别只让参考图动起来:用目标、过程和因果写 MiniMax H3 视频提示词#

这次解决什么问题#

使用参考图生成视频时,最容易想到的做法,是描述“画面里什么东西动起来”:人物走动、镜头推进、水面起伏、灯光变化。这样的提示词适合给静态画面增加运动,却不一定适合“从无到有完成一件作品”的过程型视频。

过程型任务真正困难的地方,不是让局部产生运动,而是让模型同时理解五件事:最后要完成什么、从什么状态开始、中间经过哪些阶段、每一步由谁完成,以及前后镜头怎样保持同一个世界的连续性。

这也是我从两组 H3 目标导向案例里看到的价值:参考图不只可以作为第一帧,还可以作为最终成品的语义蓝图。视频要生成的,不是把这张图简单动起来,而是生成一条通往它的过程。

两张参考图,定义的是“最后要完成什么”#

第一组是清明上河图主题的长卷场景。参考图提供城市、水系、桥梁、人物、市井活动和整体视觉气质。生成任务则从空白宣纸开始,让画师逐步完成轮廓、建筑、人物、河流与细节,最后展开完整画卷。

清明上河图主题长卷的最终成品参考
清明上河图主题长卷的最终成品参考

第二组是 KFC 微缩建筑模型。参考图固定建筑体量、红白招牌、入口、停车区、绿化和模型材质。生成任务从一块底板开始,让制作者依次安装墙体、屋顶、门窗、招牌和环境细节,最后展示完成的微缩模型。

KFC 微缩建筑的最终成品参考
KFC 微缩建筑的最终成品参考

两个案例的题材完全不同,但任务结构相同:参考图负责定义终点,提示词负责解释如何到达终点。

从“描述画面”转向“描述目标与过程”#

普通画面提示词经常写成:一个精美的古代城市、一座逼真的微缩建筑、电影感镜头、丰富细节。它能告诉模型画面应该好看,却没有回答过程如何发生。

目标导向提示词需要先建立一份“最终成品契约”:哪些结构必须保留,哪些标志性特征不能丢,最终镜头需要让观众确认什么已经完成。然后再把这个终点拆成可以连续执行的制作阶段。

以微缩建筑为例,只有“制作一座 KFC 模型”还不够。更明确的路径应该是:空底板定位,主体墙体搭建,屋顶和门窗安装,招牌固定,停车位与绿化补充,最后清理桌面并展示成品。

这样写的意义,不只是增加细节,而是缩小模型自由发挥的空间。每个阶段都有可判断的目标,下一阶段必须承接上一阶段留下的状态。

参考图不一定是首帧,也可以是完成品蓝图#

如果把参考图默认理解为第一帧,模型往往只能围绕现有画面做运动。对于绘画、搭建、组装、雕刻这类任务,第一帧恰恰应该是未完成状态:空白宣纸、空底板、零散材料或尚未组装的部件。

这时,参考图承担的是另一种约束:它告诉模型最终作品应该包含什么。构图、材质、颜色、关键结构和辨识特征来自参考图;起始状态、制作动作和阶段变化则由提示词定义。

需要注意的是,这不是说任何工作流都天然支持“把参考图当终点”。具体效果仍取决于所使用的 H3 模式、参考图接入方式、时长和生成参数。这里总结的是任务设计方法,不把一次成功样本写成所有场景都稳定成立的保证。

连续性不是一句“保持一致”,而是一组因果规则#

过程型视频最常见的问题,是物体凭空出现、镜头切换后进度重置、操作者换人、左右手变化,或者前一秒还没完成的结构在下一秒突然成型。

只写“保持画面一致”通常太抽象。更有效的方式,是把连续性拆成可以执行的规则:

