ComfyUI MiniMax H3 提示词指南：官方指南、技巧与提示词嵌入

​

官方指南

• 基础生成模式（T2VA、I2VA、FL2VA、L2VA）：将提示词组织为带时长的镜头，并配合镜头运动与音频（对话、音效、音乐），每种模式都配有示例
• 全参考模式（R2V）：重写输出的结构，包括主体定义、参考标签和保留分析，以及如何为每个参考在目标镜头中分配角色

​

通用技巧

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

1. 描述整个场景：先交代整体场景（地点、人物、正在发生什么），再将其拆分为带时长的各个镜头。整体风格和开场构图写在 integrated_multimodal_description 中 [Shot 1] 的开头，位于图像对齐指示之后。
2. 镜头、镜头运动与音频：在一个提示词块中描述镜头、镜头运动以及相应的音频（对话、音效、音乐）
3. 分辨率：H3 的原生画布短边为 768px，16:9 下为 1344x768，分辨率会取整为 32 的倍数。参见设置输出分辨率
4. 长度：节点的 length 输入是 24fps 下的帧数（默认 124，约 5 秒），会向上吸附到模型的 17 帧块网格（17k+5）
5. 屏幕可见文字用引号：画面中实际可见的文字（招牌、横幅、字幕、霓虹文字）都要用英文双引号包裹，并逐条单独列出。原文和标点要原样照抄，不要翻译，例如 A red neon sign reading "营业中" glows above the doorway. 对白请改用 <d> 标签：引号用于印刷文字，<d> 用于角色说的话
6. R2V 中的音频复用标记：在全参考（R2V）提示词中，在保留分析里声明每段音频参考的关系：fully_copy 表示源音频 1:1 用作最终音轨，partially_copy 表示只复制部分时间轴或选取的音频层，或在复制后增删、替换其他声音，reference 表示不复制信号，只沿用音色、节奏、音乐风格、对白内容或声音质感，weak_reference 表示只保留类别或氛围上的大致相似。标记必须与音频在目标视频中的实际作用一致。参见官方全参考指南的关系标记表
7. 显式写清各条音频轨：每条提示词都带有两个音频字段，两者的规则不同。overall_soundscape 用 1 到 4 句话概括整段视频的环境音、动作音效和非语言人声（对白、演唱和画内音乐属于 integrated_multimodal_description，不写在这里），只在片段需要完全静音时才用 N/A。non_diegetic_music 用 1 到 3 句话描述只有观众能听到的配乐，没有这类音乐时用 N/A。安静的镜头返回了你没有要求的人声时，就把这两个字段都明确写出来并重新生成。参见官方基础指南中关于 overall_soundscape 与 non_diegetic_music 的章节
8. 把禁止写成正面描述：H3 模板都通过 BasicGuider 节点采样，该节点只有一个条件输入，因此没有负面分支，负向提示词不会生效（引导器工作在 cfg 1，ComfyUI 会跳过无条件分支；CFGGuider 只在 cfg 高于 1 时才使用负面条件）。一条点名某个不想要元素的指令，会把该表述加进模型读到的描述里，而没有任何单独的通道把它减去，所以 no subtitles and no on-screen text 这类写法会把文字登记成画面内容。请直接写画面里应该有什么，例如 the sign above the door is blank。在全参考提示词中，同样的事情改用保留分析来限定：fully_preserved、partially_preserved、attribute_transfer 和 weak_reference 说明每条参考对目标视频的具体贡献
9. 多格参考图（R2V）：一张参考图可以承载主体的多个视角，或分镜图的各格画面，提示词每次只针对其中一格。给这张图单独的 <Picture N> 条目，不要把它写进 <Subject N> 定义里，因为只写在定义内的图片不会被当作独立参考使用；并在该条目里描述它，例如 <Picture 2> is a character sheet with three panels: a portrait, a full front view, and a full back view of the woman。在镜头描述里指名某一格，例如 [Shot 2] the shot's keyframe corresponds to the full front view panel of <Picture 2>。多格图能把多个视角放进本地 R2V 节点 9 张参考图的限额内，并让每个镜头指名自己需要的视角。给各格编号或加标签，方便提示词指名，图上的印刷文字也用这些标签就好。

​

对白与说话人

• 稳定的说话人 ID：提示词里的每个声音都给一个 ID，例如 (S1) 或 (S2)，画外音和演唱的声音也一样，并在它说话的每个镜头中重复这个 ID。ID 编号的是说话人，不是主体：从不发声的角色没有 ID，提示词里的第一个声音就是 (S1)，即使它的角色编号与之不同。同时发声的说话人使用组合 ID，例如 (S1,S2)
• <d> 外与内：身份描述、说话人 ID、动作和语气都写在标签外，标签内只放语言标记和台词原文，并原样照抄。每句台词都写在它所在的镜头里，与该镜头的动作写在同一个段落中
• 画外音：观众听到、但角色并未开口的台词，需要精确短语 says in an off-screen voiceover，并在 <d> 块之后紧接着说明画内角色嘴唇始终闭合。跨剪辑延续的台词需要在两处衔接点都写 <scenetrans>，并说明音频跨过转场继续播放
• 多个说话人配音频参考：在全参考（R2V）提示词中，两个或更多说话人各配一段音频参考时，即使提示词文字和参考的连接顺序都正确，H3 也可能把某段音频参考交给错误的说话人。让每个镜头只用该镜头真正需要的参考，并把台词绑定到可见的动作上，例如 When the phone is at his ear, the man in the coat speaks，而不是绑定到绝对时间码，时间码是给剪辑点用的。台词仍然落在错误说话人身上时，用语音工具生成这句台词，作为该说话人的音频参考传入，再按这段音频实际的用法选择关系标记：这段音频成为视频完整的最终音轨时用 fully_copy，只覆盖时间轴的一部分时用 partially_copy

​

提示词嵌入