Minimax H3의 화제성 트래픽을 얻어 보려고, 예전에 서둘러 테스트한 뒤 바로 글을 작성해 게시했습니다. 제가 잘못했습니다. 이렇게 성의 없이 대충 쓴 글을 올리면 안 됐습니다. Minimax H3의 프롬프트 형식에는 엄격한 요구 사항이 있으며, 일반적인 방식으로 프롬프트를 작성할 수 없습니다. 그래서 공식 프롬프트 가이드를 꼼꼼히 연구해 이 튜토리얼을 작성했습니다.
>
본문 시작
>
많은 사람이 동영상 프롬프트를 작성할 때 인물, 장면, 동작, 카메라, 스타일을 모두 한 문단에 넣는 데 익숙합니다. 예를 들면, 한 소녀가 카페에 앉아 있고, 개 한 마리가 그녀의 손에 든 쿠키를 향해 달려든다. 따뜻하고 유쾌한 분위기, 영화 같은 느낌, 카메라가 앞으로 이동한다……
이런 방식이 완전히 불가능한 것은 아니지만, 인물 이미지, 장면 이미지, 동작 영상, 음성 레퍼런스를 동시에 업로드하면 모델은 다음을 구분하기 어려워집니다.
어떤 이미지가 인물의 외모를 담당하는지, 어떤 이미지가 장면을 담당하는지, 어떤 영상은 동작만 참고하는지, 어떤 오디오는 원본 그대로 유지해야 하는지, 어떤 요소는 일관되게 유지해야 하는지, 어떤 요소는 수정 가능한지
Seedance2.0의 전체 레퍼런스 모드에서는 이 문제를 해결하기 위해 @소재 방식을 사용합니다.
MiniMaxH3의 전체 레퍼런스 모드에서는 프롬프트를 구조가 명확한 동영상 제작 설명서로 작성하는 방식으로 해결합니다.
공식 요구 사항에 따르면 완전한 프롬프트는 여섯 부분으로 구성되어야 하며, 본문은 영어를 사용해야 합니다. 캐릭터의 대사, 가사, 그리고 화면에 실제로 나타나는 텍스트만 원래 언어로 유지할 수 있습니다.
>1. 먼저 핵심 원칙을 이해하기
>
전체 레퍼런스 모드의 프롬프트는 “이 동영상은 어떤 이야기를 담고 있는가?”에 답하는 것이 아닙니다.
대신 “모델은 어떤 소재에서 어떤 내용을 추출해야 하며, 동영상의 어느 시간대, 어느 쇼트, 어느 위치에서 그 내용을 사용해야 하는가?”에 답해야 합니다.
따라서 단순히 줄거리만 쓰지 마세요. 예를 들어 “한 소녀가 카페에서 개를 만난다”와 같이 말입니다.
이것이 바로 제가 서둘러 테스트할 때 저지른 실수였습니다. 트래픽을 얻어 보려고 저도 대충 쓴 글을 만들었습니다.
모델이 실행할 수 있는 장면으로 작성해야 합니다.
중간 숏. 소녀가 화면 오른쪽의 주황색 소파에 앉아 오른손에 쿠키를 들고 있다. 젊은 남자가 화면 왼쪽에서 들어오며 흰색 사모예드를 이끌고 있다. 개가 갑자기 쿠키 쪽으로 다가가고, 목줄이 팽팽해지며, 소녀는 재빨리 손을 뒤로 거둔다.
앞의 것은 이야기이고, 뒤의 것이 비로소 동영상 프롬프트입니다.
적절한 쇼트 설명에는 최소한 다음이 포함되어야 합니다. 쇼트 크기와 구도＋인물의 외형과 위치＋환경과 조명＋단일 동작＋상태 변화＋카메라 움직임＋소리와 대사
이는 사실 대부분의 동영상 모델 프롬프트 구조와 크게 다르지 않으며, 일종의 범용 구조라고 할 수 있습니다.
하지만 하이뤄 공식 문서에서는 특히 다음과 같이 강조합니다.
>
detailed_description은 줄거리 요약이나 단순한 레퍼런스 소재 대응표로 축약되어서는 안 됩니다. 각 쇼트에서 실제로 보고 들을 수 있는 내용을 명확하게 작성해야 합니다.
>
>2. 완전한 프롬프트의 여섯 부분
>
MiniMaxH3 전체 레퍼런스 모드의 표준 구조는 다음과 같습니다.
1, subject_definitions
레퍼런스 소재에서 개별적으로 식별하고 추적해야 하는 내용을 정의합니다.
