MiniMax H3 prompt rehberi: yapı, örnekler ve gerçek klipler

H3 promptunda üç alan var: integrated_multimodal_description görüntü ve zaman kodlu çekimler için, overall_soundscape ortam sesi için, non_diegetic_music ise yalnızca izleyicinin duyduğu müzik için. Her yeni çekimden önce At 00:05.000, the camera cuts to … yazın, konuşmacıları (S1) ve (S2) olarak işaretleyin ve her repliği <d>[English] …</d> içine alın. 28 Ekim 2026'da yedi prompt çalıştırdık ve istediğimiz her kesme çeyrek saniye içinde geldi.

MiniMax H3 promptunun yapısı

MiniMax'in model kartı, H3-Base'in yapılandırılmış bloğu aldığını ve yeniden yazma adımı H3-Context-IR için "critical to the quality of the final output" dediğini belirtiyor. MiniMax yapıyı hiçbir yerde zorunlu kılmıyor ve kendi örneklerinde de düz cümleler kullanılıyor.

• Açılış satırı (yalnızca görselden videoya ve ilk ve son kare): kareleri ve zaman işaretlerini adlandıran bir cümle, ardından boş satır; promptun ilk satırı.

• integrated_multimodal_description: zaman kodlu çekimler, hareketler, kamera, konuşmacılar ve diyalog; üç ana alanın ilki.

• overall_soundscape: ortam, hareket ve sözsüz sesler, İngilizce 1–4 cümle; N/A yalnızca tam sessizlik isteniyorsa.

• non_diegetic_music: yalnızca izleyicinin duyduğu müzik, İngilizce 1–3 cümle; bu müzik yoksa N/A.

• Görselden videoya modunda ilk satır, kareyi adlandıran sabit cümledir ve ardından boş satır gelir.

• Her yeni çekim bir zaman koduyla başlar, örneğin At 00:05.000, the camera cuts to ….

• İlk konuşmacı (S1) olur ve her replik <d>[English] …</d> içinde durur.

• Görünen tabelalar ve etiketler İngilizce çift tırnak içine alınır.

• overall_soundscape için İngilizce 1–4 cümle, non_diegetic_music için 1–3 cümle yazın. N/A'yı yalnızca tam sessizlik istediğinizde kullanın ve ilk çekimde "Live-action, cinematic" gibi bir stil etiketi belirtin.

Klipleri nasıl ürettik

• minimax-h3 modelini 28 Ekim 2026'da OmniaKey üzerinden 768P'de çalıştırdık. Metinden videoya klipleri 16:9; görselden videoya klipleri biçimini ilk kareden alıyor.
• İlk kareler GPT Image 2 ile 1536×1024, medium kalitede üretildi. Lale klibinin son karesi, ilk karenin düzenlenmiş hâli.
• Her klip 30–50 saniyede render oldu. Beş görevi birden gönderdiğimizde biri hız sınırına takıldı; tek başına gönderildiğinde geçti.
• Kareleri sabit saniyelerde okuduk, her kesmenin nereye düştüğünü, dosyaların süresini ve ses seviyesini ölçtük, konuşmayı iki ses modeline yazdırdık.
• OmniaKey, MiniMax H3'e API erişimi satıyor, bu yüzden klipler oradan geçti. Aşağıdaki fiyatlar MiniMax'in liste fiyatları, bizim fiyatlarımız değil.
• Kaynaklar: MiniMax'in base ve ref prompt rehberleri, 28 Ekim 2026'da kontrol edildi, ve fiyat sayfası, 26 Ekim 2026'da kontrol edildi.

Prompt başına tek klip çalıştırdık, yani her sonuç tek bir örnek.

Gerçek kliplerle yedi prompt

1. Aynı fırının düz cümle ve yapılandırılmış hâli

Aynı fırın sahnesinin iki farklı yazımı, üç alanın ne eklediğini gösteriyor.

Düz cümle:

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.

Türkçesi: bir fırıncı gün doğmadan küçük fırının kepenklerini açar, taze ekmeği ahşap tezgâha koyar ve "First batch of the morning." der, ardından dilimlenmiş ekmeğin üstünden yükselen buhara yakın plan.

Yapılandırılmış alanlar:

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.

Türkçesi: aynı sahne; birinci çekim hareket ve replikle, 5.00 saniyedeki kesme, ortam sesi ve müzik olarak ayrılmış hâlde.

Ayarlar: text_to_video, 768P, 16:9, her biri 8 saniye.

Sonuç: yapılandırılmış sürüm zamanında kesildi; düz cümle kesilmedi ve sesi daha kısık.

• Yapılandırılmış klip 5.00 saniyede kesildi, yani promptun istediği yerde. Düz cümle 6.54 saniyede kesildi, oysa orada bir zaman istenmemişti.
• Düz promptta ses alanı yok. Ses kanalı ortalama −43.4 dB, yapılandırılmış klipte ise −18.7 dB.
• İki ses modeli düz klipte uzlaşmadı ve biri promptta olmayan sözcükler duydu, bu yüzden o klip için replik aktarmıyoruz.