  1. 同一位创作者完成整个过程,服装、手部和工作台保持一致。
  2. 同一张画卷或同一块底板贯穿所有阶段,不重新生成第二个主体。
  3. 材料必须由手拿入画面,再经过绘制、裁切、粘合或安装。
  4. 每次跳切只压缩时间,不重置制作状态。
  5. 新增结构必须建立在上一阶段已经完成的部分上。
  6. 最终展示镜头只能出现前面已经完成或安装过的内容。

这些规则的核心是物理因果。墙体不是“出现”,而是被拿起、定位并固定;招牌不是突然存在,而是从桌面材料变成建筑的一部分;画卷中的细节也不是一次性铺满,而是随着画师的动作逐步增加。

时间轴其实是一份导演脚本#

长提示词容易变成一段信息很多、执行顺序却不清楚的描述。加入时间轴以后,提示词才开始接近导演脚本。

例如,一个短过程可以拆成:

  • 0—2 秒:交代起始状态、创作者和工作空间。
  • 2—5 秒:完成主体轮廓或基础结构。
  • 5—8 秒:加入关键部件与辨识特征。
  • 8—11 秒:补足人物、绿化、纹理等细节。
  • 最后阶段:停止制作动作,用稳定镜头展示完整成品。

时间轴的作用不是机械规定每一秒,而是建立状态转换:空白、基础、主体、细节、完成。镜头可以跳切,过程可以压缩,但状态只能向前推进。

两个完整提示词案例#

下面保留这次使用的两组完整提示词。它们采用相同的任务骨架,但没有机械套用相同的制作动作:长卷案例围绕落笔、铺陈与设色组织过程;微缩模型案例围绕定位、切割、粘接、安装与涂装组织过程。

案例一:手绘《清明上河图》主题长卷#

TEXT
制作一支 15 秒、24fps 的电影级“手绘《清明上河图》长卷”创作过程影片。

【参考图契约】
<Picture 1> 是最终完成画卷的唯一视觉语义依据:以其中可见的北宋汴京长卷构图、河道与桥梁、城楼与街市、舟船、商贩、行人、车马、建筑比例、工笔水墨线描、设色、宣纸质感和整体画卷气韵为准。忽略参考图自身的背景、边框、展示方式、光线和无关元素。目标不是复制一张静态照片,而是在一张连续宣纸长卷上,由真实手绘过程逐步完成一幅在最终画面中可辨识为《清明上河图》风格、并忠实呼应 <Picture 1> 的完整汴京市井长卷。

【创作空间与人物】
开场直接置于干净、空白的暖白色宣纸长卷和简洁木质画案上。镜头始终保持稳定的前方三分之四俯视广角,使整张逐步展开的画卷始终清楚可读。全片只有一位画师;始终是同一双可辨识的左右手与前臂,每一时刻最多出现两只手。画师使用真实毛笔、墨砚、淡彩颜料、调色碟和压纸镇纸,以传统工笔结合水墨淡彩的方式作画。

【时间轴与连续性】
0–14 秒为清晰可见、加速但自然的手绘延时摄影:手部快速而有目的地移动,只有在一次笔触或局部绘制已明显完成之后,才用短促跳切压缩重复劳动。每个切点都必须承接上一段留下的准确纸面内容、构图位置和完成进度;同一张长卷、同一幅画、同一画案位置始终连续。新出现的毛笔、颜料或工具必须由画师的手从画面外拿入并持续控制,直到完成对应笔触。

【阶段 01|0.00–2.00 秒|起稿】
一只手将空白宣纸长卷在画案中央铺平,另一只手以淡墨快速建立画面的主轴:河道曲线、远景城郭与山势、桥梁位置、两岸街巷和主要建筑的透视布局。每一道基础线条均由可见毛笔接触纸面形成,画卷保持干净、有秩序的起稿状态。

【阶段 02|2.00–8.00 秒|铺陈大景】
同一位画师迅速扩展主要结构:汴河水面、虹桥或主桥、两岸屋檐与楼阁、城门、码头、树木、远近街市和舟船轮廓。画师先画结构与体块,再以淡墨皴染和有限矿物淡彩建立空间层次;每一次颜色、墨色和构件都通过真实笔触逐步落在纸上,不出现自动生成、漂浮拼接或独立变形。

