

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.

Em português: a mesma cena dividida no plano 1 com ação e diálogo, o corte em 5.00 segundos, o som de ambiente e a música.

Ajustes: text_to_video, 768P, 16:9, 8 segundos cada.

Resultado: a versão estruturada cortou na hora; a simples não, e o som dela é mais baixo.

• O clipe estruturado cortou em 5.00 segundos, o momento que o prompt pede. O simples cortou em 6.54 segundos, onde nenhum horário foi pedido.
• O prompt simples não tem campos de som. A trilha dele fica em −43.4 dB na média, contra −18.7 dB do clipe estruturado.
• Os dois modelos de áudio discordaram no clipe simples, e um ouviu palavras que o prompt não tem, então não citamos nenhuma fala desse clipe.

O que mudar:

• Tente um timecode para cada corte que você precisa, mesmo em um prompt simples.
• Tente colocar entre aspas duplas inglesas o texto das placas que você quer que sejam lidas. Os dois clipes de padaria tinham placas sem aspas, e elas saíram como letras, não como palavras.

2. Três planos cronometrados, cortes em 3.5 e 7 segundos

O segundo clipe do conjunto é o teste de vários planos: três planos em um clipe de 10 segundos, com cada corte escrito como 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

Em português: um plano aberto de um pequeno porto pesqueiro ao amanhecer, um corte em 3.50 segundos para as mãos do pescador amarrando a corda num cunho de ferro e outro em 7.00 segundos, quando três gaivotas levantam voo.

Ajustes: text_to_video, 768P, 16:9, 10 segundos; non_diegetic_music em N/A.

Resultado: o primeiro corte chegou na hora, o segundo chegou 0.25 segundos atrasado e o arquivo durou 10.13 segundos.

• O corte em 3.50 segundos bate com o prompt. O corte em 7.25 segundos não bate com os 7.00 segundos pedidos.
• O plano do cunho já está na tela em 5.0 segundos, e as gaivotas levantam voo por volta de 8.5 segundos.
• A trilha fica em −39.4 dB na média, e nenhum dos dois modelos de áudio ouviu fala.

O que mudar:

• Se o segundo corte precisa cair em 7.00 segundos, tente terminar o plano 2 um quarto de segundo antes.

3. Dois falantes em uma cena

O quarto clipe do conjunto tem dois falantes, cada um com uma fala. O Kling 3.0 escreve diálogo de outro jeito, então para esse formato veja o guia de prompts do 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

Em português: num balcão de ramen minúsculo sob um letreiro de neon vermelho, o cozinheiro põe uma tigela fumegante na frente de uma jovem e diz "One more bowl?"; em 4.00 segundos, ela levanta os palitinhos e responde "Make it extra spicy.".

Ajustes: text_to_video, 768P, 16:9, 8 segundos; non_diegetic_music em N/A.

Resultado: a placa foi lida certo e as duas falas saíram, mas o corte veio 0.08 segundos antes.

• Os dois modelos de áudio transcreveram "One more bowl. Make it extra spicy." palavra por palavra.
• O cozinheiro serve a tigela no plano 1, e o corte para a jovem chega em 3.92 segundos.
• A placa aparece como OPEN UNTIL 2 AM nos dois quadros do plano 1 que conferimos.

O que mudar:

• Tente colocar aspas em todas as placas que você quer que sejam lidas, não só em uma. A única placa com aspas deste clipe saiu certa.

4. Imagem para vídeo: o primeiro quadro define o visual

O quinto clipe parte de uma imagem fixa que fizemos com o GPT Image 2 em 1536×1024: uma mulher no torno de oleiro em um estúdio com luz de janela. Para imagens fixas, comece pelo guia de prompts do 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

Em português: a mulher da imagem continua no torno, o torno começa a girar, ela abre o barro e o puxa para cima até formar um cilindro alto e, no fim, levanta o olhar, sorri e diz "Almost there.".

Ajustes: image_to_video, 768P, 6 segundos pedidos, primeiro quadro, sem proporção.

Resultado: a mulher manteve o visual do primeiro quadro, e o barro subiu para uma forma mais alta.

• O cabelo, o avental e as prateleiras do estúdio batem com a imagem fixa em todos os quadros que conferimos.
• O barro é um cone em 2.0 segundos e uma forma alta em 4.0 segundos. Em 6.4 segundos ela está sorrindo.
• Quatro modelos de áudio ouviram "Almost there.".
• O arquivo dura 6.58 segundos, não 6.

O que mudar:

• Tente planejar um clipe de imagem para vídeo de 6 segundos como uns 6.6 segundos.

5. Primeiro e último quadro: uma tulipa se abre

O sétimo clipe tem primeiro e último quadro, os dois imagens fixas. O primeiro é um botão de tulipa vermelho fechado em um vaso de vidro; o último é uma edição dele, com a flor aberta.

