MiniMax H3 短剧提示词怎么写：角色不换脸，声音不变调
Chywe，HelloGen 产品负责人第一集，主角留着短胡子，穿一件绿夹克。到了第三集，胡子没了，夹克换成了灰大衣，嗓音还高了八度。用 AI 做过短剧的人，不管做的是漫剧还是真人短剧，多半都被这种事折腾过。其实 MiniMax H3（海螺 3.0）能让同一个角色在一条接一条的视频里保持原样：它最多支持 9 张参考图，人声和画面一起生成，口型对得上。前提是提示词要按它读得懂的方式写。角色一走样，提示词里几乎总有下面三个漏洞之一：图附上了，却没告诉模型哪张是谁；台词没放进 H3 的对白标记；每个镜头都把角色重新描述一遍，而且每次说法都不太一样。本文依据 MiniMax 官方的提示词规则和我们自己的 H3 测试，把这三个漏洞逐个补上。文中的视频都是在 HelloGen 上生成的，咖啡馆那场戏的完整提示词就附在下文。
✦ 试试 MiniMax H3 Unlimited
明明上传了参考图，角色为什么还会换脸？
简单说：每条视频都附同一张参考图，用标签把它绑到角色上（<Subject 1> is the woman in <Picture 1>），在 retention_analysis 里写一次哪些不能变，每句台词都用 <d>…</d> 包起来并加上说话人编号，再把同一段声音描述贴进每一条视频。下面分步讲怎么做。
每条视频都是单独生成的。H3 生成第二集时，并不记得第一集里的人长什么样。所以在一条视频里，模型判断「这个人是谁」只靠三样东西：你附的参考图、提示词里把图和角色绑在一起的标签，以及你描写这个角色的文字。脸一走样，要么是三样里缺了一样，要么是其中两样互相矛盾。
最常见、也最容易被忽略的情况是：图附上了，提示词看起来也写完了，却没有一句话告诉模型哪张图是谁。然后镜头里又用文字把这个人描述一遍。参考图里明明已经有这个人，你又给了模型第二份描述，两份还对不上。
| 靠什么认人 | 管的是什么 | 缺了会怎样 |
|---|---|---|
| 参考图 | 脸、发型、身材、衣服 | 每条视频都换了一个人 |
| 把图绑到角色上的标签（<Subject 1> … <Picture 1>） | 哪张图是哪个角色 | 两个人的脸对调，或者两个角色混成一个人 |
| 描写角色的文字 | 角色在这场戏里做什么、说什么、什么情绪 | 文字一旦又去描述长相，就会盖过参考图，细节跟着变 |
第一步：先定妆，每个角色一张参考图
MiniMax 官方的短片工作流也是先做这一步再出视频：每个人物一张角色卡，每个地点一张场景卡，场景卡里只有场景，不放人（GitHub 上的 3d-animation-short-generator）。这个道理放到任何模型上都成立：要锁住一张脸，一张图比一段文字靠谱。
角色参考图这样做，H3 用起来才顺手：
- 一张图只放一个角色：腰部以上，正对镜头，纯色背景，光线均匀，就像下面这两张。
- 脸要大。在 HelloGen 的 H3 Unlimited 上，每张参考图都会先缩放到视频画面的尺寸，再交给模型。所以广角照片里的一张小脸，或者挤满整张图的三视图，到了模型那里只剩几个像素。腰部以上的构图既能看清衣服，脸也足够大。
- 衣服画在图里，别写在提示词里。女主每一集都穿那件绿夹克，就让她在参考图里穿着绿夹克。剧情里要换装，就换一张参考图，别靠加一句话。
- 整部剧都用同一个图片文件。图有一点不同，人就会有一点不同。
这些角色图可以用 HelloGen 的免费图片生成器来画，画好后保存下来，之后每条视频都附上同样的文件。
第二步：用 <Subject N> 告诉模型哪张图是谁
H3 的参考模式（视频生成器里叫「全能参考」）有自己的一套标签，而给图点名是最容易漏掉的一步。按 MiniMax 官方指南的写法，<Picture N> 指图片本身；<Subject N> 指从图里取出的某个对象，可以是一个人、一套衣服或一个地方，后面的镜头都用这个标签来指代它（GitHub 上的 h3-prompt-writing）。角色就是一个 Subject：
<Subject 1> is the young woman in <Picture 1>, with shoulder-length black hair and a green field jacket.