2, summary생성할 동영상이 무엇인지, 각 레퍼런스 소재가 어떤 역할을 맡는지 한 단락으로 설명합니다.
3, retention_analysis레퍼런스 소재의 어떤 특징을 완전히 유지해야 하는지, 어떤 특징은 일부만 참고하면 되는지, 어떤 특징을 다른 객체에 옮겨야 하는지 모델에 알려 줍니다.
4, detailed_description가장 중요한 부분입니다. 동영상 재생 순서에 따라 장면, 동작, 카메라, 소리와 대사를 쇼트별로 설명합니다.
5, overall_soundscape바람 소리, 발소리, 실내의 배경 소음 등 환경음과 현실 세계에서 들을 수 있는 소리를 설명합니다.
6, non_diegetic_music관객만 들을 수 있고 화면 속 캐릭터는 들을 수 없는 배경 음악을 설명합니다.
이 여섯 부분은 반드시 정해진 순서대로 구성해야 합니다.
>3. 네 가지 레퍼런스 태그 사용법
>
전체 레퍼런스 모드에서 가장 중요한 기술은 레퍼런스 내용에 올바른 태그를 붙이는 것입니다.
공식 문서에서는 네 가지 태그를 정의합니다.
<SubjectN>
<PictureN>
<VideoN>
<AudioN>
여기서 N은 1부터 번호를 매깁니다.
<SubjectN>: 실제로 동영상에 등장해야 하는 내용
Subject는 “파일”이 아니라 파일에서 추출해 완성된 영상에 사용해야 하는 시각적 요소입니다. 인물, 동물, 사물, 장면, 의상, 소품, 특수 효과, 화면 스타일, 동작, 표정 또는 자세가 될 수 있습니다.
예를 들어 작은 늑대 요괴 캐릭터 이미지를 업로드했다면 프롬프트를 다음과 같이 작성할 수 있습니다.
<Subject1>is the young wolf demon in<Picture1>,with grey fur,drooping ears,worn brown clothes,and anervous expression.
뜻은 다음과 같습니다. Subject1은 Picture1 속의 어린 늑대 요괴이며, 회색 털과 축 처진 귀, 낡은 갈색 옷, 긴장한 표정을 지니고 있습니다.
한 장의 이미지에서 여러 Subject를 추출할 수 있습니다.
예를 들어 카페 사진 한 장에서 다음을 각각 추출할 수 있습니다.
<Subject1>is the young woman in<Picture1>.
<Subject2>is the coffee-shop environment in<Picture1>.
하나의 Subject가 여러 소재에서 동시에 가져온 것일 수도 있습니다.
<Subject1>is the woman whose appearance comes from<Picture1>and whose walking motion comes from<Video1>.
뜻은 다음과 같습니다. <Subject1>은 여성으로, 외모는 <Picture1>에서 가져오고 걷는 동작은 <Video1>에서 가져옵니다.
즉, Picture1은 인물의 외모를 담당하고 Video1은 인물의 걷는 동작을 담당합니다.
이것은 Minimax H3 전체 레퍼런스 모드에서 가장 실용적인 기능 중 하나입니다. 서로 다른 소재의 속성을 하나의 대상 캐릭터에 조합할 수 있습니다.
<PictureN>: 구체적인 화면 앵커
Minimax H3에서는 이미지를 업로드했다고 해서 반드시 <PictureN>을 별도로 정의해야 하는 것은 아닙니다.
이미지 자체가 다음 역할 중 하나를 맡을 때만 Picture로 별도 정의하면 됩니다.
동영상의 첫 프레임, 동영상의 마지막 프레임, 특정 키프레임, 쇼트 구도 레퍼런스, 콘티 이미지, 직접 편집해야 하는 화면
예:
<Picture2>is the first frame of[Shot1],showing the wolf demon standing outside there cruitment hall.
뜻은 다음과 같습니다. <Picture2>는 [Shot1]의 첫 프레임이며, 늑대 요괴가 그곳의 모집관 밖에 서 있는 모습을 보여 줍니다.
이미지가 인물의 외모를 정하는 용도로만 사용된다면 Picture를 별도 줄로 작성할 필요가 없습니다. Subject 정의에 포함하면 됩니다.
<Subject1>is the wolf demon in<Picture1>.
가장 흔한 실수는 이미지 다섯 장을 업로드하고 기계적으로 Picture 다섯 개를 정의하는 것입니다.
올바른 방법은 먼저 스스로 판단하는 것입니다. 이 이미지가 구체적인 화면인가, 아니면 인물, 의상, 장면 또는 스타일만 제공하는가?
