Minimax H3の話題による流入に便乗したくて、以前は急いでテストした後、そのまま記事を書いて公開してしまいました。すみません、あんなに雑な内容の記事を書くべきではありませんでした。Minimax H3のプロンプト形式には厳格な要件があり、通常の考え方ではプロンプトを書けません。そこで公式のプロンプトガイドを丁寧に研究し、このチュートリアルをまとめました。
>
本文開始
>
多くの人は動画プロンプトを書くとき、人物、シーン、動作、カメラ、スタイルをすべて一つの文章に詰め込みがちです。たとえば、カフェに座る女の子に、1匹の犬が彼女の手にあるクッキーへ飛びかかる。温かくコミカルな画面、映画的な雰囲気、カメラが前進する……といった具合です。
この書き方が完全に使えないわけではありません。しかし、人物画像、シーン画像、動作動画、音声参考を同時にアップロードすると、モデルは次のことを区別できなくなりがちです。
どの画像が人物の外見を担当するのか。どの画像がシーンを担当するのか。どの動画は動作だけを参考にするのか。どの音声はそのまま保持する必要があるのか。どの要素は一貫性を保つ必要があり、どの要素は変更してよいのか。
Seedance2.0の完全リファレンスモードでは、この問題を<素材>の形式で解決します。
MiniMaxH3の完全リファレンスモードでは、プロンプトを構造の明確な動画制作仕様書として書くことで解決します。
公式の要件では、完全なプロンプトは6つの部分で構成され、主体部分は英語で記述します。キャラクターのセリフ、歌詞、画面上に実際に表示される文字だけは原言語のまま残せます。
>一、まず核心原則を理解する
>
完全リファレンスモードのプロンプトは、「この動画はどんな物語か？」に答えるものではありません。
「モデルはどの素材から何を抽出し、それらを動画のどの時間、どのショット、どの位置で使用すべきか？」に答えるものです。
したがって、単にあらすじを書くのは避けてください。たとえば「女の子がカフェで犬に出会う」だけでは不十分です。
これが、私が急いでテストしたときに犯した間違いです。流入に便乗したくて、内容の薄い記事を書いてしまいました。
モデルが実行できる画面描写にする必要があります。
ミディアムショット。女の子は画面右側のオレンジ色のソファに座り、右手にクッキーを持っている。若い男性が画面左側から入り、白いサモエドを連れている。犬が突然クッキーに近づき、リードが張り詰め、女の子は素早く手を後ろへ引く。
前者は物語であり、後者こそが動画プロンプトです。
適切なショット描写では、少なくとも次の点を説明する必要があります。ショットサイズと構図＋人物の外見と位置＋環境と照明＋単一の動作＋状態の変化＋カメラワーク＋音声とセリフ。
これは実際、ほとんどの動画モデルのプロンプト構造と大きく変わらず、汎用的な構造と言えます。
ただし、海螺の公式は特に次の点を注意しています。
>
detailed_descriptionは、あらすじの要約や単純な参考素材の対応表に変えてはなりません。各ショットで実際に見えるもの、聞こえるものを明確に記述する必要があります。
>
>二、完全なプロンプトの6つの部分
>
MiniMaxH3完全リファレンスモードの標準構造は次のとおりです。
1、subject_definitions
参考素材の中から、個別に識別して追跡する必要がある内容を定義する
2、summary
生成する動画の内容と、それぞれの参考素材が担う役割を短く説明する
3、retention_analysis
参考素材のどの特徴を完全に保持し、どれを部分的に参考し、どの特徴を他の対象へ移すのかをモデルに伝える
4、detailed_description
最も重要な部分。動画の再生順に沿って、画面、動作、カメラ、音声、セリフをショットごとに記述する
5、overall_soundscape
環境音や、現実世界で聞こえる音を記述する。たとえば風の音、足音、室内の環境ノイズなど
6、non_diegetic_music
観客にだけ聞こえ、画面内のキャラクターには聞こえないBGMを記述する
この6つの部分は、必ず決められた順序で構成する必要があります。
>三、4種類の参考タグの使い方
>
完全リファレンスモードで最も重要なコツは、参考内容に正しいタグを付けることです。
公式では4種類のタグが定義されています。
<SubjectN>
<PictureN>
<VideoN>
<AudioN>
Nは1から順に番号を付けます。
<SubjectN>：実際に動画へ登場させる内容
Subjectは「ファイル」ではありません。ファイルから抽出し、完成した動画で使用する視覚要素です。人物、動物、物体、シーン、衣装、小道具、特殊効果、画面スタイル、動作、表情やポーズなどを指定できます。
たとえば、小さな狼妖のキャラクター画像をアップロードした場合、次のようにプロンプトを書きます。
<Subject1>is the young wolf demon in<Picture1>,with grey fur,drooping ears,worn brown clothes,and anervous expression.
