把 MiniMax 生成当制片：H3 视频、叙事句音乐与五条心智模型

五条心智模型

1. 生成 = 制片，prompt = 分镜简报。角色、动作时序、运镜、光影、声音、约束一次钉死。
2. 结构 > 文采。模型强项是吃固定字段，不是吃形容词。字段齐输出稳，字段缺模型就猜。
3. 职责分配。参考图各司其职：图1定氛围、图2锁身份、图3是产品。锁住不能变的，模型只在该变的上面发挥。
4. 负面清单比正面描述更值钱。畸形手 / 跳切 / 换脸 / 水印，写清楚禁止，比堆十个形容词省事。
5. 规范是活的。官方结构 → 本机内化 → 测试池 → 实测回写，循环迭代，不是一次写完。

额度就是预算，废片就是烧钱。“一次写对”比”多试几次”省。

现成的轮子

装 skill 的一个坑：npx skills add 的 agent 名是 claude-code（不是 claude）；逗号分隔的 agent 列表不认，要重复 -a；Cursor 侧有时要补 junction。有些清单里标的仓库在 GitHub 根本不存在，装之前先核对一眼。

视频：H3 五模式 + 三字段

先判定输入模式：T2VA（文生）/ I2VA（首帧）/ FL2VA（首尾帧）/ L2VA（末帧）/ Ref2VA（全参考：图+视频+音频 ≤~12 文件）。

Base 模式三个字段按序填满：

要点：

• 参考职责写清楚（“图1定胶片质感与场景、图2锁主角身份、图3是产品”）比堆图有效得多。
• 时间线按秒切动作（0-4s / 4-9s / 9-13s），一次一个主动作；复杂叙事分段生成再剪辑。
• 声音轨必须写，不写模型自己猜。对话保留原文语言不改写。
• 负面锁定：禁止跳切 / 换脸 / 服装变形 / 畸形手 / 多余肢体 / 荧光色 / 水印字幕。
• 图生视频时，prompt 只写”运动 + 运镜 + 变化”，别重复图片已有的外观。
• 运镜：老 Hailuo 吃括号指令（[推进] [左摇,上升]），H3 更吃自然语言描述。

音乐：叙事句，不是标签

官方原话：“写生动完整的英文叙事句，不是逗号分隔的标签。” 把 prompt 当给音乐人的创作简报。

结构（一个完整句式，按序）：mood+BPM+genre → 人声（角色化）→ 叙事主题 → 氛围场景 → 关键乐器。

• 人声要具体：sultry sophisticated male baritone with jazz inflections，别写 female vocal。
• 纯器乐：人声位置换成乐器焦点 + 场景叙事（“evoking a sunrise drive along a coastal highway”）。
• 挑 2-3 个关键乐器写精确，其余留白。
• 速查：Genre 九类（Pop/Dance、Rock、R&B-Soul-Funk、Hip-Hop、Electronic、Folk、Jazz-Blues、Classical、World）；BPM 40-160 按情绪分档；英文提示效果最好。

图片：一帖一概念

• 先定概念句：主题物件 + 材质/工艺 + 光线 + 情绪 + 禁止项，至少 2-3 个可辨要素。
• 参考图锁特征：只改姿势/场景/光影，主体特征（脸/服装结构）严格不变。
• 负面：蓝紫玻璃拟态、弥散光球、同批同构图、画面内英文标题。

落地怎么用

三条调用路径，都先过额度门禁（图/音乐走 general 池查百分比，视频走 video 池查次数），再生成、落盘、质检：

1
生图：选风格 → 概念句 → text_to_image → 落盘 → 看图质检
2
视频：H3 结构 → 查视频额度 → generate_video(6s/768P/async) → 轮询 → 落盘
3
音乐：叙事句 → 查额度 → music_generation(lyrics 必填) → 落盘

测试池用法：抽 5-10 条不同场景（时尚广告 / 一镜到底 / 音乐 MV 各几条）真实跑一轮，把有效 / 失败模式记下来，回写进自己的 prompt 规范。规范是跑出来的，不是一次写出来的。

相关阅读：给 DeepSeek 装眼睛：文本主模型外挂视觉 + MiniMax 全家桶 —— 上篇讲”理解 + 生成闭环怎么接”，本篇讲”生成这一侧怎么写 prompt”。