MiniMax H3 Prompting: 2K-KI-Video mit nativem Ton

So promptest du MiniMax H3 für 2K-Video mit nativem Ton und lesbarem Text im Bild: Referenzrollen, Shotlists mit Timecode, Tonregie und Credit-Kosten.

Keira
Founder's Associate, VidGuy

7 Min. Lesezeit

Auf dieser Seite

MiniMax H3 ist ein Omni-Videomodell: Es nimmt Text, Bilder, Videoclips und Audio in derselben Anfrage entgegen und erzeugt Bild und Ton zusammen in einem Durchgang. In VidGuy liefert es 2K-Video mit nativem Audio, von 4 bis 15 Sekunden.

Genau dieses „Omni“ ist der Kern. Die meisten Videomodelle bekommen einen Prompt und vielleicht ein Bild. H3 bekommt einen kleinen Stapel Referenzmaterial und erwartet, dass du ihm sagst, wofür jedes Teil da ist. Machst du das richtig, folgt es erstaunlich genau. Lässt du es weg, bekommst du eine teure Diashow.

So promptest du es wirklich. Die Beispiel-Prompts bleiben auf Englisch, damit du sie direkt kopieren kannst.

Die eine Gewohnheit, die zählt: Gib jeder Referenz eine Aufgabe

Der größte Unterschied zwischen einem guten und einem schlechten H3-Prompt: Hast du dem Modell gesagt, was jede angehängte Datei steuert?

Mach es nicht so:

Make a video of this woman with this bag in this location.

Mach es so:

Use Image 1 for the overall mood, location and film texture. Use Image 2 for the talent, preserve her face, the half-up black hair and the indigo ribbon exactly. Use Image 3 for the bag; the hardware and stitching must match.

Dieselben drei Bilder. Die zweite Version sagt dem Modell, dass Bild 1 eine Referenz für Licht und Color Grading ist, Bild 2 eine feste Identität und Bild 3 ein Produkt, das es nicht umgestalten darf. H3 hält sich an diese Aufteilung. Ohne sie mittelt das Modell deine Referenzen zu einem Brei, und du kannst nicht mehr erkennen, welche das Problem verursacht hat.

Dieselbe Logik gilt für jede Art von Input:

  • Bilder fixieren Identität und Details. Gesichter, Produkte, Sets, Typografie.
  • Videoclips übertragen Bewegung, Kamerasprache und Tempo. „Match the camera move in Video 1“ ist eine echte Anweisung.
  • Audioclips übertragen die Stimme. „Match the voice in Audio 1“ klont die Sprechweise, nicht nur die Klangfarbe.

Im Reference-to-Video-Modus kannst du bis zu zwölf Dateien anhängen, ungefähr neun Bilder, drei Videoclips und drei Audioclips. Das ist sehr viel Kontrolle, und alles davon ist verschenkt, wenn der Prompt nicht sagt, was was ist.

Tippe die Wörter, die im Bild stehen sollen

Lesbarer Text im Bild ist das, was H3 sichtbar besser kann als die Konkurrenz, und es ist der einfachste Gewinn für Marketer.

Die Regel ist schlicht: Wenn ein Wort lesbar sein muss, tippe es. Beschreibst du es, bekommst du textförmige Pixel. Tippst du es, bekommst du deinen Text.

The words SUMMER DROP appear centred, in wide-tracked cinematic typography, not pure white, with restrained material texture, subtle illumination and a faint edge glow.

Dann gib vor, wie sich der Text verhält, denn der Standard ist meist zu viel:

The type resolves with the focus: begin slightly blurred at low opacity, then fade into clarity over 0.3 to 0.5 seconds. No spins, bounces or large fly-ins.

Und sag, was du nicht willst. Negative Anweisungen wirken hier ungewöhnlich gut:

No garbled characters, no misspellings, no non-Latin glyphs.