意味は、「Subject1は<Picture1>にいる若い狼妖で、灰色の毛、垂れた耳、使い古した茶色の服、緊張した表情をしている」です。
1枚の画像から複数のSubjectを定義できます。
たとえば、カフェの写真から次のものを抽出できます。
<Subject1>is the young woman in<Picture1>.
<Subject2>is the coffee-shop environment in<Picture1>.
同じSubjectが複数の素材に由来していても構いません。
<Subject1>is the woman whose appearance comes from<Picture1>and whose walking motion comes from<Video1>.
意味は、「<Subject1>は女性で、外見は<Picture1>から、歩行動作は<Video1>から取得する」です。
つまり、Picture1が人物の外見を担当し、Video1が人物の歩行動作を担当します。
これはMinimax H3完全リファレンスモードで最も実用的な機能の一つです。異なる素材の属性を、同じ対象キャラクターに組み合わせられます。
<PictureN>：具体的な画面アンカー
Minimax H3では、画像をアップロードしたからといって、必ず<PictureN>を個別に定義する必要はありません。
画像自体が次の役割を担う場合にのみ、Pictureとして個別に定義します。
動画の最初のフレーム、動画の最後のフレーム、特定のキーフレーム、ショット構図の参考、絵コンテ画像、直接編集する必要がある画面。
たとえば：
<Picture2>is the first frame of[Shot1],showing the wolf demon standing outside there cruitment hall.
意味は、「<Picture2>は【Shot1】の最初のフレームで、狼妖があの募集ホールの外に立っている様子を示す」です。
画像が人物の外見を決めるためだけに使われる場合は、Pictureとして別の行を書く必要はありません。Subjectの定義に含めれば十分です。
<Subject1>is the wolf demon in<Picture1>.
最もよくある間違いは、5枚の画像をアップロードしたからといって、機械的に5つのPictureを定義することです。
正しい方法は、まず自分で確認することです。この画像は具体的な画面なのか、それとも人物、衣装、シーン、スタイルだけを提供するものなのか。
特徴だけを提供するならSubjectを使います。
特定のフレームやショットの構図を直接コントロールする場合にのみPictureを使います。
<VideoN>：動画全体の構造の元
Videoは主に、参考動画全体とターゲット動画の関係を説明するために使います。たとえば、元動画の変更、元動画の続きの生成、元動画のカメラワークの参考、編集テンポの参考、ショット順序の参考、動画全体の時間構成の参考などです。
たとえば：
<Video1>is the source video for the target video edit.
意味は、「<Video1>はターゲット動画編集の元動画である」です。
ただし、参考動画に登場する人物の動作だけを使いたい場合、その人物や動作は引き続きSubjectとして定義する必要があります。
<Subject2>is the nervous hand-rubbing motion from<Video1>.
意味は、「<Subject2>は<Video1>にある緊張した手をこする動作である」です。
素材の出所が動画だからといって、動画内のすべての内容を<Video1>として記述してはいけません。
次のように理解できます。<VideoN>は動画全体の構造と時間的な関係を管理し、<SubjectN>は動画から抽出して使用する具体的な内容を管理します。
<AudioN>：音声素材
Audioは次の役割を担えます。
音声全体をそのままコピーする。一部をコピーする。人物の声質を参考にする。話すテンポを参考にする。感情や語調を参考にする。音楽のスタイルを参考にする。効果音の質感を参考にする。元音声のリズムを引き継ぐ。
たとえば：
<Audio1>is the voice-timbre reference for<Subject1>(S1).