특징만 제공한다면 Subject를 사용합니다.
특정 프레임이나 쇼트의 구도를 직접 제어할 때만 Picture를 사용합니다.
<VideoN>: 전체 동영상의 구조적 출처
Video는 주로 레퍼런스 동영상 전체와 목표 동영상 사이의 관계를 설명하는 데 사용됩니다. 예를 들면 다음과 같습니다.
원본 동영상 수정, 원본 동영상 이어 쓰기, 원본 동영상의 카메라 움직임 참고, 편집 리듬 참고, 쇼트 순서 참고, 전체 시간 구조 참고
예:
<Video1>is the source video for the target video edit.
뜻은 다음과 같습니다. <Video1>은 목표 동영상 편집의 소스 동영상입니다.
하지만 레퍼런스 동영상 속 특정 인물의 동작만 사용하려는 경우에는 그 인물이나 동작을 여전히 Subject로 정의해야 합니다.
<Subject2>is the nervous hand-rubbing motion from<Video1>.
뜻은 다음과 같습니다. <Subject2>는 <Video1> 속 긴장한 손 비비기 동작입니다.
소재의 출처가 동영상이라고 해서 그 안의 모든 내용을 <Video1>로 작성하지 마세요.
이렇게 이해하면 됩니다. <VideoN>은 전체 동영상의 구조와 시간 관계를 담당하고, <SubjectN>은 동영상에서 추출해 사용해야 하는 구체적인 내용을 담당합니다.
<AudioN>: 음성 소재
Audio는 다음과 같은 역할을 맡을 수 있습니다.
전체 음성을 원본 그대로 복사, 일부 음성 복사, 인물의 음색 참고, 말하는 리듬 참고, 감정과 어조 참고, 음악 스타일 참고, 음향 효과의 질감 참고, 원본 오디오의 박자 유지
예:
<Audio1>is the voice-timbre reference for<Subject1>(S1).
뜻은 다음과 같습니다. Audio1은 Subject1의 말하는 음색만 담당합니다.
주의할 점은 업로드한 동영상 파일에 소리가 포함되어 있다고 해서 반드시 Audio를 자동으로 정의해야 하는 것은 아니라는 것입니다.
소리를 실제로 복사하거나 참고해야 할 때만 <AudioN>을 정의하면 됩니다.
또한 Video와 Audio는 각각 독립적으로 번호를 매기므로 숫자를 일대일로 대응시킬 필요가 없습니다.
>4. 먼저 작업이 어떤 유형에 속하는지 판단하기
>
이 튜토리얼을 안 볼 때는 괜찮았는데, 보고 나니 오히려 아무것도 못 배우게 된 기분인가요?
사실 간단합니다.
summary의 시작 부분에 대괄호로 작업 유형을 표시해야 합니다.
자주 사용하는 유형은 여섯 가지입니다.
1, keyframe completion
레퍼런스 이미지를 첫 프레임, 마지막 프레임 또는 키프레임으로 직접 사용합니다.
[keyframe completion]
2, reference generation
인물, 장면, 스타일, 동작, 카메라 움직임 또는 음성 특징을 참고합니다.
단, 원본 동영상을 직접 수정하거나 이어 쓰지는 않습니다.
[reference generation]
일반적인 다중 소재(모달리티) 레퍼런스 생성에서 가장 자주 사용하는 유형이기도 합니다.
3, video editing
기존 동영상 한 편을 직접 수정합니다.
[video editing]
4, video continuation
원본 동영상의 끝부분부터 계속 생성합니다.
[video continuation]
5, audio reuse
원본 오디오 신호를 직접 복사합니다.
[audio reuse]
6, audiore ference
원본 음성을 복사하지 않고 음색, 리듬, 어조 또는 음악 스타일만 참고합니다.
[audio reference]
하나의 작업에 여러 유형이 동시에 포함될 수도 있습니다.
[video continuation+keyframe completion+audio reference]
동영상을 업로드했다고 해서 바로 video editing이라고 작성하지 마세요.
동영상의 카메라 움직임이나 리듬만 참고한다면 일반적으로 여전히 reference generation에 해당합니다.
원본 동영상을 직접 수정할 때만 video editing에 해당합니다.
원본 동영상의 끝부분부터 계속 생성할 때만 video continuation에 해당합니다.
>5. 모델에게 “어떤 것은 변경하면 안 되는지” 알려 주는 방법
>
retention_analysis의 역할은 참조 소재가 얼마나 보존되는지 명확히 지정하는 것입니다.
