एक प्रॉम्प्ट में इमेज, वीडियो और ऑडियो रेफ़रेंस
MiniMax H3 एक जनरेशन में अधिकतम 9 रेफ़रेंस इमेज, 3 रेफ़रेंस वीडियो और 3 ऑडियो क्लिप लेता है, और उन्हें एक-एक करके नहीं, साथ में पढ़ता है।
MiniMax के अपने उदाहरण में एक ही वाक्य में मॉडल से कहा जाता है कि वीडियो से कैमरा मूव कॉपी करे, इमेज वाले किरदार से गाना गवाए, और गायकी को ऑडियो क्लिप से मिलाए।
प्रॉम्प्ट में बताइए कि हर रेफ़रेंस किस लिए है, वरना मॉडल को अंदाज़ा लगाना पड़ता है: “पोर्ट्रेट वाला चेहरा रखो, रेफ़रेंस वीडियो का डॉली मूव अपनाओ, और उससे ऑडियो क्लिप की धुन गवाओ”।
एक जनरेशन में रेफ़रेंस और पहला या आख़िरी फ़्रेम साथ नहीं चलते, इसलिए हर क्लिप के लिए एक तरीक़ा चुनिए, और रेफ़रेंस वाली क्लिप के लिए H3 चुनिए।
अपनी सामग्री इस्तेमाल कीजिए, या वह जिसकी अनुमति आपके पास हो, ख़ासकर चेहरे और आवाज़ के लिए।

सिनेमैटिक 16:9 वीडियो कीफ़्रेम, पतली गहरी पट्टियों से अलग तीन पैनल वाला ट्रिप्टिक: बाईं ओर ग्रे बैकग्राउंड पर नेवी बुने हुए स्वेटर में एक युवक का सादा स्टूडियो पोर्ट्रेट; बीच में बंदरगाह के घाट के साथ डॉली करते कैमरे का पेंसिल स्टोरीबोर्ड स्केच; दाईं ओर वही युवक उसी नेवी स्वेटर में शाम के धुंधलके में घाट पर गाता हुआ, कैमरा उसके साथ-साथ चलता हुआ, पीछे बँधी हुई नावें और लैंप। सभी पैनल में एक जैसा चेहरा और कपड़े, गहरे नीले और कोरल का पैलेट, कोई टेक्स्ट या लोगो नहीं।








