MiniMax H3：対話とタイミングのプロンプトガイド

MiniMax H3プロンプトガイド：対話、カット、タイミングを制御する

このMiniMax H3プロンプトガイドでは、見栄えはよくても曖昧なシーン説明に頼るのではなく、話者、リップシンク、カット、音、製品の一貫性を制御する方法を紹介します。

演出された対話、アクション、読み取れる小道具、カメラワーク、時間指定のリアクションショットを示す、コミュニティによるMiniMax H3の例。

冒頭のクリップは、RedditユーザーのGrayingGamerが共有した構造化プロンプトから作成されました。2人の話者、複数のアクション、読み取れる小道具、カメラワーク、音、そして約10秒時点のリアクションショットを指示しています。商用プロジェクトでは、使用許可を得たキャラクター、音声、製品、ブランドアセットを使用してください。ここで参考になるのは、その撮影台本としてのロジックです。

MiniMax H3プロンプトガイドが重要な理由

短いプロンプトは、被写体が1つでアクションも1つの場合には有効です。複数の話者、オフスクリーンの声、複数のショット、時間指定の製品アクションがある場合は、構造化が役立ちます。そうしないと、正しい音声が流れていても、別のキャラクターが口を動かしてしまうことがあります。カットが早く入り、製品がショット間で変化する可能性もあります。

実践的なMiniMax H3プロンプトガイドは、こうした曖昧さを減らすべきです。スタイルに関する形容詞を増やしても、明確な話者の識別やタイムラインの代わりにはなりません。

適切な公式MiniMax H3プロンプトガイドを選ぶ

MiniMaxは、公式リソースを2種類提供しています。

公式リソース	最適な用途	主な構造
動画プロンプト作成ガイド	テキストから動画、画像から動画、開始・終了フレーム、終了フレームのタスク	integrated_multimodal_description、overall_soundscape、non_diegetic_music
フルリファレンスモードガイド	個別の被写体、画像、動画、モーション、音声リファレンスを使用するタスク	subject_definitionsからnon_diegetic_musicまでの6セクション

動画プロンプト作成ガイド

フルリファレンスモードガイド

テキストまたはフレーム主導の生成には、最初のMiniMax H3プロンプトガイドを使用します。画像で製品を定義する場合、動画でモーションを制御する場合、または音声で話し方を制御する場合は、フルリファレンスガイドを使用してください。

現在の公式構文では、話者に(S1)や(S2)のような安定したIDを付与します。話者の識別情報と話し方は、<d>の外側に記述します。内部に入れるのは言語と発話内容だけです。

明瞭で自信に満ちた声の女性ホスト（S1）が尋ねる：
<d>[English] プレッシャーテストの準備はできていますか？</d>

オフスクリーンのセリフでは、オフスクリーンのナレーションであることを明記し、画面に映るキャラクターの口は閉じたままであると指定してください。

制御可能なタイムラインの4つのルール

1. 話者と無音を割り当てる。 各音声を一度だけ導入し、ショットをまたいで同じIDを維持し、話してはいけない人物を指定します。
2. カットをタイムラインに配置する。 [Shot 1]から始め、タイムスタンプは付けません。以降のショットには、時系列順にカット時刻を設定します。

[Shot 1] ミディアムショットで、ホスト、技術者、テストタンクを配置する。
[Shot 2] 00:04.000で、カメラが腕時計のクローズアップへ切り替わる。
[Shot 3] 00:08.000で、カメラが腕時計を持ち上げる技術者へ切り替わる。

3. 発話と音を分ける。 対話は<d>に、物理的な音はoverall_soundscapeに、視聴者だけが聴く音楽はnon_diegetic_musicに入れます。
4. 台本を出力時間に合わせる。 対話が重なったり、製品アクションが速すぎたりする場合は、台本を短くするか、クリップを長くしてください。

このMiniMax H3プロンプトガイドは、編集だけでなくペーシングも制御します。タイムスタンプ間の間隔は、各アクションとセリフに使える時間です。

MiniMax H3プロンプトテスト：簡易版と構造化版

1つの腕時計の耐圧コンセプトを、2種類のプロンプトスタイルでテストしました。必要条件は、3ショット、2人、3つのセリフ、男性によるオフスクリーンのセリフ1つ、2回のカット、そして一貫したダイバーズウォッチ1本です。このMiniMax H3プロンプトガイドの比較は、正式なベンチマークではなく、実践的な実演です。

主なプロンプトの違いは次のとおりです。

制御項目	簡易プロンプト	構造化プロンプト
話者	段落内で役割として説明	(S1)と(S2)として固定
オフスクリーンのセリフ	「技術者がオフスクリーンから話す」	明確なオフスクリーンナレーションと、口を閉じる指示
カット	通常の時間指示として記述	[Shot 2] At 00:04.000および[Shot 3] At 00:08.000として記述
音	リアルな音に関する一般的な要望	overall_soundscapeとnon_diegetic_musicに分離

