MiniMax H3 可以在同一段影片工作中，同時讀取：
- 文字。
- 圖片。
- 參考影片。
- 音訊。
很多人看到這項能力後，會把商品照片、人物圖片、喜歡的影片、背景音樂與一大段 Prompt 全部放進去。
結果卻可能出現：
- 人物穿著參考影片裡的衣服。
- 商品外觀被動作影片改變。
- 鏡頭節奏和音樂互相衝突。
- 模型自行增加對話。
- 原本要求保留的細節消失。
問題不一定是素材太多。
更常見的原因是：模型不知道每份素材究竟要負責什麼。
今天只學一個方法：
生成影片前，先替每份參考素材指定角色：圖片管外觀、影片管動作、音訊管聲音、文字管完整場景與限制。
為什麼多放參考素材，結果不一定更準？
不同參考素材可能同時包含很多資訊。
一張人物圖片不只包含臉部，也包含：
- 服裝。
- 姿勢。
- 背景。
- 光線。
- 鏡頭角度。
一段參考影片也不只包含動作，還包含：
- 人物外觀。
- 場景。
- 攝影風格。
- 剪輯速度。
- 原始聲音。
如果你沒有說明優先順序，模型可能同時模仿所有內容。
例如你提供：
- 一張穿白色圍裙的麵包師照片。
- 一段穿黑色外套的人快速轉身的影片。
- 一段節奏很快的音樂。
- 一個要求安靜清晨烘焙坊的 Prompt。
這四項資料互相衝突。
模型可能保留麵包師的臉，卻換上黑色外套；也可能因音樂節奏很快，讓原本應該緩慢的動作變得急促。
多模態參考不是把素材全部丟給 AI，而是讓每份素材只提供一項明確答案。
第一步：圖片只負責「外觀」
圖片最適合固定：
- 人物臉部。
- 髮型與服裝。
- 商品形狀。
- 材質與顏色。
- 主要場景配置。
可以在 Prompt 中寫：
參考圖片只用來決定人物臉部、髮型、服裝與身形。不要模仿圖片中的姿勢、背景與鏡頭角度。
如果是商品，可以改成：
商品外觀完全以參考圖片為準，保留顏色、尺寸比例、材質、按鈕、接口與表面細節。圖片中的背景和光線不需要保留。
這段話是在告訴模型：
- 哪些視覺資訊要保留。
- 哪些視覺資訊可以忽略。
不要只寫：
參考這張圖片。
因為模型不一定知道，你想參考的是人物、商品、構圖，還是整體風格。
第二步：影片只負責「動作與鏡頭」
參考影片最適合傳達文字很難完整描述的內容，例如：
- 人物怎麼轉身。
- 手如何拿起商品。
- 鏡頭如何跟拍。
- 動作速度。
- 最後停下的位置。
可以寫：
參考影片只用於人物轉身動作、手部速度和鏡頭緩慢跟拍。不要採用參考影片中的人物、服裝、背景、產品或聲音。
這能降低模型把參考影片中的其他內容帶進新影片。
如果只需要鏡頭，可以再縮小範圍：
只參考影片中的鏡頭運動：從中景緩慢推近至商品特寫。人物動作與場景不要參考。
每一次只指定一至兩項動作，通常也比十五秒內安排完整故事更容易控制。
第三步：音訊只負責「聲音與節奏」
音訊可以用來提供：
- 環境聲。
- 背景節奏。
- 物件聲音。
- 情緒與速度。
例如：
音訊只用於雨聲的密度與安靜節奏，不採用其中的人聲、旋律或其他環境聲。
或者：
參考音訊只決定剪輯與動作節奏，不複製人聲、歌詞、旋律或聲音身分。
如果完全不需要人物說話，可以直接加入：
No dialogue. No speaking. No lip movement. Use only natural environmental sound and object sounds.
