Để tận dụng lưu lượng từ chủ đề Minimax H3, trước đây tôi đã vội vàng thử nghiệm rồi viết và đăng bài ngay. Tôi đã sai, không nên viết một bài hời hợt như vậy. Định dạng prompt của Minimax H3 có những yêu cầu bắt buộc, không thể viết prompt theo lối suy nghĩ thông thường. Vì vậy, tôi đã nghiên cứu kỹ hướng dẫn prompt chính thức và viết bài hướng dẫn này
>
Bắt đầu nội dung chính
>
Khi viết prompt video, nhiều người thường nhồi tất cả nhân vật, bối cảnh, hành động, máy quay và phong cách vào một đoạn: một cô gái ngồi trong quán cà phê, một chú chó lao về phía chiếc bánh quy trên tay cô, khung cảnh ấm áp và hài hước, phong cách điện ảnh, máy quay tiến lại gần…
Cách viết này không hoàn toàn không dùng được, nhưng khi bạn đồng thời tải lên ảnh nhân vật, ảnh bối cảnh, video hành động và tham chiếu âm thanh, mô hình rất dễ nhầm lẫn:
Ảnh nào chịu trách nhiệm về diện mạo nhân vật; ảnh nào chịu trách nhiệm về bối cảnh; đoạn video nào chỉ dùng để tham chiếu hành động; đoạn âm thanh nào cần được giữ nguyên; những yếu tố nào phải nhất quán; những yếu tố nào được phép thay đổi
Trong chế độ tham chiếu toàn bộ của Seedance2.0, cách giải quyết vấn đề này là sử dụng cú pháp @tài nguyên
Trong chế độ tham chiếu toàn bộ của MiniMaxH3, cách giải quyết là viết prompt thành một bản hướng dẫn sản xuất video có cấu trúc rõ ràng
Theo yêu cầu chính thức, prompt hoàn chỉnh phải gồm sáu phần và phần nội dung chính phải dùng tiếng Anh; chỉ lời thoại của nhân vật, lời bài hát và chữ thực sự xuất hiện trong khung hình mới có thể giữ nguyên ngôn ngữ gốc.
>1. Trước hết, hãy hiểu một nguyên tắc cốt lõi
>
Prompt trong chế độ tham chiếu toàn bộ không trả lời câu hỏi: video này kể câu chuyện gì?
Mà trả lời câu hỏi: mô hình nên trích xuất nội dung gì từ những tài nguyên nào, rồi sử dụng những nội dung đó vào thời điểm nào, trong cảnh quay nào và ở vị trí nào của video?
Vì vậy, đừng chỉ viết tóm tắt cốt truyện: một cô gái gặp một chú chó trong quán cà phê
Đây chính là lỗi tôi đã mắc phải khi thử nghiệm vội vàng. Để tận dụng lưu lượng, tôi cũng đã viết một bài hời hợt
Hãy viết thành hình ảnh mà mô hình có thể thực thi:
Trung cảnh, cô gái ngồi trên chiếc ghế sofa màu cam ở bên phải khung hình, tay phải cầm bánh quy. Một người đàn ông trẻ dắt theo chú chó Samoyed trắng bước vào từ bên trái khung hình. Chú chó bất ngờ tiến lại gần chiếc bánh quy, dây dắt bị kéo căng, cô gái nhanh chóng thu tay về phía sau.
Vế trước là câu chuyện, vế sau mới là prompt video
Một mô tả cảnh quay đạt yêu cầu ít nhất phải nêu rõ: cỡ cảnh và bố cục + ngoại hình và vị trí nhân vật + môi trường và ánh sáng + một hành động đơn lẻ + thay đổi trạng thái + chuyển động máy quay + âm thanh và lời thoại
Thực ra cấu trúc này không khác nhiều so với cấu trúc prompt của phần lớn mô hình video, có thể xem là cấu trúc phổ quát
Tuy nhiên, Haiper chính thức đặc biệt nhắc nhở:
>
detailed_description không được biến thành bản tóm tắt cốt truyện hoặc bảng đối chiếu tài nguyên tham chiếu đơn giản, mà phải nêu rõ những gì thực sự có thể nhìn thấy và nghe thấy trong từng cảnh quay
>
>2. Sáu phần của prompt hoàn chỉnh
>
Cấu trúc tiêu chuẩn của chế độ tham chiếu toàn bộ MiniMaxH3 như sau:
1, subject_definitions
Định nghĩa những nội dung trong tài nguyên tham chiếu cần được nhận diện và theo dõi riêng
2, summary Dùng một đoạn ngắn để giải thích video cần tạo và vai trò của từng tài nguyên tham chiếu
3, retention_analysis Cho mô hình biết những đặc điểm nào trong tài nguyên tham chiếu phải được giữ nguyên hoàn toàn, đặc điểm nào chỉ cần tham chiếu một phần và đặc điểm nào cần chuyển sang đối tượng khác