意味は、「Audio1は<Subject1>の話し声の声質だけを担当する」です。
注意してください。アップロードした動画ファイルに音声が含まれているからといって、必ずAudioを定義しなければならないわけではありません。
音声を実際にコピーまたは参考にする場合にのみ、<AudioN>を定義します。
また、VideoとAudioはそれぞれ独立して番号を付けるため、数字を一対一で対応させる必要はありません。
>四、まずタスクがどの種類に属するかを判断する
>
「このチュートリアル、見なければよかった。読んだら何もかも分からなくなった」という感じがしませんか。
実は簡単です。
summaryの冒頭で、角括弧を使ってタスクの種類を示す必要があります。
よく使われる種類は6つあります。
1、keyframe completion
参考画像をそのまま最初のフレーム、最後のフレーム、またはキーフレームとして使用する。
[keyframe completion]
2、reference generation
人物、シーン、スタイル、動作、カメラワーク、音声の特徴を参考にする。
ただし、元動画を直接編集したり、続きを生成したりはしない。
[reference generation]
これは通常の複数素材（モダリティ）参考生成で最もよく使われる種類でもあります。
3、video editing
既存の動画を直接編集する。
[video editing]
4、video continuation
元動画の最後から続きを生成する。
[video continuation]
5、audio reuse
元の音声信号をそのままコピーする。
[audio reuse]
6、audio reference
元の音声をコピーせず、声質、テンポ、語調、または音楽スタイルだけを参考にする。
[audio reference]
1つのタスクに複数の種類を同時に含めることもできます。
[video continuation+keyframe completion+audio reference]
動画をアップロードしたからといって、すぐにvideo editingと書いてはいけません。
動画のカメラワークやテンポを参考にするだけなら、通常はreference generationに該当します。
元動画を直接編集する場合にのみvideo editingに該当します。
元動画の最後から続きを生成する場合にのみvideo continuationに該当します。
>五、モデルに「どの要素を変更してはいけないか」を伝える方法
>
retention_analysisの役割は、参考素材をどの程度保持するかを明確にすることです
視覚素材には、以下の4種類の関係を使用します
1，fully_preserved
完全に保持します。以下の場合に適しています：同じキャラクターを維持する必要がある；衣装を変更できない；シーンのレイアウトを変更できない；最初または最後のフレームを厳密に一致させる必要がある
<Subject1>:fully_preserved the character's grey fur,drooping ears,brown clothes,and facial identity areretained.
つまり、<Subject1>のキャラクターの灰色の毛皮、垂れた耳、茶色の服、顔の特徴をすべて保持します
2，partially_preserved
一部を保持しますが、変更も許可します。
例：人物のアイデンティティは維持しつつ衣装を変更する；シーンの構造は維持しつつ時間帯や照明を変える；動作の主体は維持しつつ速度を変える
3，attribute_transfer
参考素材の属性を別の対象に移します
例：参考動画に登場する成人の動作を小さな狼妖に移す；参考画像の衣装を別のキャラクターに着せる；ある表情を対象の人物に移す
4，weak_reference
大まかな類似性だけを維持します。以下の場合に適しています：雰囲気だけを参考にする；画風だけを参考にする；大まかな構図だけを参考にする；カットのテンポだけを参考にする
アップロードしたものが動画ではなく音声の場合は、以下を使用します：
fully_copy：完全にコピーする；
partially_copy：一部の内容をコピーする；
reference：音色、テンポ、またはスタイルだけを参考にする；
weak_reference：大まかな雰囲気だけを維持する
この部分は生成品質を評価するためのものではありません。どの参考関係が強い制約で、どれが弱い参考なのかを、あらかじめモデルに伝えるためのものです
>六、本当に効果を左右するのはdetailed_description
>
detailed_descriptionはプロンプトの本体です
公式では、動画生成時のプロンプトを約350～500語の英語で書くことを推奨しています。ただし、機械的に語数を増やしてはいけません。セリフが多い動画では、まずセリフの時間を無理なく収められることを優先してください
動画編集タスクでは、元動画の複雑さに応じて調整します
1、まず1～2文で全体のスタイルを決める
スタイルの説明は最初のショットより前に置きます：
The target video uses a stylized 3D animated mockumentary style, with slightly exaggerated expressions, warm daylight, and dry absurdist comedy.