意思是：<Subject 1> 就是 <Picture 1> 里那个年轻女人，齐肩黑发，穿绿色工装夹克。
从这句开始，每个镜头都写「<Subject 1>」，不要写「she」「the girl」这类代称。一个标签只对应一个人，在提示词的每一节里都是如此。用来认人的那句描述要短，每次出现都一字不差。MiniMax 自己的示例就是这样：每个镜头都写「the young man in the dark-grey hoodie」，从不换说法。在 HelloGen 上，图片标签的尖括号不用手敲：在视频生成器里输入 @ 选中图片，发给 H3 时 @Image1 就会换成 <Picture 1>。
| 标签 | 用来指什么 | 例子 |
|---|---|---|
| <Subject N> | 从参考图里取出的角色、服装、道具或地点 | <Subject 2> is the man in <Picture 2>, short grey beard, navy wool coat. |
| <Picture N> | 直接当画面用的图片，比如某个镜头的首帧 | <Picture 3> is the first frame of [Shot 1]. |
| (S1)、(S2) | 标明谁在说话；对应的是声音，不是图片 | <Subject 1> (S1) says: <d>[English] You came back.</d> |
第三步：写清哪些不能变，之后别再重复描述
H3 参考模式的提示词分成几节，第三节叫 retention_analysis，用来写明哪些东西必须保留、每个角色出现在哪几个镜头。MiniMax 给这一节规定了四个固定取值：fully_preserved、partially_preserved、attribute_transfer、weak_reference（大致是完全保留、部分保留、只沿用某个属性、只作弱参考）：
<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - her face, shoulder-length black hair and green field jacket are retained.
意思是：<Subject 1> 出现在第 1 和第 3 个镜头，完全保留，她的脸、齐肩黑发和绿色工装夹克都不变。
我们调提示词时遇到的走样，大多也出在这一节：问题往往不在描述太少，而在描述放错了地方。在我们自己的 H3 测试里，只要提示词跳过这一节，又在镜头里把主体重新描述一遍，我们查过的每一次，都是文字压过了参考图：一只杯子长出了它本来没有的把手；另一件产品因为文字里写了八遍「银色」，出来就成了银色；第三件产品上的 logo 直接没了。人物也一样会跑偏。所以长相特征只在这一节写一次，其余交给参考图。镜头里只写角色在做什么，不写角色长什么样。
下面三条是我们自己做片子时总结的：
- 只要图里的人，不要整张图。加一句「do not reuse the reference’s background」（不要沿用参考图的背景）。在一次 H3 测试里，一张白底参考图在最后一秒被整张贴进了画面，像立了块牌子。
- 别让人物在一条视频中途变样。像「Her hair comes loose」（头发散开）这样的变化过程，模型画不出来：画面会在两种状态之间来回闪，脸也越来越不像本人。要散着头发，就让她从第一帧起就散着。
- 文字只写剧情里的状态，不写人本来的样子。年龄、身材、肤色、发型交给参考图；头发湿了、袖子破了、靴子上沾了泥，这些属于剧情，可以写。
第四步：想让每集声音一样，就给每人一个编号、用同一段描述
短剧有一半是台词戏，而 H3 本身就能出声：画面和立体声是一次生成的。要让该说话的角色用你认得出的声音把台词说对，关键在两件事。
对白标记和说话人编号。每句台词都放在 <d> 和 </d> 之间，并加上语言标签；每个说话的角色有一个固定编号，比如 (S1)、(S2)，写在台词前面：<Subject 1> (S1) says: <d>[English] You said you’d call.</d> 台词要是写成叙述，最容易出来一段听着像在说话、却听不出字的声音。MiniMax H3 人物乱说话怎么办一文里有我们的实测和 7 种改法。
每一集都用同一个声音。说话人编号只在当前这条视频里有效。H3 不记得上一条，所以除非你用同样的话再描述一遍，第二集里的 (S1) 就是一个新声音。给每个角色写一段声音描述，写明年龄、音高、音色、语速和口音。角色在一条视频里第一次开口时，把这段描述放在「says:」前面，并且一字不差地贴进每一条视频：
<Subject 1>, a woman in her late twenties with a low, slightly husky voice and an unhurried pace (S1), says: <d>[English] …</d>
意思是：<Subject 1>，一位二十八九岁的女性，嗓音偏低、略带沙哑，说话不紧不慢，(S1) 说：……
用 MiniMax H3 积分版时，还可以附一段 2–15 秒的声音素材，并写上 <Audio 1> is the voice-timbre reference for <Subject 1> (S1)（把 <Audio 1> 作为 <Subject 1> 的音色参考），MiniMax 的指南支持这种写法。H3 Unlimited 只接受图片，声音完全由这段文字描述决定，所以一个字都别改。声音描述能让 H3 每次都往同一类声音上靠，效果是很接近，但不是复刻原声。