4, detailed_description Phần quan trọng nhất, mô tả lần lượt theo trình tự phát video, từng cảnh quay gồm hình ảnh, hành động, máy quay, âm thanh và lời thoại
5, overall_soundscape Mô tả âm thanh môi trường và những âm thanh có thể nghe thấy trong thế giới thực, chẳng hạn tiếng gió, tiếng bước chân và tiếng ồn nền trong nhà
6, non_diegetic_music Mô tả nhạc nền chỉ khán giả nghe thấy, còn các nhân vật trong khung hình không nghe thấy
Sáu phần này phải được sắp xếp theo đúng thứ tự cố định
>3. Cách sử dụng bốn loại thẻ tham chiếu
>
Kỹ thuật then chốt nhất trong chế độ tham chiếu toàn bộ là gắn đúng thẻ cho nội dung tham chiếu
Chính thức định nghĩa bốn loại thẻ:
<SubjectN>
<PictureN>
<VideoN>
<AudioN>
Trong đó, N được đánh số bắt đầu từ 1
<SubjectN>: nội dung thực sự cần xuất hiện trong video
Subject không phải là “tệp”, mà là yếu tố hình ảnh được trích xuất từ tệp và cần được sử dụng trong video hoàn chỉnh. Nó có thể là: nhân vật; động vật; vật thể; bối cảnh; trang phục; đạo cụ; hiệu ứng đặc biệt; phong cách hình ảnh; hành động; biểu cảm hoặc tư thế
Ví dụ, nếu bạn tải lên hình ảnh nhân vật yêu sói con, prompt nên viết như sau:
<Subject1>is the young wolf demon in<Picture1>,with grey fur,drooping ears,worn brown clothes,and anervous expression.
Nghĩa là: Subject1 là yêu sói trẻ trong Picture1, có bộ lông xám, đôi tai cụp, quần áo nâu cũ và vẻ mặt căng thẳng
Một hình ảnh có thể cung cấp nhiều Subject
Ví dụ, từ một bức ảnh quán cà phê, có thể trích xuất:
<Subject1>is the young woman in<Picture1>.
<Subject2>is the coffee-shop environment in<Picture1>.
Một Subject cũng có thể đồng thời đến từ nhiều tài nguyên:
<Subject1>is the woman whose appearance comes from<Picture1>and whose walking motion comes from<Video1>.
Nghĩa là: <Subject1> là một người phụ nữ, diện mạo của cô ấy đến từ <Picture1>, còn động tác đi bộ đến từ <Video1>
Tức là: Picture1 phụ trách diện mạo nhân vật; Video1 phụ trách động tác đi bộ của nhân vật
Đây là một trong những khả năng hữu ích nhất của chế độ tham chiếu toàn bộ Minimax H3: kết hợp các thuộc tính từ nhiều tài nguyên khác nhau vào cùng một nhân vật mục tiêu
<PictureN>: điểm neo hình ảnh cụ thể
Trong Minimax H3, không phải cứ tải lên hình ảnh là nhất định phải định nghĩa riêng một <PictureN>
Chỉ khi bản thân hình ảnh đảm nhận một trong các vai trò sau thì mới cần định nghĩa riêng dưới dạng Picture:
Khung hình đầu video; khung hình cuối video; một khung hình then chốt; tham chiếu bố cục cảnh quay; hình ảnh phân cảnh; khung hình cần được chỉnh sửa trực tiếp
Ví dụ:
<Picture2>is the first frame of[Shot1],showing the wolf demon standing outside there cruitment hall.
Nghĩa là: <Picture2> là khung hình đầu tiên của [Shot1], cho thấy yêu sói đứng bên ngoài sảnh tuyển dụng ở đó
Nếu hình ảnh chỉ dùng để xác định diện mạo nhân vật thì không cần viết riêng một dòng Picture, chỉ cần đưa nó vào định nghĩa Subject:
<Subject1>is the wolf demon in<Picture1>.
Lỗi thường gặp nhất là tải lên năm hình rồi máy móc định nghĩa năm Picture
Cách làm đúng là trước tiên phải tự xác định rõ: hình ảnh này là một cảnh cụ thể, hay chỉ chịu trách nhiệm cung cấp nhân vật, trang phục, bối cảnh hoặc phong cách?
Chỉ cung cấp đặc điểm thì dùng Subject
Chỉ khi trực tiếp kiểm soát một khung hình hoặc bố cục của một cảnh quay cụ thể mới dùng Picture
<VideoN>: nguồn cấu trúc của toàn bộ video
Video chủ yếu dùng để mô tả mối quan hệ giữa video tham chiếu hoàn chỉnh và video mục tiêu, chẳng hạn:
Chỉnh sửa video gốc; viết tiếp video gốc; tham chiếu chuyển động máy quay của video gốc; tham chiếu nhịp điệu dựng phim; tham chiếu thứ tự cảnh quay; tham chiếu cấu trúc thời gian của toàn bộ video
Ví dụ:
<Video1>is the source video for the target video edit.