Neyi değiştirmeli:

• İhtiyaç duyduğunuz her kesme için zaman kodu deneyin, düz bir promptta bile.
• Okunmasını istediğiniz tabelaların yazısını İngilizce çift tırnak içine almayı deneyin. İki fırın klibinde tabelalar tırnaksızdı ve yazı yerine harf olarak çıktı.

2. Üç zaman kodlu çekim, 3.5 ve 7. saniyede kesmeler

Setin ikinci klibi çok çekimli test: 10 saniyelik klipte üç çekim var ve her kesme zaman koduyla yazılmış.

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

Türkçesi: şafakta küçük bir balıkçı limanında geniş plan, 3.50 saniyede balıkçının halatı iskeledeki demir mapaya bağlayan ellerine kesme, 7.00 saniyede üç martının havalanmasına kesme.

Ayarlar: text_to_video, 768P, 16:9, 10 saniye; non_diegetic_music N/A.

Sonuç: ilk kesme zamanında geldi, ikincisi 0.25 saniye geç, dosya 10.13 saniye sürdü.

• 3.50 saniyedeki kesme promptla uyuşuyor. 7.25 saniyedeki kesme, istenen 7.00 ile uyuşmuyor.
• Bağlama demiri planı 5.0 saniyede ekranda ve martılar 8.5 saniye civarında havalanıyor.
• Ses kanalı ortalama −39.4 dB ve iki ses modelinin ikisi de konuşma duymadı.

Neyi değiştirmeli:

• İkinci kesmenin 7.00 saniyede gelmesi gerekiyorsa, ikinci çekimi çeyrek saniye erken bitirmeyi deneyin.

3. Tek sahnede iki konuşmacı

Setin dördüncü klibinde iki konuşmacı var, her birinin bir repliği. Kling 3.0 diyaloğu başka türlü yazıyor, bu biçim için Kling 3.0 prompt rehberine bakın.

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

Türkçesi: kırmızı neon tabelalı minicik bir ramen tezgâhında aşçı, dumanı tüten kaseyi genç bir kadının önüne koyar ve "One more bowl?" der; 4.00 saniyede kadın yemek çubuklarını kaldırıp "Make it extra spicy." diye yanıtlar.

Ayarlar: text_to_video, 768P, 16:9, 8 saniye; non_diegetic_music N/A.

Sonuç: tabela doğru okundu ve iki replik de geçti, ama kesme 0.08 saniye erken geldi.

• İki ses modeli de "One more bowl. Make it extra spicy." cümlesini kelimesi kelimesine yazdı.
• Aşçı kaseyi birinci çekimde servis ediyor ve kadına kesme 3.92 saniyede geliyor.
• Kontrol ettiğimiz iki birinci çekim karesinde tabela OPEN UNTIL 2 AM yazıyor.

Neyi değiştirmeli:

• Okunmasını istediğiniz tüm tabelaları tırnağa alın, yalnızca birini değil. Bu klipteki tek tırnaklı tabela doğru çıktı.

4. Görselden videoya: ilk kare görünümü belirler

Beşinci klip, GPT Image 2 ile 1536×1024'te ürettiğimiz sabit bir görselle başlıyor: pencereden ışık alan bir atölyede çömlekçi tornasında bir kadın. Sabit görseller için GPT Image 2 prompt rehberiyle başlayın.

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

Türkçesi: görseldeki kadın tornada kalır, torna dönmeye başlar, kadın kili açar ve yüksek bir silindir hâline getirir, sonra başını kaldırır, gülümser ve "Almost there." der.

Ayarlar: image_to_video, 768P, 6 saniye istendi, ilk kare, en-boy oranı yok.

Sonuç: kadın ilk kareden gelen görünümünü korudu ve kil daha yüksek bir biçime uzadı.

• Saçları, önlüğü ve atölye rafları kontrol ettiğimiz her karede sabit görselle uyuşuyor.
• Kil 2.0 saniyede koni, 4.0 saniyede yüksek bir biçim. 6.4 saniyede gülümsüyor.
• Dört ses modeli "Almost there." duydu.
• Dosya 6 değil, 6.58 saniye sürüyor.

Neyi değiştirmeli:

• 6 saniyelik bir görselden videoya klibi yaklaşık 6.6 saniye olarak planlamayı deneyin.

5. İlk ve son kare: bir lale açılıyor

Yedinci klibin ilk ve son karesi var, ikisi de sabit görsel. İlki cam vazoda kapalı kırmızı bir lale goncası; sonuncusu aynı görselin düzenlenmiş hâli, çiçek açmış.

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.

Türkçesi: Picture 1'deki kapalı goncayla başlayan sabit plan, dış yaprakları tek tek açıp sarı ortayı gösterene kadar genişler ve çekimin sonunda Picture 2'nin açık biçimine ve kompozisyonuna oturur.

Ayarlar: image_to_video, first_frame ve last_frame ile, 768P, 6 saniye istendi.

Sonuç: gonca son kareye kadar açıldı, kamera kıpırdamadı ve vazo değişmedi.