這能降低模型自行加入嘴部動作、旁白或對話的機率。
使用外部音訊前，仍要確認自己是否具有使用與商業發布權利。
第四步：文字負責「完整場景與限制」
文字 Prompt 應負責把所有素材組合成一段完整指令。
至少寫清楚：
- 主體在哪裡。
- 這幾秒發生什麼動作。
- 鏡頭如何移動。
- 需要哪些聲音。
- 最後停在哪裡。
- 哪些內容不能改變。
例如：
在安靜的清晨陶藝工作室裡，參考圖片中的陶藝師把完成的陶杯放到木桌上。人物外觀、服裝與陶杯形狀只以圖片為準。手部動作與緩慢推近鏡頭只參考影片。音訊只提供窗外細雨與陶器接觸木桌的輕微聲音。最後停在陶杯釉面特寫。不要改變人物臉部、服裝、陶杯顏色、杯口形狀與把手位置。不要對話、嘴部動作、可讀文字、Logo 或額外人物。
這段 Prompt 沒有單純要求模型「綜合所有素材」。
它明確規定：
- 圖片負責什麼。
- 影片負責什麼。
- 音訊負責什麼。
- 模型最後要完成什麼。
可以直接使用這個四段式模板
參考圖片只用於【人物、商品或場景外觀】，保留【不可改變的特徵】，不要參考圖片中的【不需要的姿勢、背景或鏡頭】。參考影片只用於【動作、速度或鏡頭運動】，不要採用其中的【人物、服裝、商品、場景或聲音】。參考音訊只用於【環境聲、物件聲或節奏】，不要複製【人聲、歌詞、旋律或聲音身分】。請生成【時間、地點、主體、動作、鏡頭與結尾】，不得改變【外觀與事實限制】，不要出現【不需要的人物、文字、Logo、對話或物件】。
一分鐘實際操作
- 第一步：選一張負責固定人物或商品外觀的圖片。
- 第二步：選一段只用來參考動作或鏡頭的短影片。
- 第三步：決定音訊只負責環境聲還是節奏。
- 第四步：在 Prompt 中逐項寫明每份素材的用途。
- 第五步：加入三至五項絕對不能改變的限制。
- 第六步：先生成四至八秒、只有一個主要動作的測試片段。
為什麼第一次只做一個短鏡頭？
MiniMax H3 可以生成最長十五秒的影片，但第一次測試不必把時間用滿。
短鏡頭更容易檢查：
- 人物是否保持一致。
- 商品是否變形。
- 動作是否遵循參考影片。
- 聲音是否符合場景。
- 限制是否真正生效。
如果第一段就同時包含：
- 人物進門。
- 拿起商品。
- 更換場景。
- 和另一個人互動。
- 鏡頭快速旋轉。
結果出錯時，你很難判斷是人物參考、動作參考、鏡頭還是 Prompt 造成的。
先讓一個角色完成一個動作，再逐步增加素材，比一次生成完整故事更容易找到問題。
如何檢查生成結果？
完成第一段影片後，不要只看整體感覺。
依照四種素材逐項檢查：
圖片外觀：
- 人物臉部是否改變。
- 服裝、髮型與配件是否一致。
- 商品形狀、顏色和細節是否正確。
影片動作：
- 手部與身體動作是否符合參考。
- 鏡頭方向和速度是否正確。
- 是否多出沒有要求的動作。
音訊：
- 聲音是否和動作同步。
- 是否出現不需要的人聲或音樂。
- 音量是否影響畫面重點。
文字限制：
- 是否增加額外人物。
- 是否產生可讀文字或 Logo。
- 最後一幀是否停在指定位置。
結果出錯時，不要一次重寫全部 Prompt
假設人物外觀正確，但鏡頭移動太快。
只修改影片參考的指令：
保留所有人物、場景、聲音與產品設定，只調整鏡頭。鏡頭速度降低一半，使用平穩緩慢推近，不要快速移動或搖晃。
如果商品形狀改變，則只加強圖片限制：
商品外觀必須完整鎖定參考圖片，不得改變尺寸比例、邊角、按鈕、接口、材質與顏色。動作不足時可以減少動作，不得重新設計商品。
每次只修改一個問題，才能知道哪一條規則真正有效。
素材應該放得愈多愈好嗎？
不是。
第一次可以只使用：
- 一張外觀參考圖。
- 一段短動作影片。
- 一段必要的聲音參考。
如果不需要音訊參考，就直接用文字描述環境聲。
素材太多可能帶來：
- 人物版本互相衝突。
- 不同光線混在一起。
- 動作方向不一致。
- 模型不知道哪張圖片優先。
只有當第一版結果無法固定某項特徵時，再增加新的參考資料。
首尾幀也要分配角色嗎？
需要。
第一幀應負責：
- 影片從哪裡開始。
- 主體最初的位置。
- 基本構圖與空間。
最後一幀則負責：
- 動作要走到哪裡。
- 鏡頭最後停在哪裡。
- 是否方便接下一個片段。
首尾畫面差異不要過大。
如果人物、地點、鏡位、光線與姿勢全部不同，模型必須在幾秒內補出太多不存在的過程，容易造成變形。
這個方法可以完全防止人物漂移嗎？
不能保證。
即使素材角色分配清楚，影片生成仍可能出現：
- 臉部細節改變。
- 手指與肢體異常。
- 服裝配件消失。
- 商品細節漂移。
- 多人物位置混亂。
這個方法的作用，是減少互相衝突的指令，讓你更容易知道問題出在哪一項素材。
正式發布前仍要逐格檢查重要人物、商品與動作。
什麼內容一定要另外人工確認？
- 商品外觀與真實功能。
- 人物肖像與聲音授權。
- 品牌、Logo 與包裝。
- 新聞或真實事件的畫面。
- 可能讓觀眾誤認為實拍的情節。
- 背景音樂與參考影片的使用權。
AI 能把多種素材放進同一段影片，不代表所有素材都可以任意使用。
今天只記住一句話
MiniMax H3 能同時理解文字、圖片、影片與音訊，但不要只把素材全部交給模型自行判斷。
先寫清楚：
- 圖片只負責外觀。
- 影片只負責動作與鏡頭。
- 音訊只負責聲音與節奏。
- 文字負責場景、結尾與限制。
多模態影片 Prompt 寫得好的關鍵，不是提供最多素材，而是讓每份素材只負責一件清楚的事。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