Nghĩa là: <Video1> là video nguồn để chỉnh sửa video mục tiêu
Tuy nhiên, nếu bạn chỉ muốn sử dụng hành động của một người trong video tham chiếu, người hoặc hành động đó vẫn nên được định nghĩa là Subject:
<Subject2>is the nervous hand-rubbing motion from<Video1>.
Nghĩa là: <Subject2> là động tác xoa tay căng thẳng trong <Video1>
Đừng vì nguồn tài nguyên là video mà viết toàn bộ nội dung trong đó thành <Video1>
Bạn có thể hiểu như sau: <VideoN> quản lý cấu trúc và mối quan hệ thời gian của toàn bộ video; <SubjectN> quản lý nội dung cụ thể trong video cần được trích xuất và sử dụng
<AudioN>: tài nguyên âm thanh
Audio có thể phụ trách:
Sao chép nguyên vẹn toàn bộ âm thanh; sao chép một phần; tham chiếu âm sắc giọng nói của nhân vật; tham chiếu nhịp điệu lời nói; tham chiếu cảm xúc và ngữ điệu; tham chiếu phong cách âm nhạc; tham chiếu chất âm hiệu ứng; tiếp nối nhịp điệu của âm thanh gốc
Ví dụ:
<Audio1>is the voice-timbre reference for<Subject1>(S1).
Nghĩa là Audio1 chỉ phụ trách âm sắc giọng nói của Subject1
Lưu ý: video tải lên có kèm âm thanh không có nghĩa là bắt buộc phải tự động định nghĩa một Audio
Chỉ khi âm thanh thực sự cần được sao chép hoặc tham chiếu mới cần định nghĩa <AudioN>
Ngoài ra, Video và Audio được đánh số độc lập, không yêu cầu các con số phải tương ứng với nhau
>4. Trước hết, hãy xác định nhiệm vụ của bạn thuộc loại nào
>
Có phải cảm giác là không đọc hướng dẫn này thì còn đỡ, đọc xong lại thấy mình chẳng học được gì không?
Thực ra rất đơn giản
Ở đầu phần summary, cần dùng dấu ngoặc vuông để đánh dấu loại nhiệm vụ
Có sáu loại thường dùng
1, keyframe completion
Dùng hình ảnh tham chiếu trực tiếp làm khung hình đầu, khung hình cuối hoặc khung hình then chốt
[keyframe completion]
2, reference generation
Tham chiếu đặc điểm của nhân vật, bối cảnh, phong cách, hành động, chuyển động máy quay hoặc âm thanh
Nhưng không trực tiếp chỉnh sửa hoặc viết tiếp video gốc
[reference generation]
Đây cũng là loại được sử dụng phổ biến nhất trong việc tạo video tham chiếu nhiều tài nguyên (đa phương thức) thông thường
3, video editing
Trực tiếp chỉnh sửa một video có sẵn
[video editing]
4, video continuation
Tiếp tục tạo video từ phần cuối của video gốc
[video continuation]
5, audio reuse
Trực tiếp sao chép tín hiệu âm thanh gốc
[audio reuse]
6, audio reference
Không sao chép âm thanh gốc, chỉ tham chiếu âm sắc, nhịp điệu, ngữ điệu hoặc phong cách âm nhạc
[audio reference]
Trong một nhiệm vụ, có thể đồng thời có nhiều loại:
[video continuation+keyframe completion+audio reference]
Đừng vì đã tải lên video mà viết ngay là video editing
Nếu chỉ tham chiếu chuyển động máy quay hoặc nhịp điệu của video thì thường vẫn thuộc reference generation
Chỉ khi trực tiếp chỉnh sửa video gốc mới thuộc video editing
Chỉ khi tiếp tục từ phần cuối của video gốc mới thuộc video continuation
>5. Cách nói cho mô hình biết “những thứ nào không được thay đổi”
>
Vai trò của retention_analysis là xác định mức độ giữ lại của tài liệu tham chiếu
Tài liệu hình ảnh sử dụng bốn mối quan hệ sau
1，fully_preserved
Giữ lại hoàn toàn, áp dụng khi: phải duy trì cùng một nhân vật; trang phục không được thay đổi; bố cục cảnh không được thay đổi; khung hình đầu hoặc cuối phải khớp nghiêm ngặt
<Subject1>:fully_preserved the character's grey fur,drooping ears,brown clothes,and facial identity areretained.
Nghĩa là: bộ lông xám, đôi tai rũ xuống, quần áo màu nâu và đặc điểm khuôn mặt của nhân vật trong <Subject1> đều được giữ lại
2，partially_preserved
Giữ lại một phần nhưng cho phép chỉnh sửa.