Diese letzte Zeile lohnt sich jedes Mal, wenn du Text ins Bild setzt. Sie entscheidet zwischen einem brauchbaren Clip und einem neuen Durchlauf.

Setze Timecodes bei allem, was länger als ein Beat ist

H3 rutscht gern in eine Diashow ab, wenn du ihm eine Liste von Ereignissen ohne zeitliche Ordnung gibst. Eine Shotlist mit Timecodes behebt das:

[0 to 2s] High-angle overhead shot of the desk, slow push in. [2 to 4s] Cut to her hands opening the box, shallow depth of field. [4 to 6s] Rack focus to the product, camera settles, title resolves.

Du musst nicht jede Sekunde verplanen. Du sagst dem Modell, wo die Beats liegen, und genau das hält es davon ab, neun Sekunden mit der ersten Idee zu verbringen.

Prompts dürfen etwa 7.000 Zeichen lang sein, also passt eine komplette Shotlist samt Sounddesign bequem in eine Anfrage. Nutze den Platz.

Führe die Kamera wie ein DP, nicht wie ein Menü

H3 reagiert viel besser auf Vokabular aus der Kameraarbeit als auf Effektnamen. Beschreibe, wie sich Kamera und Objektiv physisch verhalten:

Subtle handheld shake, then push in quickly and rack focus. Wide-angle lens with strong perspective distortion, backlit exposure breathing, slightly coarse noise in the shadows.

Übergänge funktionieren genauso. Statt „whip pan transition“ beschreibst du, was die Kamera tatsächlich tut:

Fast binocular-scan transition with whip movement, motion blur, optical smearing and a brief exposure flicker.

Nennst du einen Effekt, bekommst du die Durchschnittsvorstellung des Modells von diesem Effekt. Beschreibst du die Physik, bekommst du etwas, das gedreht aussieht.

Gib den Ton vor: Er wird sowieso generiert

Das ist die am häufigsten verschenkte Fähigkeit. H3 erzeugt Ton nativ, im selben Durchgang. Gibst du nichts vor, bekommst du trotzdem Audio, nur eben Audio, das niemand ausgesucht hat.

Behandle den Ton wie eine eigene Abteilung:

Sound: a deep sub-bass pulse, distant metallic resonance, and one restrained hit as the title locks into focus.

Bei Musik beschreibst du Instrumente und Aufbau statt eines Genres:

Low drone, tense string pizzicato, cool synth pulses, a low kick, sparse brushwork, fragments of walking bass.

„Cinematic music“ ist ein Wunsch. Die Zeile oben ist ein Briefing.

Bei Dialogen kannst du eine Zeile ersetzen und die Performance behalten:

Replace the woman's line with the line from Audio 1, matched to her mouth movement.

Eine Prompt-Vorlage, die funktioniert

Baue den Prompt in dieser Reihenfolge auf. Sie entspricht der Art, wie das Modell die Anfrage liest.

  1. Rollen der Referenzen: was jede angehängte Datei steuert
  2. Shotlist: Beats mit Timecodes
  3. Kamera und Objektiv: physisches Verhalten
  4. Identitäts-Locks: die konkreten Details, die erhalten bleiben müssen
  5. Text im Bild: wörtlich getippt, mit Animationsverhalten
  6. Ton: Musik, Effekte, Dialog
  7. Negative Anweisungen: was nicht passieren darf

Ein ausgearbeitetes Beispiel:

Image 1 sets mood, location and film texture. Image 2 is the talent: preserve the face, freckles, and the rust-coloured jacket exactly. Image 3 is the product; do not redesign the label.

[0 to 3s] Wide shot of the rooftop at golden hour, slow dolly left. [3 to 7s] Cut in to her hands turning the bottle to camera, shallow focus. [7 to 10s] She looks up and smiles; camera settles; title resolves.

Anamorphic 40mm feel, gentle handheld float, warm backlight with visible haze, fine grain in the shadows.

The words FIELD NOTES appear lower-third, wide-tracked, warm off-white with a faint edge glow, fading from blur to clarity over 0.4 seconds.

