MiniMax H3 プロンプトガイド: ステップごとの動画セットアップ

MiniMax H3 のプロンプトガイドの原則は、プロンプトが簡潔な制作ブリーフのように読めるときに最も効果を発揮します。まず主題を示し、次に動作を定義し、そのうえでカメラ、環境、照明、音声がどう連動するべきかを説明します。この構造は、ばらばらの形容詞の集まりよりも、モデルに明確な階層を与えます。

提供された参考資料では、テキスト、画像、動画、音声をまとめて解釈できる汎用マルチモーダルワークフローが説明されています。また、ネイティブ 2K 生成、同期したステレオ音声、参照駆動のカメラモーション、短尺のクリエイティブ制作向け出力についても述べられています。これらの機能は設定依存として扱い、大規模なプロジェクトを計画する前に現在の利用可否を確認してください。

動画のポイント:

• マルチモーダルプロンプトは、キャラクター画像とモーション参照を結び付けられます。
• テキスト指示でカメラ移動と音声の関係を定義できます。
• ワークフローは、視覚的一貫性、同期音声、映画的な構図を重視しています。
• API 利用には、アカウント、API キー、利用可能なクレジットが必要な場合があります。

5 層のプロンプト順序

信頼できるプロンプトは、通常この順序に従います。

1. 被写体 — 人物、キャラクター、製品、または環境を特定します。
2. 動作 — ショットの中で何が変化するかを示します。
3. カメラ — 構図、動き、レンズ感、視点を説明します。
4. 世界と照明 — 場所、色、雰囲気、光の振る舞いを定義します。
5. 音声と出力 — セリフ、音楽、効果音、再生時間、アスペクト比、解像度を説明します。

強いプロンプトは、単なる物体ではなく関係性を説明します。たとえば「歌手、ネオン、動くカメラ、音楽」と書く代わりに、歌手がどうパフォーマンスし、その間にカメラがどう動き、照明がその演技にどう反応するかを描写します。これにより、モデルはシーンをより一貫して解釈できます。

参照ベースの生成では、各入力に明確な役割を与えます。画像はキャラクターのアイデンティティを確立し、動画はカメラの動きを導き、音声ファイルはボーカルや環境音を定義できます。そのうえでテキストプロンプトが、それらの参照を 1 つの制作指示として結び付けます。

再利用可能なプロンプト式

次のテンプレートを出発点として使えます。

[再生時間] の [ショット種別] を作成し、[環境] の中で [動作] を行う [被写体] を描写してください。[開始視点] から [終了視点] へ [カメラ移動] を使います。[アイデンティティまたは参照の詳細] を保持してください。[照明と色] でシーンを照らしてください。[音声、音楽、または効果音] を見える動きに合わせてください。[構図、アスペクト比、出力品質] を維持してください。

次の表では、最も重要な制御項目を分けて示します。

例: キャラクターパフォーマンスのプロンプト

参考キャラクターがカメラに向かって直接歌う、5 秒のシネマティックなパフォーマンスショットを作成してください。彼女の顔立ち、髪型、暗いパフォーマンス衣装を保持してください。参考動画の穏やかな前進カメラ移動に従い、ミディアムショットで彼女を中央に保ってください。背後に柔らかな霞を伴う、濃い紫とシアンのステージ照明を使ってください。ボーカルのタイミングを口の動きに合わせ、抑えたステレオの観客環境音を加えてください。構図は清潔でリアルに保ち、16:9 の横長フレームに適したものにしてください。

例: 抽象的なモーションのプロンプト

後方へ遠ざかる金色の三角フレームで構成された幾何学トンネルを通り抜ける、5 秒の無限一人称ループを作成してください。構造の内側に、層状に脈打つピンク、パープル、シアンのネオンライトを加えてください。背景は深い暗闇の空白に保ってください。滑らかな前進モーション、安定した遠近感、強い奥行き、整った反復幾何学を使ってください。視覚リズムを邪魔しない程度の、控えめな同期電子音を加えてください。

参考ワークフローでは、環境ファイルと Python リクエストを用いた API ベースの手順が使われます。正確なエンドポイント、モデル識別子、入力上限、価格は変更される可能性があるため、実装前に現在の MiniMax platform のドキュメントで確認してください。

実用的なリクエスト計画は、次のように整理できます。

提供された資料では、5 秒の再生時間、2K 出力、16:9 の横長フォーマットを用いたサンプル構成が示されています。また、デモンストレーションされたワークフローでは 1 秒あたり $0.13 の API コストも報告されています。価格とモデルの利用可否は時間依存なので、複数のバリエーションを生成する前に、公式プラットフォームで現在の料金と対応設定を確認してください。

プロンプト単体はコンセプト検討に役立ちますが、プロジェクトに一貫したアイデンティティ、動き、音声が必要なときは参照の価値が高まります。必要な制御を提供できる、最もシンプルなモードを選んでください。入力が増えると方向付けは改善できますが、モデルが解釈すべき関係も増えます。

参考ワークフローでは、3 つの大まかなアプローチが説明されています。

追加入力を増やすタイミング

被写体が認識可能な特徴を保つ必要があるなら画像を使います。カメラ軌道や物理的な動きが静的構図より重要なら動画を追加します。歌唱、会話、リズミカルな同期がシーンの中心なら音声を追加します。

使えるからという理由だけで参照を追加するのは避けてください。単純なテキストプロンプトの方が、優先順位の不明確なマルチモーダルリクエストよりデバッグしやすい場合があります。

プロンプトの改善は体系的に行うべきです。1 度に 1 つの主要変数だけを変更し、結果を前の版と比較し、何を変えたかを短く記録します。こうすることで、問題がプロンプト、参照素材、生成設定のどれに起因するかを見分けやすくなります。

実践的な反復ループ

まずは 5 秒のテストと、1 つの明確な被写体から始めます。アイデンティティと構図が許容できるようになったら、カメラ参照か音声レイヤーを追加します。その後で初めて、より複雑な照明、環境モーション、複数ソースファイルを試します。

シネマティックなプロンプトでは、次を優先してください。

• 安定した被写体位置
• 明確に定義された開始状態と終了状態
• 1 つの主要なカメラ移動
• シンプルな色関係
• 明示的な音声同期
• 早期テスト用の短い再生時間

参考資料では、生成前にマルチモーダルなコンテキストを圧縮するアーキテクチャが説明されています。そのため、プロンプトの明瞭さが特に重要になります。モデルは、与えられた入力を無関係な素材として処理するのではなく、それらの関係を解釈しなければならないからです。