Ví dụ: giữ nguyên danh tính nhân vật nhưng thay trang phục; giữ nguyên cấu trúc cảnh nhưng thay đổi thời gian và ánh sáng; giữ chủ thể của hành động nhưng thay đổi tốc độ
3，attribute_transfer
Chuyển thuộc tính tham chiếu sang một đối tượng khác
Ví dụ: chuyển động tác của người trưởng thành trong video tham chiếu cho yêu lang nhỏ; mặc trang phục trong hình tham chiếu cho một nhân vật khác; chuyển một biểu cảm sang nhân vật mục tiêu
4，weak_reference
Chỉ giữ sự tương đồng khái quát, áp dụng khi: chỉ tham khảo bầu không khí; chỉ tham khảo phong cách hình ảnh; chỉ tham khảo bố cục chung; chỉ tham khảo nhịp điệu cảnh quay
Nếu nội dung bạn tải lên không phải video mà là âm thanh, hãy sử dụng:
fully_copy：sao chép hoàn toàn;
partially_copy：sao chép một phần nội dung;
reference：chỉ tham khảo âm sắc, nhịp điệu hoặc phong cách;
weak_reference：chỉ giữ bầu không khí khái quát
Phần này không yêu cầu bạn đánh giá chất lượng tạo nội dung, mà nhằm nói trước cho mô hình biết mối quan hệ tham chiếu nào là ràng buộc chặt, mối quan hệ nào chỉ là tham khảo yếu
>Sáu, yếu tố thực sự quyết định hiệu quả là detailed_description
>
detailed_description là phần chính của prompt
Khuyến nghị chính thức là khi tạo video, hãy viết prompt dài khoảng 350 đến 500 từ tiếng Anh, nhưng không nên máy móc kéo dài cho đủ số từ. Với video có nhiều lời thoại, cần ưu tiên bảo đảm thời lượng lời thoại được sắp xếp hợp lý
Đối với tác vụ chỉnh sửa video, hãy điều chỉnh theo độ phức tạp của video gốc
1，Trước tiên dùng một hoặc hai câu để xác định phong cách tổng thể
Đặt phần mô tả phong cách trước cảnh quay đầu tiên:
The target video uses a stylized 3D animated mockumentary style, with slightly exaggerated expressions, warm daylight, and dry absurdist comedy.
Nghĩa là: video mục tiêu sử dụng phong cách phim tài liệu giả hoạt hình 3D cách điệu, với biểu cảm hơi cường điệu, ánh sáng ban ngày ấm áp và hài kịch phi lý khô khan
Không nên chất đống hàng chục từ chỉ phong cách mâu thuẫn với nhau, chẳng hạn:
cinematic, anime, photorealistic, watercolor, clay animation, cyberpunk, Chinese ink painting
điện ảnh, anime, tả thực, màu nước, hoạt hình đất sét, cyberpunk, tranh thủy mặc Trung Hoa
Cách viết đúng nên là:
A stylized 3D animated mockumentary with rough hand-painted textures and natural daylight.
Chọn một phong cách chính, sau đó bổ sung một hoặc hai đặc điểm về chất liệu là đủ
2，Không ghi thời gian cho cảnh quay đầu tiên
[Shot1]
Các cảnh quay sau ghi rõ thời điểm chuyển cảnh:
[Shot2]At 00:03.000,...
[Shot3]At 00:06.500,...
Dấu thời gian cho biết cảnh quay mới bắt đầu từ thời điểm nào
3，Viết mỗi cảnh quay theo thứ tự cố định
Người mới có thể sử dụng thứ tự sau để tránh lỗi hiệu quả:
Bước một: cỡ cảnh và bố cục
A medium shot shows...
A close-up frames...
A wide shot establishes...
Bước hai: vị trí nhân vật
<Subject 1> stands on the left side of the frame.
Bước ba: ngoại hình nhân vật
Khi nhân vật xuất hiện lần đầu, hãy nhắc ngắn gọn những đặc điểm nhận diện quan trọng nhất:
<Subject 1>, the grey-furred young wolf demon in worn brown clothes, ...
Ở các cảnh sau không cần định nghĩa lại đầy đủ
Bước bốn: một hành động duy nhất
He slowly hands the recommendation letter to the interviewer.
Không nên sắp xếp nhiều hành động cùng lúc trong một cảnh ngắn, chẳng hạn: bước vào, ngồi xuống, đưa tài liệu, quay đầu, ngã, đứng dậy, nói chuyện, mở cửa rời đi
Không phải mô hình không nhận biết được các hành động này, mà là rất khó sắp xếp đúng thứ tự trong vài giây
Cách chắc chắn hơn là tách thành nhiều cảnh. Đây cũng là phương pháp tạo nhiều hành động thường dùng ở các mô hình khác:
Cảnh 1: bước vào phòng;
Cảnh 2: ngồi xuống;
Cảnh 3: đưa thư giới thiệu;
Cảnh 4: người phỏng vấn cúi đầu xem xét.
