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

• ベースモード（T2VA、I2VA、FL2VA、L2VA）: 時間軸ショット、カメラ、オーディオ
• フルリファレンスモード（R2V）: リライト構造、参照ラベル、保持マーカー

​

一般的なヒント

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

1. シーン優先: 全体のあと integrated_multimodal_description の [Shot 1] 内ショット
2. 1 ブロック: ショット、カメラ、オーディオ
3. 解像度: 16:9 ネイティブ 1344×768; 32 倍数（詳細）
4. 長さ: length は 24fps フレーム（既定 124 ≈ 5s）、17k+5 にスナップ
5. 画面文字: 英語二重引用符、原文（例 A red neon sign reading "营业中"）; 台詞は <d>
6. R2V オーディオマーカー: fully_copy、partially_copy、reference、weak_reference（公式 ref 表参照）
7. オーディオフィールド: overall_soundscape は環境/SFX/非言語（1–4 文; 真の無音のみ N/A）。台詞とダイジェティック音楽はショット内。non_diegetic_music はスコアのみ（1–3 文; 無ければ N/A）
8. ネガティブなし: BasicGuider は cfg 1 でネガティブ分岐なし。禁止リストは逆効果; 出すべきものを書くか R2V 保持フィールドを使用
9. 参照シート（R2V）: 1 画像に複数パネル; 独自の <Picture N>（<Subject N> 内だけに書かない）を付け、ショットでパネル指定（例: <Picture 2> の正面全身）

​

ショットとカット

[Shot 2] At 00:03.500, the camera cuts to...

• 時刻は増加し length 内
• 単一時刻（At 00:05.000）、範囲不可
• the camera cuts to など; 必要ならディゾルブ/フェード

​

セリフと話者

• 話者 ID: (S1)、(S2)…（オフ画面/歌唱含む）; デュエット (S1,S2)
• <d>: ID・動作・演技はタグ外; タグ内は言語タグと原文
• <d> 内句読点: , . ? ! を保持; 文末は . ? !; 不明は [unclear]; 省略号は避ける
• ボイスオーバー: says in an off-screen voiceover と唇が閉じたまま; 跨ぎは <scenetrans>
• 複数話者 + オーディオ参照: 誤割当あり; タイムコードより可視イベントに結び付け; 必要なら話者別に外部生成して参照

​

プロンプト埋め込み