MiniMax H3 è un modello video multimodale "omni": accetta testo, immagini, clip video e audio nella stessa richiesta e genera immagine e suono insieme, in un solo passaggio. In VidGuy produce video 2K con audio nativo, da 4 a 15 secondi.
Tutto sta in quella parola, "omni". La maggior parte dei modelli video accetta un prompt e al massimo un'immagine. H3 accetta un piccolo mucchio di materiale di riferimento e si aspetta che tu gli dica a cosa serve ogni pezzo. Se lo fai bene, è sorprendentemente obbediente. Se lo salti, ottieni uno slideshow costoso.
Ecco come scrivere prompt che funzionano davvero. Gli esempi restano in inglese, così puoi copiarli così come sono.
L'unica abitudine che conta: dai un compito a ogni riferimento
La differenza più grande tra un buon prompt per H3 e uno scadente è se hai detto al modello cosa controlla ogni file allegato.
Non fare così:
Make a video of this woman with this bag in this location.
Fai così:
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.
Le stesse tre immagini. La seconda versione dice al modello che l'Image 1 è un riferimento per luce e color grading, l'Image 2 è un blocco dell'identità e l'Image 3 è un prodotto da non ridisegnare. H3 rispetta questa divisione. Senza, il modello fa la media dei riferimenti in una poltiglia e non riesci a capire quale abbia causato il problema.
La stessa logica vale per ogni tipo di input:
- Immagini: bloccano identità e dettagli. Volti, prodotti, set, tipografia.
- Clip video: trasferiscono movimento, linguaggio di camera e ritmo. "Match the camera move in Video 1" è un'istruzione vera.
- Clip audio: trasferiscono la voce. "Match the voice in Audio 1" clona l'interpretazione, non solo il timbro.
In modalità reference-to-video puoi allegare fino a dodici file: circa nove immagini, tre clip video e tre clip audio. È tantissimo controllo, ed è tutto sprecato se il prompt non dice chi fa cosa.
Scrivi le parole che vuoi a schermo
Il testo leggibile a schermo è il punto in cui H3 è chiaramente migliore dei concorrenti, ed è la vittoria più facile per chi fa marketing.
La regola è secca: se una parola deve essere leggibile, scrivila. Descriverla ti dà pixel a forma di testo. Scriverla ti dà il tuo testo.
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.
Poi indica come deve comportarsi, perché di default di solito è troppo:
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.
E di' cosa non vuoi. Qui le indicazioni negative sono insolitamente efficaci:
No garbled characters, no misspellings, no non-Latin glyphs.
Quest'ultima riga vale la pena di inserirla ogni volta che metti del testo a schermo. È la differenza tra una clip usabile e una da rigenerare.
Metti il timecode a tutto ciò che dura più di un momento
H3 scivola volentieri in uno slideshow se gli dai un elenco di cose che succedono senza dire quando. Una shot list con timecode risolve:
[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.
Non sei obbligato a usare ogni secondo. Stai dicendo al modello dove cadono i momenti chiave, ed è questo che gli impedisce di passare nove secondi sulla prima idea.
I prompt possono arrivare a circa 7.000 caratteri, quindi una shot list completa con sound design ci sta comodamente in una sola richiesta. Sfrutta lo spazio.
Dirigi la camera come un direttore della fotografia, non come un menu
H3 risponde al lessico della cinematografia molto meglio che ai nomi degli effetti. Descrivi il comportamento fisico di camera e obiettivo:
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.
Le transizioni funzionano allo stesso modo. Invece di "whip pan transition", descrivi cosa fa davvero la camera:
Fast binocular-scan transition with whip movement, motion blur, optical smearing and a brief exposure flicker.
Nominare un effetto ti dà l'idea media che il modello ha di quell'effetto. Descriverne la fisica ti dà qualcosa che sembra girato davvero.
Cura la regia dell'audio: viene generato comunque
È la funzione sprecata più spesso. H3 genera il suono in modo nativo, nello stesso passaggio. Se non lo dirigi, l'audio lo ottieni lo stesso: solo che nessuno l'ha scelto.