Bước năm: thay đổi biểu cảm và trạng thái
Đừng chỉ viết “lo lắng”, hãy mô tả những thay đổi có thể nhìn thấy:
His ears droop slightly, his shoulders tighten, and he avoids eye contact.
Bước sáu: chuyển động máy quay
The camera slowly pushes in.
The camera makes a slight handheld pan to the right.
The camera remains static.
Khi cần, hãy ghi rõ tốc độ và biên độ; nếu không cần chuyển động máy quay, hãy viết trực tiếp là cảnh quay tĩnh
Bước bảy: âm thanh và lời thoại
Ghi rõ nguồn âm thanh, cách nói và lời thoại cụ thể
>Bảy, cách viết lời thoại chuẩn
>
Mỗi người thực sự phát ra âm thanh cần có một mã người nói cố định:
(S1)
(S2)
(S3)
Mã được xác định theo thứ tự nhân vật phát ra âm thanh lần đầu và không được tùy ý thay đổi về sau.
Ví dụ:
<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>
Trong đó:
<Subject1> biểu thị nhân vật tham chiếu trong khung hình;
(S1) biểu thị nguồn âm thanh;
[Chinese] biểu thị ngôn ngữ lời thoại;
<d>...</d> bao bọc toàn bộ lời thoại.
Khi cùng một nhân vật tiếp tục nói, vẫn sử dụng (S1)
Khi nhân vật nói ngoài khung hình:
<Subject 1> (S1), speaking off-screen, says...
Cần lưu ý:
Lời thoại, lời dẫn và lời bài hát đều viết trong <d>; giữ nguyên ngôn ngữ gốc, không cần dịch sang tiếng Anh; lời thoại gốc không nghe rõ phải viết [unclear], không được tự đoán; nếu chỉ tham khảo âm sắc, không đưa lời thoại gốc trong âm thanh tham chiếu vào video mới; cuối lời thoại phải dùng dấu chấm, dấu hỏi hoặc dấu chấm than thông thường
Chính thức, “chủ thể hình ảnh” và “nguồn âm thanh” được xem là hai hệ thống theo dõi khác nhau: Subject quản lý nhân vật là ai, còn S1/S2 quản lý ai phát ra âm thanh, khá phiền phức
>Tám, âm thanh môi trường và nhạc nền phải được tách riêng
>
1，overall_soundscape
Mô tả những âm thanh thực sự tồn tại trong thế giới hình ảnh,
overall_soundscape: Quiet indoor room tone, faint paper rustling, wooden chair creaks, and distant crowd noise from outside the recruitment hall.
Toàn cảnh âm thanh: âm thanh nền yên tĩnh trong phòng, tiếng giấy sột soạt khe khẽ, tiếng ghế gỗ kẽo kẹt và tiếng đám đông vọng lại từ bên ngoài sảnh tuyển dụng.
Âm thanh thực sự tồn tại trong thế giới hình ảnh ở đây bao gồm: tiếng gió; tiếng mưa; âm thanh đường phố; tiếng ồn nền trong nhà; tiếng bước chân; tiếng mở cửa; tiếng quần áo cọ xát; tiếng vật thể va chạm
2，non_diegetic_music
Mô tả phần nhạc chỉ khán giả mới nghe thấy
non_diegetic_music: A restrained plucked-string comedy score at a medium-slow tempo, with brief pauses before each punchline.
Khi sử dụng BGM, tốt nhất hãy nêu rõ: dùng nhạc cụ gì; tốc độ nhạc; cảm xúc; thay đổi âm lượng; có tăng dần hay không; có dừng trước điểm gây cười hay không
Không lặp lại toàn bộ lời thoại trong hai phần này; lời thoại chỉ đặt trong detailed_description
>Chín, tám lỗi người mới dễ mắc phải nhất
>
Lỗi một: định nghĩa tất cả tệp tham chiếu là Picture
Khi hình ảnh chỉ phụ trách ngoại hình nhân vật, nên định nghĩa là Subject thay vì định nghĩa Picture riêng biệt
Lỗi hai: viết nhân vật trong video tham chiếu thành Video
Nhân vật, vật thể và hành động thuộc về Subject; Video chủ yếu biểu thị việc chỉnh sửa, tiếp nối, nhịp điệu hoặc cấu trúc cảnh quay của toàn bộ video
Lỗi ba: chỉ viết “tham khảo một hình ảnh nào đó”
Mô hình không biết chính xác bạn đang tham khảo điều gì
Cách viết sai: Use Picture 1 as reference.