意味は次のとおりです：対象動画は、やや誇張された表情、暖かな日光、乾いた不条理コメディを取り入れた、スタイライズド3Dアニメーションのモキュメンタリー風です
次のように、互いに矛盾するスタイル用語を何十個も並べないでください：
cinematic, anime, photorealistic, watercolor, clay animation, cyberpunk, Chinese ink painting
映画的、アニメ、写実的、水彩、クレイアニメーション、サイバーパンク、中国水墨画
正しい書き方は次のとおりです：
A stylized 3D animated mockumentary with rough hand-painted textures and natural daylight.
主となるスタイルを1つ決め、質感の特徴を1～2個補足すれば十分です
2、最初のショットには時間を書かない
[Shot1]
後続のショットには切り替え時間を記載します：
[Shot2]At 00:03.000,...
[Shot3]At 00:06.500,...
タイムスタンプは、新しいショットがいつ始まるかを示します
3、各ショットは固定の順序で書く
初心者は次の順序を使うと、失敗を効果的に避けられます：
第1段階：ショットサイズと構図
A medium shot shows...
A close-up frames...
A wide shot establishes...
第2段階：人物の位置
<Subject 1> stands on the left side of the frame.
第3段階：人物の外見
人物が初めて登場するときは、最も重要な識別特徴を簡潔に再確認します：
<Subject 1>, the grey-furred young wolf demon in worn brown clothes, ...
後続のショットでは、完全な定義を繰り返す必要はありません
第4段階：単一の動作
He slowly hands the recommendation letter to the interviewer.
短いショットの中に、入ってくる、座る、資料を渡す、振り向く、転ぶ、立ち上がる、話す、ドアを押して出ていく、といった複数の動作を同時に詰め込まないでください
モデルがこれらの動作を理解できないのではなく、数秒の中で動作の順序を正確に配置するのが難しいのです
より安定した方法は、ショットを分けることです。これも他のモデルでよく使われる、複数の動作を制作する方法です：
ショット1：部屋に入る；
ショット2：座る；
ショット3：推薦状を差し出す；
ショット4：面接官がうつむいて確認する。
第5段階：表情と状態の変化
「緊張している」とだけ書かず、目に見える変化を書きます：
His ears droop slightly, his shoulders tighten, and he avoids eye contact.
第6段階：カメラの動き
The camera slowly pushes in.
The camera makes a slight handheld pan to the right.
The camera remains static.
必要に応じて速度と幅を明確にし、カメラワークが不要な場合は静止ショットと直接書きます
第7段階：音声とセリフ
音声の出どころ、話し方、具体的なセリフを明記します
>七、セリフの標準的な書き方
>
実際に声を発する人物には、それぞれ固定の話者番号が必要です：
(S1)
(S2)
(S3)
番号はキャラクターが初めて発声した順番で決め、後から勝手に変更してはいけません。
例：
<Subject 1> (S1) says in a nervous young male voice, <d>[Chinese] 我有三封推荐信，两封是我自己写的。</d>
ここで：
<Subject1>は画面内の参考キャラクターを表します；
(S1)は音声の出どころを表します；
[Chinese]はセリフの言語を表します；
<d>...</d>はセリフ全体を囲みます。
同じキャラクターが後で話し続ける場合も、引き続き(S1)を使用します
キャラクターが画面外で話す場合：
<Subject 1> (S1), speaking off-screen, says...
注意：
セリフ、ナレーション、歌詞はすべて<d>の中に書きます；原言語は保持し、英語に翻訳する必要はありません；聞き取れない原音のセリフは[unclear]と書き、勝手に推測してはいけません；音色だけを参考にする場合は、参考音声の元のセリフを新しい動画に持ち込まないでください；セリフの末尾には通常のピリオド、疑問符、感嘆符を使用します
公式では「視覚主体」と「音声の出どころ」を別々の2つの追跡システムとして扱います。Subjectは誰がキャラクターなのかを管理し、S1/S2は誰が発声したのかを管理します。かなり面倒ですね
>八、環境音とBGMは必ず分ける
>
1，overall_soundscape
画面内の世界に実際に存在する音を説明します。
overall_soundscape: Quiet indoor room tone, faint paper rustling, wooden chair creaks, and distant crowd noise from outside the recruitment hall.