Sound: soft rooftop ambience, distant traffic, a single warm synth swell landing with the title.

No text distortion, no garbled characters, no fly-in animation, no lens flares.

Was es in VidGuy kostet

In VidGuy kostet H3 3 Credits pro Sekunde, bei einer Länge von 4 bis 15 Sekunden. Ein 4-Sekunden-Clip kostet also 12 Credits, ein voller 15-Sekunden-Clip 45. Es ist ab dem Pro-Plan verfügbar.

Weil H3 den Ton im selben Durchgang erzeugt, ist das Sounddesign im Preis enthalten. Vergleiche das mit der echten Alternative: einen stummen Clip generieren und dann Musik, Effekte und Voiceover separat bezahlen.

Häufige Fehler

Referenzen ohne Rollen übergeben. Der teuerste Fehler und der am leichtesten zu behebende.

Annehmen, dass die Identität erhalten bleibt. Das tut sie nicht, außer du benennst die Merkmale. „Preserve the half-up black hair, the silver crown, the indigo ribbon“ hält eine Figur über einen ganzen Shot stabil.

Den Ton dem Zufall überlassen. Er wird ohnehin generiert. Gib ihn vor.

Keine negativen Anweisungen. Eine Zeile wie „no soft dissolves, no morphs, no garbled text“ verhindert die meisten neuen Durchläufe.

Text beschreiben statt ihn zu tippen. Schreib das Wort in Anführungszeichen, genau so, wie es erscheinen soll.

Keine Timecodes bei Shots mit mehreren Beats. Ohne sie gerät das Tempo ins Schwimmen, und du bekommst eine einzige Idee, dünn in die Länge gezogen.

Häufige Fragen

Wie lang kann ein MiniMax-H3-Video sein? In VidGuy 4 bis 15 Sekunden pro Generierung, mit 24 Bildern pro Sekunde.

In welcher Auflösung gibt MiniMax H3 aus? 2K, also rund 1440 Pixel an der kurzen Kante, in Seitenverhältnissen von 21:9 bis 9:16.

Erzeugt MiniMax H3 Ton? Ja, nativ und im selben Durchgang wie das Bild, inklusive Musik, Effekten und Dialog mit Lippensynchronität. Das ist ein echter Unterschied zu den meisten Videomodellen, die standardmäßig stumm sind.

Kann MiniMax H3 lesbaren Text darstellen? Ja, und das ist eine seiner größten Stärken. Tippe die exakten Wörter, statt sie zu beschreiben, und ergänze negative Anweisungen gegen verstümmelte Zeichen.

Wie viele Referenzdateien kann ich anhängen? Bis zu zwölf im Reference-to-Video-Modus, ungefähr neun Bilder, drei Videoclips und drei Audioclips. Benenne im Prompt die Aufgabe jeder Datei.

Ist MiniMax H3 besser als Seedance? Die beiden lösen unterschiedliche Probleme. H3 ist die Wahl für kurze, hochauflösende Clips, bei denen Ton und Text im Bild zählen. Seedance 2.5 ist die Wahl, wenn du eine durchgehende Einstellung brauchst, die weit länger als fünfzehn Sekunden ist. Die meisten Teams nutzen am Ende beide.

Probier es aus

MiniMax H3 ist ab sofort in VidGuy Studio verfügbar: Öffne die Modellauswahl unter dem Prompt-Feld und wähle MiniMax H3 (Omni). Bring deine Referenzen mit, gib jeder eine Aufgabe und tippe die Wörter, die die Leute lesen sollen.

Mach deine Marke diese Woche sichtbar.

VidGuy schreibt, produziert und postet kurze Videos für deine Marke. Du gibst jedes frei, bevor es online geht.

Jetzt starten

Weiterlesen

Alle Beiträge
MiniMax H3 Prompting: 2K-KI-Video mit nativem Ton | VidGuy