Cách viết đúng: <Subject 1>'s facial identity, grey fur, drooping ears, and worn brown clothes come from <Picture 1>.
Lỗi bốn: giao quá nhiều nhiệm vụ mơ hồ cho một tài liệu tham chiếu
Đừng viết: Use Video1 for everything.
Nên tách riêng toàn bộ yếu tố tham chiếu: hành động nhân vật đến từ Video1; nhịp điệu biên tập chỉ tham khảo yếu Video1; không sao chép âm thanh; cảnh đến từ Picture2
Lỗi năm: chỉ viết cốt truyện mà không viết hình ảnh
Một prompt như “anh ấy tham gia một cuộc phỏng vấn phi lý” không thể được mô hình thực thi trực tiếp
Phải nói rõ: anh ấy đứng ở đâu; người phỏng vấn ở đâu; ai hành động trước; biên độ hành động lớn đến mức nào; máy quay có di chuyển không; khi nào nói chuyện
Lỗi sáu: nhồi quá nhiều hành động vào một cảnh
Mỗi cảnh đảm nhận một hành động; với sự kiện phức tạp, hãy tách thành nhiều cảnh để hoàn thành
Lỗi bảy: liên tục thay đổi mã nhân vật
Một khi cùng một nhân vật là (S1), toàn bộ video phải duy trì (S1)
Lỗi tám: nhầm lẫn giữa “sao chép âm thanh” và “tham khảo âm thanh”
Nếu muốn giữ lại track âm thanh gốc, hãy viết audio reuse
Nếu chỉ muốn tham khảo âm sắc hoặc cách nói, hãy viết audior eference
>Mười, mẫu hoàn chỉnh người mới có thể sử dụng trực tiếp
>
Đây chắc là phần được người mới yêu thích nhất 😂
>
subject_definitions:
<Subject1>là[nhân vật, động vật, vật thể hoặc bối cảnh cần tạo],có[đặc điểm ngoại hình, trang phục, thân phận và các đặc điểm khác]lấy từ<Picture1>.<Subject2>là[chủ thể thị giác thứ hai],có[hành động, biểu cảm hoặc ngoại hình]lấy từ<Video1>.<Picture2>là[khung hình đầu tiên/khung hình chính/khung hình cuối/tham chiếu bố cục]của[ShotN].<Video1>là video nguồn dùng để tham chiếu[chuyển động máy quay/nhịp dựng/cấu trúc thời gian].<Audio1>là tham chiếu âm sắc giọng nói cho<Subject1>(S1).summary:[tạo dựa trên tham chiếu + tham chiếu âm thanh]Video mục tiêu cho thấy[nhân vật, bối cảnh và sự kiện cốt lõi].<Picture2>xác định[chức năng cụ thể của hình ảnh].<Video1>cung cấp[vai trò tham chiếu video].<Audio1>cung cấp[vai trò tham chiếu âm thanh].retention_analysis:<Subject1>(xuất hiện trong[Shot1],[Shot2]):fully_preserved[đặc điểm nhân vật bắt buộc phải giữ lại].<Subject2>(xuất hiện trong[Shot2],[Shot3]):partially_preserved[giữ lại điều gì, cho phép thay đổi điều gì].<Picture2>([Shot1]khung hình đầu tiên):fully_preserved[bố cục và vị trí cần được giữ nguyên nghiêm ngặt].<Video1>(chuyển động máy quay và nhịp điệu):weak_reference[chỉ cần tham khảo khái quát].<Audio1>:reference[chỉ tham khảo âm sắc, cảm xúc và nhịp nói, không sao chép tín hiệu gốc].detailed_description:Video mục tiêu sử dụng[phong cách chính]với[ánh sáng, màu sắc và chất liệu tổng thể].[Shot1]Một[cỡ cảnh]thể hiện[môi trường và bố cục].<Subject1>,[đặc điểm ngoại hình then chốt],đứng hoặc ngồi ở[vị trí trong khung hình].[Nhân vật thực hiện một hành động chính].Máy quay[phương thức chuyển động máy quay].[Âm thanh môi trường].[Shot2]Tại 00:03.000,cảnh cắt sang[cỡ cảnh]của<Subject2>.[Vị trí chủ thể, hành động và thay đổi trạng thái].<Subject1>(S1)nói bằng[âm sắc, cảm xúc, tốc độ],<d>[tiếng Trung]lời thoại cụ thể。</d>[Shot3]Tại 00:06.000,cảnh cắt sang[bố cục mới].[Nhân vật thực hiện một hành động chính].<Subject2>(S2)đáp lại bằng[mô tả giọng nói],<d>[tiếng Trung]lời thoại cụ thể。</d>Máy quay[di chuyển hoặc giữ nguyên].Cảnh kết thúc ở[trạng thái khung hình cuối].overall_soundscape:[tiếng nền môi trường, tiếng bước chân, tiếng quần áo cọ xát, tiếng va chạm vật thể và các âm thanh chân thực khác].non_diegetic_music:[nhạc cụ, nhịp điệu, cảm xúc, âm lượng và cách phát triển âm nhạc].
