ComfyUI MiniMax H3 プロンプトガイド: 公式ガイド、ヒント、プロンプト埋め込み

​

公式ガイド

• ベース生成モード（T2VA、I2VA、FL2VA、L2VA）: プロンプトを時間軸に沿ったショット構成にまとめ、カメラワークとオーディオ(セリフ、SFX、音楽)を組み合わせます。各モードの例も掲載されています
• フルリファレンスモード（R2V）: リライト出力の構造(被写体の定義、参照ラベル、保持分析)と、ターゲットショットにおける各参照の役割の割り当て方法

​

一般的なヒント

integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...

1. シーン全体を説明する: まずシーン全体(場所、登場人物、何が起きているか)を述べ、次に時間軸に沿ったショットに分割します。全体のスタイルと冒頭の構図は、画像位置合わせ指示の後に、integrated_multimodal_description 内の [Shot 1] の先頭に書きます
2. ショット・カメラ・オーディオ: ショット、カメラワーク、それに付随するオーディオ(セリフ、SFX、音楽)を 1 つのプロンプトブロックで記述します
3. 解像度: H3 のネイティブキャンバスは短辺 768px で、16:9 では 1344x768 になります。解像度は 32 の倍数に丸められます。詳細は出力解像度の設定を参照してください
4. 長さ: ノードの length 入力は 24fps のフレーム数(デフォルト 124、約 5 秒)で、モデルの 17 フレームブロックグリッド(17k+5)に切り上げてスナップします
5. 画面内テキストは引用符で: 画面に実際に表示されるテキスト(看板、バナー、字幕、ネオンサインなど)はすべて英語の二重引用符で囲み、1 つずつ個別に列挙します。元のテキストと句読点は翻訳せずそのまま写します。例: A red neon sign reading "营业中" glows above the doorway. セリフは <d> タグを使ってください。引用符は印刷テキスト用、<d> はキャラクターの発話用です
6. R2V でのオーディオ再利用マーカー: フルリファレンス(R2V)プロンプトでは、保持分析で各オーディオ参照の関係を宣言します。fully_copy はソース音声を 1:1 で最終音声トラックとして使用し、partially_copy はタイムラインの一部または選択したレイヤーのみをコピーするか、コピー後に他の音を追加・削除・置換し、reference は信号をコピーせずに声質、リズム、音楽スタイル、セリフの内容、または音の質感のみを参照し、weak_reference はカテゴリや雰囲気の大まかな類似のみを保持します。マーカーは、そのオーディオがターゲット動画で実際に果たす役割と一致している必要があります。公式フルリファレンスガイドのリレーションシップマーカーの表を参照してください
7. オーディオレーンを明示する: 各プロンプトには 2 つのオーディオフィールドがあり、ルールが異なります。overall_soundscape は動画全体の環境音、動作音、非言語の人の声を 1〜4 文で要約し(セリフ、歌唱、ダイジェティック音楽は integrated_multimodal_description に属し、ここには書きません)、クリップを完全な無音にする場合にのみ N/A を使います。non_diegetic_music は観客にだけ聞こえるスコアを 1〜3 文で記述し、そのような音楽がない場合は N/A を使います。静かなショットが意図しない話し声で返ってきたら、両方のフィールドを明示的に書き出して再生成してください。公式ベースガイドの overall_soundscape と non_diegetic_music のセクションを参照してください
8. 禁止は肯定形で書く: H3 のテンプレートは条件入力が 1 つだけの BasicGuider ノードでサンプリングするため、ネガティブ分岐がなくネガティブプロンプトは効きません(ガイダーは cfg 1 で動作し、ComfyUI は無条件パスをスキップします。CFGGuider がネガティブ条件を使うのは cfg が 1 を超える場合だけです)。不要な要素を名指しする指示は、その記述自体がモデルの読む説明に加わり、それを差し引く別のパスがないため、no subtitles and no on-screen text のような書き方はテキストを画面内容として登録してしまいます。代わりに画面にあるべきものを書き、たとえば the sign above the door is blank とします。フルリファレンスプロンプトでは、同じ内容を保持分析で限定します(fully_preserved、partially_preserved、attribute_transfer、weak_reference が各参照の寄与を表します)
9. 参照シート(R2V): 1 枚の参照画像に被写体の複数のビューや絵コンテの各パネルをまとめ、プロンプトでは 1 パネルずつ指定できます。この画像には独立した <Picture N> の行を与え、<Subject N> の定義の中に書かないでください。定義の中だけに書かれた画像は独立した参照として使われません。その行でシートを説明し、たとえば <Picture 2> is a character sheet with three panels: a portrait, a full front view, and a full back view of the woman と書きます。ショットの説明の中であるパネルを指定し、たとえば [Shot 2] the shot's keyframe corresponds to the full front view panel of <Picture 2> とします。シートにまとめると、ローカル R2V ノードの参照画像 9 枚の上限内に複数のビューを収められ、各ショットが必要なビューを名指しできます。プロンプトから指定できるようパネルに番号かラベルを付け、シートに印刷する文字もそのラベルにとどめてください。

​

セリフと話者

• 安定した話者 ID: プロンプト内のすべての声に (S1) や (S2) のような ID を付けます。画面外の声や歌唱も同じで、その声が話すすべてのショットで同じ ID を繰り返します。ID は被写体ではなく話者に振る番号です。発話しないキャラクターに ID は付かず、プロンプト内の最初の声は、そのキャラクターの番号が何であっても (S1) になります。同時に発声する話者は (S1,S2) のような複合 ID を使います
• <d> の外側と内側: 特徴づけの語句、話者 ID、動作、話し方はタグの外に書き、タグの中には言語タグとセリフの原文だけを原文どおりに入れます。各セリフはそれが話されるショットの中に、そのショットの動作と同じ段落で書きます
• ボイスオーバー: キャラクターが発話していないのに観客に聞こえるセリフには、正確なフレーズ says in an off-screen voiceover が必要で、さらに <d> ブロックの直後に、画面内のキャラクターの唇が閉じたままであることを明記します。カットをまたいで続くセリフは、両方の接続点に <scenetrans> を書き、音声がトランジションを越えて続くことも明記します
• 複数の話者とオーディオ参照: フルリファレンス(R2V)プロンプトで 2 人以上の話者にそれぞれオーディオ参照を組み合わせる場合、プロンプトの記述と参照の接続順がどちらも正しくても、H3 がオーディオ参照を別の話者に渡すことがあります。各ショットではそのショットに必要な参照だけを使い、セリフは絶対タイムコードではなく可視の出来事に結び付けます。例えば When the phone is at his ear, the man in the coat speaks のように書きます。タイムコードはカット用です。それでもセリフが別の話者に割り当てられるときは、音声ツールでそのセリフを生成し、その話者のオーディオ参照として渡したうえで、そのクリップの実際の使われ方に合う関係マーカーを選びます。クリップが動画の完全な最終音声トラックになる場合は fully_copy、タイムラインの一部だけをカバーする場合は partially_copy です

​

プロンプト埋め込み