全体の音風景：静かな室内のルームトーン、かすかな紙の擦れる音、木製の椅子がきしむ音、採用ホールの外から聞こえる遠くの群衆のざわめき。
ここでいう画面内の世界に実際に存在する音には、風の音、雨音、街の音、室内の環境音、足音、ドアを開ける音、衣服が擦れる音、物体がぶつかる音などがあります
2，non_diegetic_music
観客にだけ聞こえるBGMを説明します
non_diegetic_music: A restrained plucked-string comedy score at a medium-slow tempo, with brief pauses before each punchline.
控えめな撥弦楽器によるコメディ音楽。中程度からやや遅めのテンポで、各オチの前に短い間を置きます。
BGMを使用する場合は、楽器の種類、音楽の速度、感情、音量の変化、徐々に強くなるかどうか、笑いどころの前に止まるかどうかを明確に説明するとよいでしょう
完全なセリフをこの2つの部分で繰り返さないでください。セリフはdetailed_descriptionにのみ入れます
>九、使い始めに犯しやすい8つのミス
>
ミス1：すべての参考ファイルをPictureと定義する
画像が人物の外見だけを担当する場合は、単独のPictureではなくSubjectとして定義します
ミス2：参考動画内の人物をVideoと書く
人物、物体、動作はSubjectに属します。Videoは主に動画全体の編集、連続性、テンポ、またはショット構成を表します
ミス3：「ある画像を参考にする」とだけ書く
モデルは何を参考にすればよいのか分かりません
誤った書き方：Use Picture 1 as reference.
正しい書き方：<Subject 1>'s facial identity, grey fur, drooping ears, and worn brown clothes come from <Picture 1>.
ミス4：1つの参考素材に曖昧な役割を詰め込みすぎる
Use Video1 for everything.と書いてはいけません。
参考要素をすべて分解してください：人物の動作はVideo1から；編集のテンポはVideo1を弱く参考にする；音声はコピーしない；シーンはPicture2から
ミス5：ストーリーだけを書き、画面を説明しない
「彼は不条理な面接を受けた」といったプロンプトを、モデルがそのまま実行することはできません
彼がどこに立っているのか；面接官はどこにいるのか；誰が先に動くのか；動作の大きさはどの程度か；カメラは動くのか；いつ話すのかを明確に説明する必要があります
ミス6：1つのショットに動作を詰め込みすぎる
1つのショットには1つの動作だけを担当させ、複雑な出来事は複数のショットに分けて完成させます
ミス7：キャラクター番号を何度も変える
同じキャラクターが一度(S1)になったら、動画全体を通して(S1)を維持する必要があります
ミス8：「音声のコピー」と「音声の参考」を混同する
元の音声トラックを保持したい場合は、audio reuseと書きます
音色や話し方だけを参考にしたい場合は、audior eferenceと書きます
>十、初心者がそのまま使える完全テンプレート
>
ここは初心者が最も気に入るセクションでしょう😂
>
subject_definitions:
<Subject1>は[生成する人物、動物、物体またはシーン]であり、その[外見、服装、身元などの特徴]は<Picture1>に由来する。<Subject2>は[2番目の視覚的主体]であり、その[動作、表情または外見]は<Video1>に由来する。<Picture2>は[ShotN]の[最初のフレーム／キーフレーム／最後のフレーム／構図の参照]である。<Video1>は[カメラワーク／編集リズム／時間構造]の参考として使用するソース動画である。<Audio1>は<Subject1>（S1）の声質の参照である。summary:[参照生成＋音声参照]目標動画には[人物、シーン、中心となる出来事]が描かれる。<Picture2>は[具体的な画面上の役割]を定義する。<Video1>は[動画上の参考の役割]を提供する。<Audio1>は[音声上の参考の役割]を提供する。retention_analysis:<Subject1>（[Shot1]、[Shot2]に登場）：fully_preserved[必ず保持する人物の特徴]。