第五步：把一场戏拆成镜头来写
H3 能在一条视频里切镜头。按 MiniMax 的格式，第一个镜头只写 [Shot 1]，不写时间；之后每个镜头开头都写上切换的时间点：[Shot 2] At 00:05.000, the shot cuts to… 每次切镜都要带来新东西：一张新面孔、一个新地点，或者一种新状态。如果只是景别变了，就别切，用运镜代替。要让两个人的对手戏看得明白，靠下面这几条：
| 规则 | 为什么 |
|---|---|
| 一个镜头只让一个人说话：正对镜头，嘴要露出来 | 看得见脸，口型才对得上。人侧过头或在远景里说台词，口型会飘，台词还可能安到别人头上。 |
| 先做动作，再说台词 | 写成「She sets the cup down, then says…」（她放下杯子，然后说……）。边喝边说、边拥抱边说，嘴会被挡住。 |
| 一个镜头里有动作或台词的角色，最多三个 | MiniMax 官方的短片检查清单定的就是这个上限。 |
| 位置按镜头视角来写：「frame left」（画面左侧）、「enters frame right」（从画面右侧入画） | 「To her left」（在她左边）分不清是哪一边；按镜头视角写就不会有歧义。 |
| 两个人同框时，要写清身高：最好写数字，至少写出高矮关系 | 比如「182 cm and 160 cm」或「a head taller」（高出一个头）。两样都不写，模型往往会把两个人画成差不多高。 |
| 每 3–4 秒一句台词，或者写明哪几秒不说话 | 长视频里只写一句短台词，模型会自己补出你没写的话。 |
| 表演说明写在「says:」前面，不要紧跟在 </d> 后面 | 紧跟在结束标记后面的文字，会被当成台词念出来。 |
第六步：让上一条和下一条接得上
H3 每次生成 4 到 15 秒，一集戏要用好几条视频在剪辑软件里拼起来。接缝处会不会穿帮，生成之前就已经定了：
- 每条视频都结束在一个写明的状态上，比如「ends with <Subject 1> holding the letter, the door open behind her」（结尾时 <Subject 1> 拿着那封信，身后的门开着），下一条就从这个状态原样接着开始。
- 只发生一次的变化，要写死。我们自己做多镜头片子时，最常见的穿帮来自提示词前后矛盾，而不是模型乱编：门在第二个镜头开了一次，到第五个镜头又开了一次；安全带解了两回。把会变的东西列出来，比如门、外套、谁坐在哪，写清楚变几次、什么时候变：「the door opens exactly once, in [Shot 2], and stays open」（门只在 [Shot 2] 打开一次，之后一直开着）。
- 同一个场景，用同一段描述。每个地点只写一段描述，凡是用到这个地点的视频都原样粘贴，并写明哪些东西不出现：「no other people, no signage」（没有其他人，没有招牌）。镜头之间接不上，模型自己补出来的背景是常见原因。
- 用尾帧接力。把上一条的最后一帧导出来，作为下一条的开头。H3 Unlimited 的首帧和首尾帧模式就是为此准备的。在参考模式下，MiniMax 的指南也允许把一张图直接当画面用（「<Picture 3> is the first frame of [Shot 1]」），其余几张照样用来定角色。
如果一句台词跨过了切镜点，MiniMax 的写法是在台词断开的地方和下一个镜头接上的地方各加一个 <scenetrans>，并写明声音延续到下一个镜头；被视频结尾截断的话，则用 <cutoff> 标出。
直接复制：一场完整的 15 秒戏
附两张参考图：先附女人的，再附男人的。在 HelloGen 的视频生成器里，它们是 @Image1 和 @Image2，发给 H3 时就成了 <Picture 1> 和 <Picture 2>。整场戏三个镜头、两个人说话，讲的是她最后心软的那一刻。角色、场景和台词都可以换成你自己的，结构别动。
下面这段提示词是这样搭起来的：标签把两张参考图分别绑到两个人身上；retention_analysis 锁住脸和外套，镜头里就不必再写；每个镜头只有一个人说话，而且正对镜头；动作都放在台词之前；每个声音只描述一次，这段话下一集可以原样粘贴。
这场戏用中文讲一遍：深夜的车站咖啡馆，她已经等了四十分钟；他淋着雨进门，说末班车取消了，他是走过来的；她打量了他一会儿，把杯子推过去：「坐吧，还热着。」
subject_definitions: <Subject 1> is the young woman in <Picture 1>, shoulder-length black hair, green field jacket. <Subject 2> is the man in <Picture 2>, short grey beard, navy wool coat. <Subject 3> is a small station café at night: one counter, three stools, rain on the front window.
