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. シーンを先に: まず全体のシーンを書き、次に integrated_multimodal_description の [Shot 1] 内に時間指定付きのショットを書く
2. 1 つのブロック: ショット、カメラ、オーディオをまとめて記述する
3. 解像度: 16:9 でネイティブ 1344×768、32 の倍数
4. 長さ: length は 24fps のフレーム数（既定 124 ≈ 5s）で、17k+5 にスナップされる
5. 画面文字: 各文字列を英語の二重引用符で囲み、原文のまま記述する（例: A red neon sign reading "营业中"）。話される台詞には <d> を使用し、引用符は使わない
6. R2V オーディオマーカー: 保持分析では、クリップの使われ方に合わせて各オーディオ参照を fully_copy、partially_copy、reference、weak_reference のいずれかでマークする（公式の ref ガイドの表を参照）
7. オーディオフィールド: overall_soundscape = 環境音/SFX/非言語音（1〜4 文。N/A は本当に無音の場合のみ）。台詞とダイジェティック音楽はショット内に残す。non_diegetic_music = スコアのみ（1〜3 文。なければ N/A）。不要な発話が現れる場合は、両方のフィールドを明示的に埋める
8. ネガティブは使わない: BasicGuider は cfg 1 で動作し、ネガティブ分岐はない。禁止リストは不要な概念を追加してしまう。表示すべき内容を記述する（または R2V の保持フィールド fully_preserved、partially_preserved などを使用する）
9. 参照シート（R2V）: 1 枚の画像に複数のパネルを含めることができる。シート自体に専用の <Picture N> を付け（<Subject N> 内だけに書かない）、パネルを説明し、ショットからパネルを指定する（例: <Picture 2> の正面全身）。パネルには明確にラベルを付ける

​

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