一条提示词,同时用图片、视频和音频参考
MiniMax H3 一次生成最多接收 9 张参考图、3 段参考视频和 3 段音频,而且是放在一起理解,不是逐个处理。
MiniMax 自己举过一个例子:一句话里让模型照搬视频里的运镜、让图里的角色唱歌,并让歌声对上一段音频。
每份参考素材管什么,要在提示词里写清楚,不然模型只能猜:「保留肖像里的脸,按参考视频里的推轨运镜走,让他唱出音频里的旋律」。
参考素材和首帧、尾帧不能在同一次生成里一起用,每条视频只选一种方式;靠参考素材生成时,选 H3。
请使用自己的素材或已获授权的素材,涉及人脸和声音时尤其要注意。

电影感 16:9 视频关键帧,用细细的深色间隔分开的三联画:左边是一张朴素的棚拍肖像,一位穿藏青色针织毛衣的年轻男子站在灰色背景前;中间是一张铅笔分镜草图,画的是镜头沿港口码头推轨移动;右边是同一位穿同一件藏青色毛衣的年轻男子在黄昏的港口码头上唱歌,镜头在他身旁跟着移动,身后是系泊的船和路灯。三格里的脸和衣着保持一致,深蓝与珊瑚色配色,无文字,无标志。