시각적 소재에는 다음 네 가지 관계를 사용합니다.
1, fully_preserved
완전히 보존합니다. 다음과 같은 경우에 적합합니다: 동일한 캐릭터를 유지해야 하는 경우; 의상을 변경할 수 없는 경우; 장면 배치를 변경할 수 없는 경우; 첫 프레임 또는 마지막 프레임을 엄격히 일치시켜야 하는 경우.
<Subject1>:fully_preserved the character's grey fur,drooping ears,brown clothes,and facial identity areretained.
즉, <Subject1>에 있는 캐릭터의 회색 털, 늘어진 귀, 갈색 옷과 얼굴 특징을 모두 보존한다는 뜻입니다.
2, partially_preserved
일부를 보존하되, 수정은 허용합니다.
예: 인물의 정체성은 유지하되 의상을 바꾸는 경우; 장면 구조는 유지하되 시간과 조명을 바꾸는 경우; 동작의 주체는 유지하되 속도를 바꾸는 경우.
3, attribute_transfer
참조 속성을 다른 객체로 전이합니다.
예: 참조 영상 속 성인의 동작을 어린 늑대 요괴에게 전이하는 경우; 참조 이미지의 의상을 다른 캐릭터에게 입히는 경우; 특정 표정을 대상 인물에게 옮기는 경우.
4, weak_reference
대략적인 유사성만 유지합니다. 다음과 같은 경우에 적합합니다: 분위기만 참조하는 경우; 화풍만 참조하는 경우; 대략적인 구도만 참조하는 경우; 컷의 리듬만 참조하는 경우.
업로드한 것이 동영상이 아니라 오디오라면 다음을 사용합니다:
fully_copy: 완전히 복사;
partially_copy: 일부 내용 복사;
reference: 음색, 리듬 또는 스타일만 참조;
weak_reference: 대략적인 분위기만 유지.
이 부분은 생성 품질을 평가하는 것이 아니라, 어떤 참조 관계가 강한 제약이고 어떤 관계가 약한 참조인지 모델에 미리 알려 주는 것입니다.
>여섯째, 실제 결과를 결정하는 것은 detailed_description입니다.
>
detailed_description은 프롬프트의 본문입니다.
공식적으로는 동영상 생성 시 프롬프트를 약 350~500개의 영어 단어로 작성할 것을 권장하지만, 기계적으로 단어 수를 맞추지는 마세요. 대사가 많은 영상은 대사가 들어갈 시간이 합리적으로 확보되는 것을 우선해야 합니다.
동영상 편집 작업은 원본 영상의 복잡도에 따라 조정합니다.
1, 한두 문장으로 전체 스타일을 먼저 정합니다.
스타일 설명은 첫 번째 샷 앞에 배치합니다:
The target video uses a stylized 3D animated mockumentary style, with slightly exaggerated expressions, warm daylight, and dry absurdist comedy.
뜻은 다음과 같습니다: 대상 영상은 약간 과장된 표정, 따뜻한 햇빛, 건조한 부조리 코미디를 특징으로 하는 스타일화된 3D 애니메이션 모큐멘터리 스타일을 사용합니다.
서로 충돌하는 스타일 단어를 수십 개 나열하지 마세요. 예:
cinematic, anime, photorealistic, watercolor, clay animation, cyberpunk, Chinese ink painting
영화적, 애니메이션, 사실적, 수채화, 클레이 애니메이션, 사이버펑크, 중국 수묵화.
올바른 작성법은 다음과 같습니다:
A stylized 3D animated mockumentary with rough hand-painted textures and natural daylight.
주요 스타일 하나를 정한 뒤 질감 특징을 한두 가지 추가하면 충분합니다.
2, 첫 번째 샷에는 시간을 쓰지 않습니다.
[Shot1]
이후 샷에는 전환 시간을 표시합니다:
[Shot2]At 00:03.000,...
[Shot3]At 00:06.500,...
타임스탬프는 새 샷이 언제 시작되는지를 나타냅니다.
3, 각 샷은 정해진 순서에 따라 작성합니다.
초보자는 다음 순서를 사용하면 실수를 효과적으로 줄일 수 있습니다:
첫 단계: 샷 크기와 구도
A medium shot shows...
A close-up frames...
A wide shot establishes...
두 번째 단계: 인물의 위치
<Subject 1> stands on the left side of the frame.
세 번째 단계: 인물의 외형
인물이 처음 등장할 때 가장 중요한 식별 특징을 간략히 다시 설명합니다:
<Subject 1>, the grey-furred young wolf demon in worn brown clothes, ...