>
>Mười một, ví dụ hoàn chỉnh: Yêu quái sói con tham gia phỏng vấn tại Hoa Quả Sơn
>
Giả sử đã tải lên:
Picture1: hình ảnh nhân vật yêu quái sói con;
Picture2: sảnh tuyển dụng Hoa Quả Sơn;
Video1: video một ứng viên lo lắng đưa sơ yếu lý lịch;
Audio1: tham chiếu giọng nói của yêu quái sói con.
Có thể viết như sau:
subject_definitions:
<Subject 1> là yêu quái sói con trong <Picture 1>, có bộ lông xám, đôi tai cụp, thân hình gầy, quần áo nâu cũ sờn và vẻ mặt luôn lo lắng.
<Subject 2> là khỉ phỏng vấn, mặc quan bào đỏ và ngồi phía sau một bàn tuyển dụng bằng gỗ lớn.
<Subject 3> là bối cảnh sảnh tuyển dụng trong <Picture 2>, có tường đá, biểu ngữ đỏ, những băng ghế gỗ đông người và một tấm biển lớn ghi “花果山人才招聘处”.
<Subject 4> là động tác đưa tài liệu đầy lo lắng từ <Video 1>, được chuyển sang cho <Subject 1>.
<Audio 1> là tham chiếu âm sắc giọng nói cho <Subject 1> (S1), cung cấp giọng nam trẻ với cách nói thận trọng và hơi run.
summary:
[tạo dựa trên tham chiếu + tham chiếu âm thanh] Video mục tiêu cho thấy <Subject 1> tham gia phỏng vấn xin việc với <Subject 2> bên trong <Subject 3>. Động tác đưa tài liệu đầy lo lắng của <Subject 4> được chuyển sang cho <Subject 1>. <Audio 1> cung cấp tham chiếu âm sắc giọng nói cho <Subject 1>. Bối cảnh sử dụng phong cách hài phi lý khô khan và kết thúc khi người phỏng vấn từ chối sơ yếu lý lịch vì thiếu thư giới thiệu đủ thế lực.
retention_analysis:
<Subject 1> (xuất hiện trong [Shot 1], [Shot 2], [Shot 3]): fully_preserved - nhận diện khuôn mặt, bộ lông xám, đôi tai cụp, thân hình gầy, quần áo nâu cũ sờn và vẻ lo lắng của yêu quái sói được giữ nguyên.
<Subject 2> (xuất hiện trong [Shot 1], [Shot 2], [Shot 3]): fully_preserved - quan bào đỏ, tư thế ngồi và vẻ mặt quan liêu của khỉ phỏng vấn được giữ nguyên.
<Subject 3> (xuất hiện trong [Shot 1], [Shot 2], [Shot 3]): fully_preserved - sảnh tuyển dụng bằng đá, bàn gỗ, biểu ngữ đỏ, băng ghế và tấm biển tuyển dụng tiếng Trung hiện rõ được giữ nguyên.
<Subject 4> (xuất hiện trong [Shot 1]): attribute_transfer - động tác đưa tài liệu thận trọng được chuyển sang cho <Subject 1>.
<Audio 1>: reference - người nói trong video mục tiêu tuân theo chất giọng trẻ trung, thận trọng và hơi run, không sao chép tín hiệu âm thanh gốc.
detailed_description:
Video mục tiêu sử dụng phong cách phim tài liệu giả hoạt hình 3D cách điệu với chất liệu vẽ tay thô, ánh sáng ban ngày ấm áp chiếu qua cửa đá, biểu cảm khuôn mặt được cường điệu nhẹ và phong cách hài phi lý khô khan.
[Shot 1] Một cảnh tĩnh cỡ trung rộng thiết lập <Subject 3>, sảnh tuyển dụng bằng đá đông người với biểu ngữ đỏ, băng ghế gỗ và tấm biển lớn ghi “花果山人才招聘处”. <Subject 2>, khỉ phỏng vấn mặc quan bào đỏ, ngồi phía sau một bàn gỗ lớn ở bên phải khung hình. <Subject 1>, yêu quái sói lông xám thân hình gầy mặc quần áo nâu cũ sờn, đứng bên trái. Sử dụng động tác đưa tài liệu đầy lo lắng được chuyển từ <Subject 4>, nó từ từ đưa một bản sơ yếu lý lịch gấp về phía người phỏng vấn bằng cả hai tay. Tai cụp xuống và vai vẫn căng cứng. Tiếng giấy sột soạt khe khẽ khi sơ yếu lý lịch chạm đến bàn.