<Subject2>（[Shot2]、[Shot3]に登場）：partially_preserved[保持するもの、変更可能なもの]。<Picture2>（[Shot1]の最初のフレーム）：fully_preserved[厳密に保持する構図と位置]。<Video1>（カメラワークとテンポ）：weak_reference[大まかに参考にするだけの内容]。<Audio1>：reference[声質、感情、話すテンポのみを参考にし、元の信号は複製しない]。detailed_description:目標動画は、[主なスタイル]に[光、色彩、全体的な質感]を加えた表現を用いる。[Shot1][ショットサイズ]で[環境と構図]を示す。<Subject1>は[主な外見的特徴]を持ち、[画面上の位置]に立つ、または座っている。[キャラクターが実行する主な動作]。カメラは[カメラワーク]。[環境音]。[Shot2]00:03.000、ショットは<Subject2>の[ショットサイズ]に切り替わる。[主体の位置、動作、状態の変化]。<Subject1>（S1）は[声質、感情、速度]で、<d>[中国語]具体的な台詞。</d>と言う。[Shot3]00:06.000、ショットは[新しい構図]に切り替わる。[キャラクターが実行する主な動作]。<Subject2>（S2）は[音声の説明]で、<d>[中国語]具体的な台詞。</d>と返答する。カメラは[カメラワークまたは静止]。ショットは[最後の画面状態]で終わる。overall_soundscape:[環境の低いノイズ、足音、衣擦れ、物体の衝突音、その他の現実音]。non_diegetic_music:[楽器、リズム、感情、音量、音楽の展開方法]。
>
>十一、完全な例：花果山の面接を受ける小さなオオカミ妖怪
>
アップロードしたもの：
Picture1：小さなオオカミ妖怪のキャラクター画像；
Picture2：花果山の採用ホール；
Video1：ある求職者が緊張しながら履歴書を差し出す動作の動画；
Audio1：小さなオオカミ妖怪の音声参照。
次のように記述できる：
subject_definitions:
<Subject 1>は<Picture 1>に登場する若いオオカミ妖怪で、灰色の毛、垂れた耳、細い体、使い古した茶色の服、そして常に緊張している表情を持つ。
<Subject 2>は、赤い官服を着て大きな木製の採用デスクの後ろに座る、猿の面接官である。
<Subject 3>は<Picture 2>に登場する採用ホールの環境で、石壁、赤い旗、混雑した木製ベンチ、「花果山人才招聘处」と書かれた大きな看板を備えている。
<Subject 4>は<Video 1>に登場する緊張した書類の手渡し動作であり、<Subject 1>に移される。
<Audio 1>は<Subject 1>（S1）の声質の参照であり、慎重でやや震えた話し方の若い男性の声を提供する。
summary:
[参照生成＋音声参照]目標動画では、<Subject 1>が<Subject 3>の内部で<Subject 2>との就職面接を受ける。<Subject 4>の緊張した書類の手渡し動作は<Subject 1>に移される。<Audio 1>は<Subject 1>の声質の参照を提供する。シーンは乾いた不条理コメディとして構成され、面接官が、十分に強力な推薦状がないことを理由に履歴書を不採用にして終わる。
retention_analysis:
<Subject 1>（[Shot 1]、[Shot 2]、[Shot 3]に登場）：fully_preserved - オオカミ妖怪の顔のアイデンティティ、灰色の毛、垂れた耳、細い体、使い古した茶色の服、緊張した外見を保持する。
<Subject 2>（[Shot 1]、[Shot 2]、[Shot 3]に登場）：fully_preserved - 猿の面接官の赤い官服、座った姿勢、官僚的な表情を保持する。
<Subject 3>（[Shot 1]、[Shot 2]、[Shot 3]に登場）：fully_preserved - 石造りの採用ホール、木製デスク、赤い旗、ベンチ、見える中国語の採用看板を保持する。
<Subject 4>（[Shot 1]に登場）：attribute_transfer - 慎重な書類の手渡し動作を<Subject 1>に移す。