이후 샷에서는 완전한 정의를 다시 쓸 필요가 없습니다.
네 번째 단계: 하나의 동작
He slowly hands the recommendation letter to the interviewer.
짧은 한 샷에 들어오고, 앉고, 자료를 건네고, 고개를 돌리고, 넘어지고, 일어나고, 말하고, 문을 열고 나가는 등의 여러 동작을 동시에 배치하지 마세요.
모델이 이러한 동작을 인식하지 못하는 것이 아니라, 몇 초 안에 동작 순서를 정확히 배치하기가 어렵기 때문입니다.
더 안정적인 방법은 샷을 나누는 것입니다. 이는 다른 모델에서도 자주 사용하는 다중 동작 제작 방식입니다:
샷 1: 방으로 들어오기;
샷 2: 앉기;
샷 3: 추천서를 건네기;
샷 4: 면접관이 고개를 숙여 살펴보기.
다섯 번째 단계: 표정과 상태 변화
단순히 “긴장한다”고 쓰지 말고, 눈에 보이는 변화를 적으세요:
His ears droop slightly, his shoulders tighten, and he avoids eye contact.
여섯 번째 단계: 카메라 움직임
The camera slowly pushes in.
The camera makes a slight handheld pan to the right.
The camera remains static.
필요할 때는 속도와 움직임의 폭을 명확히 쓰고, 카메라 이동이 필요하지 않다면 정적인 샷이라고 직접 적습니다.
일곱 번째 단계: 소리와 대사
소리의 출처, 말하는 방식과 구체적인 대사를 명시합니다.
>일곱째, 대사의 표준 작성법
>
실제로 소리를 내는 사람마다 고유한 화자 번호가 필요합니다:
(S1)
(S2)
(S3)
번호는 캐릭터가 처음 소리를 내는 순서에 따라 정하며, 이후에는 임의로 변경할 수 없습니다.
예:
<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>
여기서:
<Subject1>은 화면 속 참조 캐릭터를 나타냅니다;
(S1)은 소리의 출처를 나타냅니다;
[Chinese]는 대사의 언어를 나타냅니다;
<d>...</d>는 전체 대사를 감쌉니다.
같은 캐릭터가 이후에도 계속 말할 때는 여전히 (S1)을 사용합니다.
캐릭터가 화면 밖에서 말할 때:
<Subject 1> (S1), speaking off-screen, says...
주의할 점:
대사, 내레이션과 가사는 모두 <d> 안에 씁니다. 원래 언어는 그대로 유지하며 영어로 번역할 필요가 없습니다. 잘 들리지 않는 원본 대사는 [unclear]로 쓰고 임의로 추측해서는 안 됩니다. 음색만 참조하는 경우에는 참조 오디오의 원래 대사를 새 영상에 가져오지 마세요. 대사의 끝에는 일반적인 마침표, 물음표 또는 느낌표를 사용해야 합니다.
공식적으로는 “시각적 주체”와 “소리의 출처”를 서로 다른 두 추적 시스템으로 봅니다. Subject는 캐릭터가 누구인지, S1/S2는 누가 그 소리를 내는지를 관리하므로 꽤 번거롭습니다.
>여덟째, 환경음과 배경 음악은 반드시 분리해야 합니다.
>
1, overall_soundscape
화면 속 세계에 실제로 존재하는 소리를 설명합니다.
overall_soundscape: Quiet indoor room tone, faint paper rustling, wooden chair creaks, and distant crowd noise from outside the recruitment hall.
전체 사운드스케이프: 조용한 실내의 공간음, 희미하게 바스락거리는 종이 소리, 나무 의자가 삐걱거리는 소리, 채용 홀 밖에서 들려오는 먼 군중의 소음.
여기서 말하는 화면 속 세계에 실제로 존재하는 소리에는 바람 소리, 빗소리, 거리의 소음, 실내의 배경 소음, 발소리, 문 여는 소리, 옷이 스치는 소리, 물체가 부딪히는 소리가 포함됩니다.
2, non_diegetic_music
관객만 들을 수 있는 배경 음악을 설명합니다.
non_diegetic_music: A restrained plucked-string comedy score at a medium-slow tempo, with brief pauses before each punchline.
배경 음악을 사용할 때는 어떤 악기인지, 음악의 속도, 감정, 음량 변화, 점차 커지는지 여부, 웃음 포인트 전에 멈추는지 여부를 명확히 설명하는 것이 좋습니다.
전체 대사를 이 두 부분에서 반복하지 마세요. 대사는 detailed_description에만 넣습니다.