summary: [reference generation] <Subject 1> has been waiting in <Subject 3>; <Subject 2> arrives late, and she decides to let him stay. Three shots, 15 seconds.
retention_analysis: <Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - face, shoulder-length black hair and green field jacket are retained. <Subject 2> (appears in [Shot 2], [Shot 3]): fully_preserved - face, short grey beard and navy wool coat are retained. Do not reuse either reference’s background.
detailed_description: Live-action, naturalistic drama, cool fluorescent light inside, warm street light through the rain-streaked window. [Shot 1] A medium shot from across the counter: <Subject 1> sits on the middle stool facing the camera, both hands around a paper cup. The camera pushes in slowly. She looks up toward the door, and <Subject 1>, a woman in her late twenties with a low, slightly husky voice and an unhurried pace (S1), says: <d>[English] You’re forty minutes late.</d> [Shot 2] At 00:05.000, the shot cuts to the doorway: <Subject 2> steps in from frame right with rain on his shoulders and stops, facing the camera. <Subject 2>, a man in his fifties with a deep, quiet voice (S2), says: <d>[English] The last train was cancelled. I walked.</d> [Shot 3] At 00:10.000, an over-the-shoulder shot from behind <Subject 2>, who stands at frame right, a head taller; <Subject 1> faces the camera from her stool at frame left. She studies him, sets the cup down and slides it toward him, then <Subject 1> (S1) says: <d>[English] Sit down. It’s still warm.</d>
overall_soundscape: Rain on the window, the low hum of a drinks fridge, the door’s bell once at 00:05, wet footsteps, a paper cup sliding on laminate.
non_diegetic_music: N/A
几个常见错误和改法
剧情视频翻车，多半是下面这几种写法造成的，每一种都只需改一句。
| 常见写法 | 结果 | 改法 |
|---|---|---|
| 台词用引号或叙述来写 | 出来一段像说话的杂音，或者词说错了 | 每句台词都用对白标记包起来：(S1) says: <d>[English] …</d> |
| 附了参考图，却没点名 | 模型只能猜哪张脸是谁 | 每张图定义一个 <Subject N>，之后一律用标签指代 |
| 每个镜头都写一遍发型和衣服 | 文字盖过参考图，细节跟着变 | 在 retention_analysis 里写一次；镜头里只写角色在做什么 |
| 「4K, ultra-realistic, cinematic, masterpiece」 | 基本没用：这些词既不控制镜头，也不控制光线 | 写清光源、景别和运镜 |