[Shot 2] Tại 00:03.000, cảnh cắt sang cận cảnh <Subject 2>. Nó hạ mắt nhìn bản sơ yếu lý lịch mà không chạm vào. Vẻ mặt vẫn nghiêm túc và hơi mất kiên nhẫn. <Subject 2> (S2) hỏi bằng giọng quan liêu đều đều, <d>[tiếng Trung] Có thư giới thiệu của Đại Thánh không?</d> Nó nhướng một bên mày và gõ một lần lên bàn bằng ngón trỏ. Máy quay vẫn cố định.
[Cảnh 3] Tại 00:06.000, cảnh chuyển sang cận cảnh <Subject 1>. Anh siết chặt tay giữ bản sơ yếu lý lịch, cúi đầu và trả lời bằng giọng thận trọng, hơi run như được tham chiếu từ <Audio 1>. <Subject 1> (S1) nói, <d>[Tiếng Trung] 没有，但我能吃苦。</d> Sau một khoảng dừng ngắn, cảnh chuyển lại rộng hơn một chút khi <Subject 2> dùng một ngón tay đẩy bản sơ yếu lý lịch trở lại trên bàn và nói, <d>[Tiếng Trung] 我们这里不缺苦，缺关系。</d> <Subject 1> vẫn bất động với hai tay duỗi về phía trước khi khung hình cuối được giữ trong một giây.
không_gian_âm_thanh_tổng_thể:
Tiếng xì xào khe khẽ của đám đông trong nhà vang lên xuyên suốt hội trường tuyển dụng. Tiếng giấy sột soạt nhẹ, tiếng ghế gỗ kẽo kẹt, tiếng bước chân vọng lại từ xa và một tiếng gõ khô khốc bằng ngón tay trên bàn vẫn có thể nghe rõ.
nhạc_không_thuộc_bối_cảnh:
Một bản nhạc hài tiết chế với tiếng dây gảy, nhịp độ vừa phải đến chậm, vang nhẹ bên dưới cảnh quay. Nhạc tạm dừng ngay trước câu nói cuối của người phỏng vấn, sau đó là một nốt nhạc cụ gõ bằng gỗ ngắn trong khung hình cuối bị đóng băng.
Nói cách khác, bạn trẻ à, muốn sử dụng MiniMax H3 hiệu quả thì phải dùng tiếng Anh mới được.
Tuy nhiên cũng không có gì to tát, bạn có thể viết tiếng Trung theo đúng định dạng trước rồi dịch lại. Nhưng cách nhanh nhất là đưa toàn bộ ví dụ ở trên cho AI bắt chước viết lại, sau đó thay thế các yếu tố ở những bước tiếp theo 😂
>Mười hai, cuối cùng hãy ghi nhớ cách viết năm bước này
>
Đối mặt với bất kỳ tư liệu tham khảo phức tạp nào, đừng bắt đầu viết một prompt dài ngay lập tức.
Trước tiên hãy hoàn thành năm bước dưới đây:
Bước một: Phân tách tư liệu
Mỗi tư liệu thực sự cung cấp nhân vật, bối cảnh, hành động, bố cục, chuyển động máy quay, nhịp điệu hay âm thanh?
Bước hai: Xác định nhãn
Nội dung hình ảnh có thể tái sử dụng dùng Subject, điểm neo hình ảnh cụ thể dùng Picture, mối quan hệ của toàn bộ đoạn video dùng Video, còn âm thanh dùng Audio.
Bước ba: Xác định mức độ giữ lại
Những gì bắt buộc phải giữ nguyên hoàn toàn, những gì được phép sửa đổi, và những gì chỉ dùng để tham khảo yếu?
Bước bốn: Phân tách cảnh quay
Theo đúng thứ tự phát lại thực tế, chia sự kiện phức tạp thành nhiều cảnh với từng hành động đơn lẻ.
Bước năm: Bổ sung âm thanh
Phân biệt lời thoại của nhân vật, âm thanh môi trường và nhạc nền mà chỉ khán giả mới nghe thấy.
Logic cốt lõi của prompt tham chiếu toàn diện cho MiniMax H3 có thể cô đọng thành một câu:
Đừng nói với mô hình rằng bạn đã tải lên những tệp nào; hãy nói cho mô hình biết mỗi tư liệu chịu trách nhiệm cho điều gì, cũng như nó sẽ có hiệu lực như thế nào trong cảnh quay nào của thành phẩm.
MiniMax H3 có yêu cầu định dạng rất nghiêm ngặt, hoàn toàn khác với cách sử dụng các mô hình như Seedance2.0. Hiện tại, chỉ khi tuân thủ định dạng này thì mới có khả năng tạo ra video chất lượng.
Nếu bạn không muốn phiền phức như vậy thì hãy chờ thêm một thời gian, sẽ có cao thủ tối ưu hóa vấn đề này.
>Vậy nhé
kết thúc