>아홉째, 처음 시작할 때 가장 흔히 저지르는 여덟 가지 실수
>
실수 1: 모든 참조 파일을 Picture로 정의하기
이미지가 인물의 외형만 담당한다면 별도의 Picture가 아니라 Subject로 정의해야 합니다.
실수 2: 참조 영상 속 인물을 Video로 작성하기
인물, 물체와 동작은 Subject에 해당합니다. Video는 주로 영상 전체의 편집, 연속성, 리듬 또는 샷 구조를 나타냅니다.
실수 3: “어떤 이미지를 참조한다”고만 쓰기
모델은 정확히 무엇을 참조해야 하는지 알 수 없습니다.
잘못된 작성법: Use Picture 1 as reference.
올바른 작성법: <Subject 1>'s facial identity, grey fur, drooping ears, and worn brown clothes come from <Picture 1>.
실수 4: 하나의 참조 소재에 너무 많은 모호한 작업을 맡기기
다음처럼 쓰지 마세요: Use Video1 for everything.
참조 요소를 모두 나누어야 합니다: 인물의 동작은 Video1에서 가져오고, 편집 리듬은 Video1을 약하게 참조하며, 오디오는 복사하지 않고, 장면은 Picture2에서 가져옵니다.
실수 5: 줄거리만 쓰고 화면을 설명하지 않기
“그는 황당한 면접에 참가했다”와 같은 프롬프트는 모델이 직접 실행할 수 없습니다.
그가 어디에 서 있는지, 면접관은 어디에 있는지, 누가 먼저 움직이는지, 동작의 폭은 어느 정도인지, 카메라가 움직이는지, 언제 말하는지를 반드시 설명해야 합니다.
실수 6: 하나의 샷에 너무 많은 동작을 넣기
한 샷에는 하나의 동작만 맡기고, 복잡한 사건은 여러 샷으로 나누어 완성합니다.
실수 7: 캐릭터 번호를 계속 바꾸기
같은 캐릭터가 한 번 (S1)이 되면 영상 전체에서 반드시 (S1)을 유지해야 합니다.
실수 8: “소리 복사”와 “소리 참조”를 혼동하기
원래 오디오 트랙을 보존하고 싶다면 audio reuse라고 씁니다.
음색이나 말하는 방식을 참조하고 싶을 뿐이라면 audio reference라고 씁니다.
>열째, 초보자가 바로 사용할 수 있는 전체 템플릿
>
아마 초보자들이 가장 좋아할 부분일 겁니다😂
>
subject_definitions:
<Subject1>은[생성해야 하는 인물, 동물, 물체 또는 장면]이며, 그[외관, 의상, 신분 등의 특징]은<Picture1>에서 가져온다.<Subject2>는[두 번째 시각적 주체]이며, 그[동작, 표정 또는 외관]은<Video1>에서 가져온다.<Picture2>는[첫 프레임/키프레임/마지막 프레임/구도 참조]로서[ShotN]의 것이다.<Video1>은[카메라 움직임/편집 리듬/시간적 구조]의 참고 자료로 사용하는 원본 영상이다.<Audio1>은<Subject1>(S1)의 음색 참고 자료다.summary:[참조 생성+오디오 참조]대상 영상은[인물, 장면 및 핵심 사건]을 보여 준다.<Picture2>는[구체적인 화면상의 역할]을 정의한다.<Video1>은[영상 참고 역할]을 제공한다.<Audio1>은[음성 참고 역할]을 제공한다.retention_analysis:<Subject1>(은[Shot1],[Shot2]에 등장):fully_preserved[반드시 유지해야 하는 인물 특징].<Subject2>(은[Shot2],[Shot3]에 등장):partially_preserved[유지할 요소와 변경 가능한 요소].<Picture2>([Shot1] 첫 프레임):fully_preserved[엄격하게 유지해야 하는 구도와 위치].<Video1>(카메라 움직임 및 속도감):weak_reference[대략적으로만 참고할 내용].<Audio1>:reference[음색, 감정 및 말하는 리듬만 참고하고 원본 신호는 복제하지 않는다].detailed_description:대상 영상은[주요 스타일]을 사용하며, [조명, 색상 및 전체적인 질감]을 갖는다.[Shot1][샷 크기]의 화면에[환경과 구도]가 보인다.<Subject1>은[핵심 외관 특징]을 지닌 채 화면의[화면 위치]에 서 있거나 앉아 있다.[캐릭터가 주요 동작을 수행한다].카메라는[카메라 움직임 방식]을 사용한다.[환경음].[Shot2]00:03.000에 화면이<Subject2>의[샷 크기] 화면으로 전환된다.[주체의 위치, 동작 및 상태 변화].<Subject1>(S1)은[음색, 감정, 속도]의 목소리로<d>[Chinese]구체적인 대사.</d>[Shot3]00:06.000에 화면이[새로운 구도]로 전환된다.[캐릭터가 주요 동작을 수행한다].<Subject2>(S2)는[음성 묘사]의 목소리로<d>[Chinese]구체적인 대사.</d>카메라는[카메라 움직임 또는 고정 상태]를 유지한다.화면은[마지막 화면 상태]에서 끝난다.overall_soundscape:[환경의 배경 소음, 발걸음, 옷 스치는 소리, 물체가 부딪히는 소리 및 기타 현실적인 소리].non_diegetic_music:[악기, 리듬, 감정, 음량 및 음악의 전개 방식].