• Yapraklar 3.0 saniyede yarı açık, 6.5 saniyede tamamen açık, tıpkı son karedeki gibi.
• İki ses modeli de solo piyano duydu ve ikisi de konuşma duymadı.
• Dosya 6.58 saniye sürüyor ve ses kanalı ortalama −26.0 dB.

Neyi değiştirmeli:

• Daha yavaş bir açılış için daha uzun bir klip deneyin. Yalnızca 6 saniyelik sürümü çalıştırdık.

6. Sessizlik: iki ses alanı da N/A

Altıncı klip N/A'nın ne yaptığını test ediyor: iki ses alanı da N/A ve karda yürüyen bir tilki.

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

Türkçesi: şafakta çam ormanında taze karın üstünde yavaşça yürüyen kızıl bir tilkinin geniş planı; kamera onu izlerken durur, başını kaldırır ve kameraya bakar. Ortam ve müzik N/A.

Ayarlar: text_to_video, 768P, 16:9, 6 saniye istendi; iki ses alanı da N/A.

Sonuç: klip neredeyse sessiz, ama sessiz değil.

• Ses kanalı ortalama −57.8 dB ve −38.2 dB'de tepe yapıyor.
• Bu seviyede ses modellerinin yazdıkları güvenilir değil, bu yüzden bu klip için ses aktarmıyoruz.
• Dosya 6.58 saniye sürüyor.

Neyi değiştirmeli:

• overall_soundscape içinde N/A'yı yalnızca tam sessizlik istediğinizde kullanın, rehberin söylediği gibi.

Sık görülen aksaklıklar ve çözümleri

Bu durumlar rehberden değil, kendi kliplerimizden geliyor. Bölüm numaraları yukarıdaki promptları gösteriyor.

Bir klip ne kadar tutuyor

MiniMax, çıktı saniyesi başına kendi liste fiyatlarıyla ücret alıyor.

10 saniyelik klip 768P'de $0.80, 2K'da $1.30, aynı tarifelerle hesaplandı. Görev başına fazladan her giriş görseli $0.04 ve ilk 5 görsel ücretsiz. İsteğe bağlı yeniden yazma çağrısı H3-Context-IR tokenla ücretlendiriliyor; örnek yanıtı toplam 9,090 token bildiriyor.

MiniMax liste fiyatları, 26 Ekim 2026'da kontrol edildi. OmniaKey fiyatları MiniMax H3 model sayfasında, çağrının akışı ise MiniMax H3 API rehberinde.

Bu promptları API ile çalıştırın

Bu istek 2. bölümdeki liman promptunu gönderiyor. Prompttaki boş satırlar JSON içinde \n oluyor.

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. Yanıt, görev kimliğiyle birlikte 202 oluyor.
2. Bu kimlikle https://api.omniakey.com/v1/media/tasks/{id} adresini status sonlanana kadar sorgulayın. Kliplerimiz 30–50 saniye sürdü. Aynı anahtarı ve aynı gövdeyi yeniden göndermek aynı görevi verir.
3. Dosyayı assets[0].url adresinden indirin. Bağlantı imzalı ve yaklaşık bir saat geçerli, süresi dolarsa yeniden sorgulayın.

Görselden videoya için operation alanını image_to_video yapın ve sabit görseli input.media içine type first_frame olarak koyun; HTTPS URL ya da data URI olarak. İsteğin tamamı, satır içi Base64 dâhil, 1 MiB ile sınırlı. Geri kalanı model sayfası ve video API belgeleri anlatıyor.

Sık sorulan sorular

MiniMax H3 yapılandırılmış biçimi zorunlu tutuyor mu?

Hayır. MiniMax yapıyı hiçbir yerde zorunlu kılmıyor ve ücretli yeniden yazma adımı H3-Context-IR, düz girdiyi yapılandırılmış bloğa çeviriyor. Düz cümle klibimiz yine de video üretti, ama kesmesi zaman kodlu değildi.

Bir H3 promptu ne kadar uzun olabilir?

Sınır, metin öğesi başına 7,000 karakter. Yukarıdaki yapılandırılmış fırın promptu bunun çok altında.

H3 promptları Çince yazılabilir mi?

MiniMax, Çince dâhil 11 dili kararlı diyalogla listeliyor, ama prompt metni için bir dil listesi yayımlamıyor. Rehber altı yeniden yazma bölümünü İngilizce istiyor ve replikleri kendi dilinde bırakıyor; bizim promptlarımız İngilizceydi.

H3'te ses kapatılabilir mi?

MiniMax sessize alma ayarını belgelemiyor. İki ses alanına N/A yazmak testte neredeyse sessiz bir klip verdi ve rehber overall_soundscape içinde N/A'ya yalnızca tam sessizlik istendiğinde izin veriyor.

Tabelam neden okunmaz çıktı?

Promptun tırnağa almadığı tabelalar kliplerimizde okunmaz harfler olarak çıktı. Rehber, tabelaların görünen yazısını İngilizce çift tırnak içinde istiyor ve çalıştırdığımız tek tırnaklı tabela doğru okundu.

Güncelleme geçmişi

• 28 Ekim 2026: ilk sürüm, yedi prompt aynı gün çalıştırıldı.