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.

Em português: um plano fixo que começa no botão fechado do Picture 1, abre as pétalas uma a uma até mostrar o centro amarelo e termina na forma aberta e na composição do Picture 2.

Ajustes: image_to_video com first_frame e last_frame, 768P, 6 segundos pedidos.

Resultado: o botão se abriu até o último quadro, com a câmera parada e o vaso intacto.

• As pétalas estão meio abertas em 3.0 segundos e totalmente abertas em 6.5 segundos, igual ao último quadro.
• Os dois modelos de áudio ouviram piano solo, e nenhum ouviu fala.
• O arquivo dura 6.58 segundos, e a trilha fica em −26.0 dB na média.

O que mudar:

• Para uma abertura mais lenta, tente um clipe mais longo. Rodamos só uma versão de 6 segundos.

6. Silêncio: os dois campos de som em N/A

O sexto clipe testa o que o N/A faz: os dois campos de som em N/A, com uma raposa andando na 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

Em português: um plano aberto de uma raposa vermelha atravessando neve fresca em uma floresta de pinheiros ao amanhecer; a câmera acompanha enquanto ela para, levanta a cabeça e olha para a câmera. O ambiente e a música estão em N/A.

Ajustes: text_to_video, 768P, 16:9, 6 segundos pedidos; os dois campos de som em N/A.

Resultado: o clipe é quase mudo, mas não mudo.

• A trilha fica em −57.8 dB na média e chega ao pico de −38.2 dB.
• Nesse nível, as transcrições dos modelos de áudio não são confiáveis, então não informamos sons para este clipe.
• O arquivo dura 6.58 segundos.

O que mudar:

• Use N/A em overall_soundscape só quando quiser silêncio total, como o guia diz.

Falhas comuns e como corrigir

Estes casos vêm dos nossos próprios clipes, não do guia. Os números de seção apontam para os prompts acima.

Quanto custa um clipe

A MiniMax cobra por segundo de saída, nos preços de tabela dela.

Um clipe de 10 segundos custa $0.80 em 768P e $1.30 em 2K, calculado com as mesmas tarifas. Cada imagem de entrada extra custa $0.04, e as 5 primeiras por tarefa são grátis. A H3-Context-IR, a chamada de reescrita opcional, é cobrada por tokens; a resposta de exemplo dela informa 9,090 tokens no total.

Preços de tabela da MiniMax, conferidos em 26 de outubro de 2026. Os preços do OmniaKey estão na página do modelo MiniMax H3, e o fluxo da chamada está no guia da API do MiniMax H3.

Rode estes prompts pela API

Esta requisição envia o prompt do porto da seção 2. As linhas em branco do prompt viram \n dentro do 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. A resposta é 202 com um id de tarefa.
2. Consulte https://api.omniakey.com/v1/media/tasks/{id} com esse id até status ser final. Nossos clipes levaram de 30 a 50 segundos. Enviar a mesma chave e o mesmo corpo de novo devolve a mesma tarefa.
3. Baixe o arquivo em assets[0].url. O link é assinado e dura cerca de uma hora, então consulte de novo se ele expirar.

Para imagem para vídeo, coloque operation como image_to_video e a imagem fixa em input.media com type first_frame, como URL HTTPS ou data URI. O corpo inteiro da requisição é limitado a 1 MiB, incluindo o Base64 em linha. A página do modelo e a documentação da API de vídeo cobrem o resto.

Perguntas frequentes

O MiniMax H3 exige o formato estruturado?

Não. A MiniMax nunca torna a estrutura obrigatória, e a H3-Context-IR, a etapa de reescrita paga, transforma a entrada simples no bloco estruturado. Nosso clipe de frase simples também gerou um vídeo, mas o corte não estava cronometrado.

Qual é o tamanho máximo de um prompt do H3?

O limite é de 7,000 caracteres por item de texto. O prompt estruturado da padaria acima fica bem abaixo disso.

Posso escrever prompts do H3 em chinês?

A MiniMax lista 11 idiomas com suporte estável de diálogo, o chinês entre eles, mas não publica uma lista de idiomas para o texto do prompt. O guia pede as seis seções de reescrita em inglês e deixa o diálogo no idioma dele, e nossos prompts estavam em inglês.

Dá para desligar o som no H3?

A MiniMax não documenta nenhum ajuste de mudo. Colocar N/A nos dois campos de som deu um clipe quase mudo no nosso teste, e o guia permite N/A em overall_soundscape só quando você quer silêncio total.

Por que minha placa saiu embaralhada?

Placas que o prompt não pôs entre aspas saíram como letras ilegíveis nos nossos clipes. O guia pede o texto visível das placas entre aspas duplas inglesas, e a única placa com aspas que rodamos foi lida certo.

Registro de atualizações

• 28 de outubro de 2026: primeira versão, sete prompts rodados no mesmo dia.