>
>열한째, 완전한 예시: 화과산 면접에 참가한 아기 늑대 요괴
>
다음과 같이 업로드했다고 가정한다:
Picture1: 아기 늑대 요괴 캐릭터 이미지;
Picture2: 화과산 채용 홀;
Video1: 한 구직자가 긴장한 채 이력서를 건네는 동작 영상;
Audio1: 아기 늑대 요괴의 음성 참고 자료.
다음과 같이 작성할 수 있다:
subject_definitions:
<Subject 1>은 <Picture 1> 속 어린 늑대 요괴로, 회색 털과 처진 귀, 마른 체형, 낡은 갈색 옷, 늘 긴장한 표정을 지닌다.
<Subject 2>는 붉은 관복을 입고 커다란 나무 채용 책상 뒤에 앉아 있는 원숭이 면접관이다.
<Subject 3>은 <Picture 2> 속 채용 홀 환경으로, 돌벽과 붉은 깃발, 빽빽하게 놓인 나무 벤치, 그리고 “花果山人才招聘处”라고 쓰인 큰 표지판이 특징이다.
<Subject 4>는 <Video 1> 속 긴장한 서류 전달 동작으로, <Subject 1>에게 옮겨진다.
<Audio 1>은 <Subject 1>(S1)의 음색 참고 자료로, 조심스럽고 약간 떨리는 말투의 젊은 남성 목소리를 제공한다.
summary:
[참조 생성 + 오디오 참조] 대상 영상은 <Subject 1>이 <Subject 3> 안에서 <Subject 2>와 면접을 보는 모습을 보여 준다. <Subject 4>의 긴장한 서류 전달 동작은 <Subject 1>에게 옮겨진다. <Audio 1>은 <Subject 1>의 음색 참고 자료를 제공한다. 장면은 건조한 부조리 코미디 스타일로 진행되며, 면접관이 충분히 강력한 추천서가 없다는 이유로 이력서를 거절하면서 끝난다.
retention_analysis:
<Subject 1>(은 [Shot 1], [Shot 2], [Shot 3]에 등장): fully_preserved - 늑대 요괴의 얼굴 정체성, 회색 털, 처진 귀, 마른 체형, 낡은 갈색 옷, 긴장한 외모를 유지한다.
<Subject 2>(은 [Shot 1], [Shot 2], [Shot 3]에 등장): fully_preserved - 원숭이 면접관의 붉은 관복, 앉은 자세, 관료적인 표정을 유지한다.
<Subject 3>(은 [Shot 1], [Shot 2], [Shot 3]에 등장): fully_preserved - 돌로 된 채용 홀, 나무 책상, 붉은 깃발, 벤치, 눈에 보이는 중국어 채용 표지판을 유지한다.
<Subject 4>(은 [Shot 1]에 등장): attribute_transfer - 조심스럽게 서류를 건네는 동작이 <Subject 1>에게 옮겨진다.
<Audio 1>: reference - 대상 화자는 원본 오디오 신호를 복제하지 않고, 젊고 조심스러우며 약간 떨리는 음성 특성을 따른다.
detailed_description:
대상 영상은 거칠게 손으로 칠한 질감, 돌문을 통해 들어오는 따뜻한 햇빛, 약간 과장된 표정, 건조한 부조리 코미디가 어우러진 양식화된 3D 애니메이션 모큐멘터리 스타일을 사용한다.
