跳转到主要内容
H3 在单一提示词中承载镜头、运镜、对白与音效。本页汇总官方指南、跨工作流技巧、镜头/对白规则与风格嵌入。

​
官方指南

  • 基础模式（T2VA、I2VA、FL2VA、L2VA）：分镜、运镜、音频
  • 全参考模式（R2V）：重写结构、参考标签、保留标记
可安装的 H3 skills 将上述内容打包给智能体。 各模板应用示例：T2V/I2V、R2V、多帧参考、Fun ControlNet。

​
通用技巧

I2VA 的首行是一句固定的图像对齐语句，随后空一行，再接正文各字段。FL2VA/L2VA 使用各自的对齐语句；T2VA 则直接从字段开始：
提示词用英文撰写。对白/歌词放在 <d> 标签中；屏幕文字逐字保留其原始语言。
  1. 先写场景：先写整体场景，再在 integrated_multimodal_description 的 [Shot 1] 内按时间顺序写分镜
  2. 一个整体：分镜、相机与音频放在一起写
  3. 分辨率：16:9 原生 1344×768；取 32 的倍数
  4. 长度：length 是以 24fps 计的帧数（默认 124 ≈ 5s），会对齐到 17k+5
  5. 屏幕文字：每个字符串用英文双引号包裹，逐字照抄（如 A red neon sign reading "营业中"）。台词使用 <d>，不要用引号
  6. R2V 音频标记：在保留分析中，按片段的实际用法把每个音频参考标记为 fully_copy、partially_copy、reference 或 weak_reference（见官方参考指南表格）
  7. 音频字段：overall_soundscape = 环境声/音效/非语言声音（1–4 句；只有完全静音时才写 N/A）。对白与画内音乐仍写在分镜中。non_diegetic_music = 仅配乐（1–3 句；没有则写 N/A）。若出现不需要的语音，请把这两个字段都明确填写
  8. 不要写负面内容：BasicGuider 以 cfg 1 运行，没有负面分支。禁止清单反而会引入不想要的概念。请正面描述应该出现的内容（或使用 R2V 保留字段：fully_preserved、partially_preserved 等）
  9. 参考图版（R2V）：一张图像可以包含多个分格。请为该图版单独指定 <Picture N>（不要只写在 <Subject N> 内），描述各分格，并在分镜中指向具体分格（如 <Picture 2> 的正面全身视图）。请清晰标注各分格
各工作流专属的标签与控制项见对应工作流页面。

​
镜头与切换

[Shot 1] 从 0.00s 起；后续镜头以切换时间开头：
  • 时间递增且在 length 时长内
  • 写单点时间（At 00:05.000），不写区间
  • 用 the camera cuts to 等动作描述；需要时可写溶解/淡入淡出
仅景别/微角度变化时保持同一镜头，用运镜表达。

​
对白与说话人

  • 说话人 ID：(S1)、(S2)…（含画外/演唱）；合唱 (S1,S2)
  • <d>：ID、动作、语气在标签外；标签内为语言标记与原文
  • 标点：保留 , . ? !；句末用 . ? !；听不清写 [unclear]；慎用省略号
  • 画外音：says in an off-screen voiceover，并说明嘴唇闭合；跨切用 <scenetrans>
  • 多说话人+音频参考：易错配；绑定可见动作而非时间码；必要时外生成每人的音频参考

​
提示词嵌入

ComfyUI#15697 支持 embedding:name。文件放 ComfyUI/models/embeddings/。 Comfy-Org/MiniMax-H3/embeddings 含 10 个社区风格嵌入（silveroxides，讨论 #50；非官方）。触发词为无扩展名的文件名：