テスト1：簡易プロンプト

簡易版では、説得力のあるスタジオが生成され、腕時計も認識可能な状態に保たれました。しかし、技術者のオフスクリーンのセリフ中に、女性ホストが彼の声で話しているかのように、はっきりと口を動かしていました。カットは約3.54秒と6.79秒で入ったため、最後の見せ場が早く始まりました。

テスト2：構造化MiniMax H3プロンプトガイド形式

構造化されたMiniMax H3プロンプトガイド版では、話者ID、オフスクリーンナレーション、口を閉じる指示、時間指定のショットを使用しました。カットは約3.92秒と7.88秒で入り、指定した4秒と8秒に近い結果となりました。

明らかな誤ったリップシンクは見られませんでした。腕時計が前景を占め、ホストは背景にとどまりました。彼女の口は一部隠れていたため、完璧な実行を証明するものではありません。それでも、構造化されたMiniMax H3プロンプトガイドは、テスト1で見られた明白な不一致を回避しました。

結果	簡易プロンプト	構造化プロンプト
話者の割り当て	女性が口を動かしているのに男性の声	明らかな別人のリップシンクなし
カットのタイミング	約3.54秒と6.79秒	約3.92秒と7.88秒
製品の一貫性	腕時計は認識可能な状態を維持	より強いクローズアップでも腕時計は認識可能な状態を維持
残る課題	話者の目に見える不一致	技術者のシャツにわずかな疑似テキスト

4.5秒時点の簡易プロンプト	4.5秒時点の構造化プロンプト

4.5秒時点で、簡易版の結果では、画面上のホストが技術者のオフスクリーン音声に合わせて口を動かしています。構造化版の結果では、同じ明白な不一致を回避しています。

どちらのクリップも商用としてもっともらしく見えました。このMiniMax H3プロンプトガイドのテストは、長いプロンプトほど常に美しいフレームを生成することを示すものではありません。適切な構造が制御性を向上させることを示しています。

再利用可能なMiniMax H3プロンプトガイドテンプレート

integrated_multimodal_description:
[Shot 1] スタイル、構図、製品、話者（S1）、アクション、対話。
[Shot 2] 00:SS.mmmで、新しいフレーミング、製品アクション、話者（S2）、
オフスクリーンまたはオンスクリーンの発話、正確な対話、無言を維持する人物。
[Shot 3] 00:SS.mmmで、最終アクション、製品の一貫性、終了フレーム。

overall_soundscape: 再生順の環境音と物理音。
non_diegetic_music: 視聴者だけが聴くBGM、またはN/A。

リファレンスモードでは、代わりに2つ目の公式MiniMax H3プロンプトガイドに従ってください。タイムラインを書く前に、各<Subject N>、<Picture N>、<Video N>、<Audio N>が何を制御するかを定義します。

商用品質チェックリスト

ECサイトまたはソーシャルメディア向け動画を承認する前に、以下を確認してください。

• すべてのセリフが意図した話者から発せられ、無言のキャラクターが誤ったリップシンクを生じさせていない。
• カットが指定時間の近くで発生し、対話と製品アクションに十分な時間が確保されている。
• 製品の色、構造、ロゴ、質感、比率が安定している。
• 手、顔、反射、影、接触点、表示テキストを確認済みである。
• フレーミングが、想定するPDP、マーケットプレイス掲載、Reel、TikTok、広告に適している。

プロンプトをWeShop AIワークフローに取り入れる

WeShop AIでMiniMax H3ワークフローを開き、アセットに適した入力モードを選択します。ゼロから作成する場合はテキスト、開始時の構図を固定する場合は開始フレーム、製品の識別、モーション、音を個別のアセットで制御する場合はフルリファレンスモードを使用します。

続いて、以下の5ステップに従います。

1. 成果物と時間を定義する。
2. 話者、リファレンス、固定する製品詳細を割り当てる。
3. 現実的なMiniMax H3プロンプトガイドのタイムラインを作成する。
4. ドラフトを1本生成し、制御上の失敗を確認する。
5. ベース動画がレビューを通過してから、キャンペーンバリエーションを作成する。

対話型広告、デモ、解説動画、複数キャラクターの動画において、このMiniMax H3プロンプトガイドから得られる教訓はシンプルです。詳細を増やすだけでは、自動的に美しい動画にはなりません。適切な詳細が、より制御可能な動画を生み出します。

編集注：第三者の映像、キャラクターの肖像、音声リファレンスを公開する前に、必ず許可を確認してください。