[Shot 1] 미디엄 와이드 고정 쇼트로 <Subject 3>을 보여 주며, 붉은 깃발과 나무 벤치, “花果山人才招聘处”라고 쓰인 큰 표지판이 있는 붐비는 돌 채용 홀의 모습을 설정한다. 붉은 관복을 입은 원숭이 면접관 <Subject 2>는 화면 오른쪽의 커다란 나무 책상 뒤에 앉아 있다. 낡은 갈색 옷을 입은 마른 회색 털의 늑대 요괴 <Subject 1>은 왼쪽에 서 있다. <Subject 4>에서 옮겨진 긴장한 서류 전달 동작을 사용해, 그는 양손으로 접힌 이력서를 면접관에게 천천히 내민다. 귀는 처져 있고 어깨는 계속 긴장된 상태다. 이력서가 책상에 닿을 때 종이가 부드럽게 바스락거린다.
[Shot 2] 00:03.000에 화면이 <Subject 2>의 클로즈업으로 전환된다. 그는 이력서를 만지지 않은 채 아래로 시선을 내린다. 표정은 진지하고 약간 초조한 상태로 유지된다. <Subject 2>(S2)가 무미건조한 관료적 목소리로 묻는다. <d>[Chinese] 대성님의 추천서는 있나?</d> 그는 한쪽 눈썹을 치켜올리고 검지로 책상을 한 번 두드린다. 카메라는 고정된 상태를 유지한다.
[Shot 3] At 00:06.000, the shot cuts to a close-up of <Subject 1>. He tightens his grip on the résumé, lowers his head, and answers using the cautious, slightly trembling voice referenced from <Audio 1>. <Subject 1> (S1) says, <d>[Chinese] 아니요, 하지만 저는 힘든 일도 견딜 수 있습니다.</d> After a short pause, the shot cuts back slightly wider as <Subject 2> pushes the résumé back across the desk with one finger and says, <d>[Chinese] 우리에게 부족한 건 고생이 아니라 인맥입니다.</d> <Subject 1> remains frozen with both hands extended as the final frame holds for one second.
overall_soundscape:
A low indoor crowd murmur continues throughout the recruitment hall. Soft paper rustling, wooden chair creaks, distant footsteps, and one dry finger tap on the desk remain clearly audible.
non_diegetic_music:
A restrained plucked-string comedy score at a medium-slow tempo plays quietly beneath the scene. The music stops briefly before the interviewer's final line, followed by one short wooden-percussion note during the final frozen frame.
그러니까 말이야, 젊은이, MiniMax H3를 제대로 활용하려면 영어로 작성해야 해.
그래도 큰 문제는 아니야. 먼저 형식에 맞춰 중국어로 작성한 다음 번역하면 되지만, 가장 빠른 방법은 위의 전체 예시를 AI에게 주고 비슷하게 작성하도록 한 뒤, 나중에 요소를 바꾸는 거야😂
>열두째, 마지막으로 이 다섯 단계 작성법을 기억해 둬
>
어떤 복잡한 참고 자료를 마주하더라도 바로 긴 프롬프트를 작성하지 마.
먼저 다음 다섯 단계를 완료해:
첫째 단계: 자료 분해
각 자료는 인물, 장면, 동작, 구도, 카메라 움직임, 리듬 또는 사운드 중 무엇을 제공하는가?
둘째 단계: 태그 지정
재사용 가능한 시각 콘텐츠에는 Subject, 구체적인 화면 앵커에는 Picture, 전체 영상의 관계에는 Video, 사운드에는 Audio를 사용해.
셋째 단계: 유지 정도 결정
어떤 요소는 완전히 유지해야 하고, 어떤 요소는 수정할 수 있으며, 어떤 요소는 약한 참고에 불과한가?
넷째 단계: 쇼트 분해
실제 재생 순서에 따라 복잡한 사건을 여러 개의 단일 동작 쇼트로 나눠.
다섯째 단계: 사운드 보완
인물의 대사, 환경음, 관객만 들을 수 있는 배경 음악을 구분해.
MiniMax H3 전체 참고 프롬프트의 기본 논리는 한 문장으로 요약할 수 있어:
모델에게 어떤 파일을 업로드했는지 말하지 말고, 각 자료가 무엇을 담당하는지, 그리고 완성된 영상의 어느 쇼트에서 어떻게 적용되어야 하는지를 말해.
MiniMax H3는 엄격한 형식 요구 사항이 있으며, Seedance2.0 같은 모델과는 사용 방식이 완전히 달라. 현재로서는 이 형식을 지켜야 좋은 결과물을 얻을 가능성이 있어.
이렇게 번거로운 작업을 하고 싶지 않다면 조금 더 기다려 봐. 이 분야를 최적화해 줄 고수가 나타날 거야.
>그럼 이만
끝