Trattalo come un reparto a sé:
Sound: a deep sub-bass pulse, distant metallic resonance, and one restrained hit as the title locks into focus.
Per la musica, indica strumenti e struttura invece del genere:
Low drone, tense string pizzicato, cool synth pulses, a low kick, sparse brushwork, fragments of walking bass.
"Musica cinematografica" è un desiderio. La riga qui sopra è un brief.
Per i dialoghi, puoi sostituire una battuta mantenendo l'interpretazione:
Replace the woman's line with the line from Audio 1, matched to her mouth movement.
Un template di prompt che funziona
Componi in quest'ordine. Rispecchia il modo in cui il modello legge la richiesta.
- Ruoli dei riferimenti: cosa controlla ogni file allegato
- Shot list: momenti chiave con timecode
- Camera e obiettivo: comportamento fisico
- Blocchi dell'identità: i dettagli specifici che devono restare
- Testo a schermo: scritto alla lettera, con il comportamento dell'animazione
- Suono: musica, effetti, dialoghi
- Indicazioni negative: cosa non deve succedere
Esempio completo:
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.
Quanto costa in VidGuy
In VidGuy, H3 costa 3 crediti al secondo, con una durata da 4 a 15 secondi: una clip da 4 secondi costa 12 crediti e una clip piena da 15 secondi ne costa 45. È disponibile dal piano Pro in su.
Dato che H3 genera l'audio nello stesso passaggio, il prezzo include il sound design. Confrontalo con l'alternativa reale: generare una clip muta e poi pagare a parte musica, effetti e voiceover.
Errori comuni
Passare riferimenti senza ruoli. L'errore più costoso, e il più facile da correggere.
Dare per scontato che l'identità venga preservata. Non lo è, a meno che tu non nomini i tratti. "Preserve the half-up black hair, the silver crown, the indigo ribbon" è ciò che mantiene stabile un personaggio lungo l'inquadratura.
Lasciare l'audio al caso. Viene generato comunque. Dirigilo.
Nessuna indicazione negativa. Una riga come "no soft dissolves, no morphs, no garbled text" evita la maggior parte delle rigenerazioni.
Descrivere il testo invece di scriverlo. Scrivi la parola, tra virgolette, esattamente come deve apparire.
Nessun timecode nelle inquadrature con più momenti. Senza, il ritmo deriva e ottieni una sola idea tirata per le lunghe.
Domande frequenti
Quanto può durare un video di MiniMax H3? In VidGuy, da 4 a 15 secondi in una sola generazione, a 24 fotogrammi al secondo.
In che risoluzione esporta MiniMax H3? 2K, cioè circa 1440 pixel sul lato corto, con formati da 21:9 fino a 9:16.
MiniMax H3 genera anche il suono? Sì, in modo nativo e nello stesso passaggio dell'immagine, con musica, effetti e dialoghi in lip-sync. È una vera differenza rispetto alla maggior parte dei modelli video, che di default sono muti.
MiniMax H3 sa generare testo leggibile? Sì, ed è uno dei suoi punti di forza. Scrivi le parole esatte invece di descriverle e aggiungi un'indicazione negativa contro i caratteri illeggibili.
Quanti file di riferimento posso allegare? Fino a dodici in modalità reference-to-video: circa nove immagini, tre clip video e tre clip audio. Indica nel prompt il compito di ciascuno.
MiniMax H3 è meglio di Seedance? Risolvono problemi diversi. H3 è la scelta giusta per lavori brevi ad alta risoluzione in cui contano suono e testo a schermo. Seedance 2.5 è la scelta giusta quando ti serve un'unica inquadratura continua molto più lunga di quindici secondi. La maggior parte dei team finisce per usarli entrambi.
Provalo
MiniMax H3 è disponibile ora in VidGuy Studio: apri il selettore dei modelli sotto il box del prompt e scegli MiniMax H3 (Omni). Porta i tuoi riferimenti, dai un compito a ciascuno e scrivi le parole che vuoi far leggere.