<Audio 1>：reference - 対象の話者は、元の音声信号をコピーせず、若々しく慎重で、やや震えた声質に従う。
detailed_description:
目標動画は、粗い手描きのテクスチャ、石造りの入口から差し込む暖かな昼光、やや誇張された表情、乾いた不条理コメディを取り入れた、様式化された3Dアニメーションのモキュメンタリー風映像である。
[Shot 1]中広の固定ショットで<Subject 3>を示す。そこは、赤い旗、木製ベンチ、「花果山人才招聘处」と書かれた大きな看板がある、混雑した石造りの採用ホールである。赤い官服を着た猿の面接官<Subject 2>は、画面右側の大きな木製デスクの後ろに座っている。使い古した茶色の服を着た細身で灰色の毛のオオカミ妖怪<Subject 1>は左側に立っている。<Subject 4>から移された緊張した書類の手渡し動作を使い、彼は両手で折りたたんだ履歴書を面接官にゆっくり差し出す。耳は垂れ、肩は緊張したままである。履歴書がデスクに届くと、紙がかすかに擦れる。
[Shot 2]00:03.000、ショットは<Subject 2>のクローズアップに切り替わる。彼は履歴書に触れず、視線だけを履歴書へ落とす。表情は真剣で、やや苛立っている。<Subject 2>（S2）は平板な官僚的な声で、<d>[中国語] 有大圣的推荐信吗？</d>と尋ねる。片眉を上げ、人差し指でデスクを一度叩く。カメラは固定されたままである。
[ショット3] 00:06.000で、ショットは<Subject 1>のクローズアップに切り替わる。彼は履歴書を握る手に力を込め、頭を下げ、<Audio 1>を参照した慎重でやや震える声で答える。<Subject 1>（S1）は、<d>[Chinese] いいえ、でも苦労には耐えられます。</d>と言う。短い間を置いて、ショットは少し引いた画角に戻る。<Subject 2>は指一本で履歴書を机の上に押し返し、<d>[Chinese] うちに足りないのは苦労ではなく、コネです。</d>と言う。<Subject 1>は両手を差し出したまま凍りつき、最後のフレームが1秒間保持される。
全体の音風景：
採用ホールでは、低い室内の人混みのざわめきが全編を通して続いている。柔らかな紙の擦れる音、木製の椅子がきしむ音、遠くの足音、そして机を乾いた指で一度叩く音がはっきり聞こえる。
非ダイエジェティック音楽：
中低速のテンポによる、控えめな撥弦楽器のコメディ調スコアが、シーンの下で小さく流れている。面接官の最後のセリフの前に音楽が一瞬止まり、最後の静止フレームで短い木製打楽器の音が1回入る。
つまり、若者よ、Minimax H3をうまく使いたいなら、英語で臨む必要がある
とはいえ、大きな問題ではない。まず形式に沿って中国語で書いてから翻訳してもいいし、最も早い方法は、上の完全なサンプルをAIに渡して模倣生成させ、その後で要素を置き換えていくこと😂
>十二、最後にこの5段階の書き方を覚えておこう
>
どんなに複雑な参考素材を前にしても、いきなり長いプロンプトを書き始めてはいけない
まず、次の5段階を完了させる：
第1段階：素材を分解する
それぞれの素材は、人物、シーン、動作、構図、カメラワーク、テンポ、それとも音声のどれを提供しているのか？
第2段階：タグを決める
再利用可能な視覚情報にはSubject、具体的な画面のアンカーにはPicture、動画全体の関係性にはVideo、音声にはAudioを使う
第3段階：保持の度合いを決める
どれを完全に保持し、どれを変更可能とし、どれを弱い参考にとどめるのか？
第4段階：ショットを分解する
実際の再生順に従い、複雑な出来事を複数の単一動作ショットに分解する
第5段階：音声を補う
人物のセリフ、環境音、そして観客にしか聞こえないBGMを区別する
MiniMax H3の全参考プロンプトの根本的なロジックは、次の一言に集約できる：
モデルにアップロードしたファイルの内容を伝えるのではなく、それぞれの素材が何を担当し、完成映像のどのショットでどのように機能すべきかを伝える
MiniMax H3の使用には厳格な形式要件があり、Seedance2.0などのモデルとは使い方がまったく異なる。現時点では、この形式を守らなければ、良い映像を生成できる可能性は低い
そんなに面倒なことをしたくないなら、もう少し待とう。この分野で最適化してくれる達人が現れるはずだ
>こんな感じ
終了