| 用代词，不用标签 | 画面里多出一个人，或者台词安错了人 | 每次都用标签 |
| 在提示词里要求出现字幕或文字 | 画面上的字会重复，或者变成乱码 | 字幕放到剪辑软件里加 |
| 各镜头时长加起来和视频时长对不上 | 动作太赶，或者结尾模型自己编台词 | 每个镜头都标上时间，加起来正好等于你选的时长（4–15 秒） |
语法交给 ✦ 增强，反复生成 0 积分
标签、对白标记、各节名称，写起来就像填表，实际上也确实是在填表。在 HelloGen 的视频生成器里，你只要像给演员讲戏那样把这场戏写出来：有谁、说什么、怎么收尾，再附上角色参考图，按一下 ✦ 增强。选的是 MiniMax H3 时，增强依据的就是这同一份 H3 提示词指南，会把你的描述改写成上面那种参考模式格式：每张图都点了名，台词放进对白标记并带上说话人编号；它在设计上会保留你写的台词原文，不额外加台词；生成前最好再看一眼。增强一次 2 积分，成功才扣。
接下来，这场戏想生成多少次都行。MiniMax H3 Unlimited 包含在 Pro（每月 US$19.90 起）和 Max 套餐里，每条 0 积分，没有每日上限：Pro 每天至少 2 条优先生成，Max 至少 5 条，超出后按标准速度生成。Pro 输出 480p，可以用视频放大工具放大到 2 倍（每 15 秒 2 积分）；Max 另含无限次 720p 高清。套餐自带的积分还能用在 MiniMax H3 积分版（原生 2K）、Veo 3.1、Kling 3.0 和 Seedance 上，一集里最关键的那个镜头，值得用它们来做。做带货广告的话，可以看姊妹篇 AI 带货视频提示词。
参考资料
- GitHub 上的 MiniMax-H3 h3-prompt-writing skill——参考模式提示词的六节结构，<Subject N> / <Picture N> / <Audio N> 标签，retention_analysis 的取值，说话人编号，<scenetrans> 和 <cutoff>。
- GitHub 上的 MiniMax-H3 3d-animation-short-generator skill——先做角色卡和场景卡、再出视频，每个镜头最多三个有戏份的角色。
- 本页的视频：2026 年 10 月在 HelloGen 的 MiniMax H3 Unlimited 上以 720p 生成，咖啡馆那场戏的完整提示词见上文。
- HelloGen 自己的 H3 测试，2026 年 9 月：文字和参考图冲突、参考图背景被带进画面、</d> 后面的文字被念出来、台词太短导致模型自编台词、画面里出现文字。
- 相关文章：MiniMax H3 人物乱说话怎么办、AI 带货视频提示词：用 MiniMax H3 做 UGC 种草视频。
常见问题
MiniMax H3 怎么让角色保持一致，每条视频都是同一个人？
每条视频都附同一张参考图，用一句简短的描述把角色定义一次，比如 <Subject 1> is the woman in <Picture 1>；在 retention_analysis 里标为 fully_preserved，之后每个镜头都用这个标签称呼它。镜头里别再写发型和衣服，否则文字会和参考图打架。
MiniMax H3 最多能用几张参考图？
参考模式下最多 9 张，这是 MiniMax 官方给出的上限，HelloGen 的 H3 Unlimited 也支持 9 张（选 720p 时最多 5 张）。但图不是越多越好：只附镜头里真正点了名的那几张，一张图只放一个角色或一个地点。
怎么让角色每一集都是同一个声音？
(S1) 这样的说话人编号只在当前这条视频里有效。给每个角色写一段声音描述，写明年龄、音高、音色、语速和口音，每条视频都一字不差地贴在「says:」前面。用 MiniMax H3 积分版时，还可以附一段 2–15 秒的声音素材作为 <Audio 1>。
MiniMax H3 的 <Subject N> 和 <Picture N> 有什么区别？
<Picture N> 是你上传的图片本身，要把图直接当画面用时就写它，比如某个镜头的首帧。<Subject N> 是从图里取出的对象，可以是一个人、一套衣服或一个地方，镜头里用它来指代。角色属于 Subject：<Subject 2> is the man in <Picture 2>。
MiniMax H3 能做超过 15 秒的戏吗？
单条视频是 4 到 15 秒。更长的戏要分几条来做：每条都结束在一个写明的状态上，下一条从上一条的最后一帧开始，角色和场景的描述一字不差，最后在剪辑软件里拼起来。
MiniMax H3 的角色为什么会乱说话，听不出在说什么？
多半是台词写成了叙述，或者只加了普通引号。把台词放进 H3 的对白标记，带上说话人编号和语言标签，写成 (S1) says: <d>[English] the line.</d>；表演说明放在「says:」前面，别紧跟在 </d> 后面。