【阶段 03|8.00–12.00 秒|市井人物与细节】
画师用更细的笔触,在已完成的场景中逐步补入参考图特有的汴京生活细节:桥上往来的行人、推车、挑担商贩、马匹、河上的船夫与船只、街边招幌、屋檐纹样、树影和水面细波。每一个人物、船、屋顶、树木和细节都在毛笔或手持工具的真实接触下出现;不能凭空跳变成完成状态。

【阶段 04|12.00–14.00 秒|精修设色】
一只手稳定长卷,另一只手用细笔完成轮廓、人物衣色、屋瓦、桥栏、河岸、波纹、树叶与局部金石淡彩的最后调整。逐步加强纸面上的线条密度、古画层次和细腻笔意,使完成画卷的关键场景、人物群像与长卷节奏尽可能贴近 <Picture 1>。

【阶段 05|14.00–15.00 秒|完成展示】
画师用手移开最后一支笔并撤出双手。延时摄影回到正常速度;镜头克制地向完成的整幅长卷推进并短暂停留。最终画面干净、完整、可读,展现由手绘完成的《清明上河图》式汴京长卷全貌与精致局部。

【镜头与物理规则】
保持一位画师、一双连续一致的手、一张连续长卷、一个固定画案位置和一种真实传统绘画方式。手、工具、墨色、颜料和纸张都服从真实重力与接触关系。不要出现助手、额外手臂、断开的手部、重复人物、魔法变形、自动完成的画面、数字绘图界面、软件窗口、鼠标、菜单、标注或文字叠加。

【声音契约】
不生成对白、旁白、唱词或屏幕文字朗读。声音为安静画室环境、宣纸摩擦、毛笔落纸与运笔、墨砚轻磨、调色、画具轻放,以及克制、典雅、不喧宾夺主的中国传统器乐氛围;音乐与笔触节奏自然同步,在最终完成展示时轻柔收束。

案例二:KFC 餐厅微缩模型#

TEXT
制作一支 15 秒、24fps 的电影级微缩建筑手工创作影片:在模型工作台上,从零完成 <Picture 1> 所示的 KFC 餐厅微缩模型。

【参考图契约】
<Picture 1> 是最终成品模型的唯一视觉语义依据。保留其中可见的单层快餐店建筑比例、红白主色、前立面的 KFC 字母与上校肖像标识面板、红白条纹门头、玻璃橱窗、独立立式路牌、屋顶设备、黑色道路底板、白黄停车位线、无障碍车位、绿化树木和模型工作室氛围。忽略参考图自身的背景、构图和光线;以它定义完成模型的结构、材料、色彩与关键识别细节。

【创作空间与人物】
开场直接置于干净但真实的木质模型工作台中央。镜头始终采用稳定的前方三分之四俯视中广景,让模型从开始到完成都清楚可读。全片只有一位模型制作者;始终为同一双可辨识的左右手与前臂,每一时刻最多出现两只手。工作台上可见切割垫、钢尺、模型刀、镊子、胶水、细画笔、颜料瓶、小型绿化材料和分类收纳盒。制作者使用泡沫板、塑料板、透明窗片、预制小零件、细小贴片和模型颜料,以真实比例模型制作方式完成建筑。

【时间轴与连续性】
0–14 秒为清晰、加速而自然的模型制作延时摄影。手部快速但有目的地工作;只有在一次粘接、切割、喷涂或局部安装已明显完成之后,才以短促跳切压缩重复劳动。每个切点必须承接上一段留下的准确建筑形态和完成进度;同一块底板、同一栋餐厅、同一工作台位置连续不变。任何新材料、工具或零件都必须由制作者的手从画面外拿入并控制,直到被切割、粘接、涂装或安装完成。

【阶段 01|0.00–2.00 秒|底板与定位】
一只手把深灰色矩形道路底板放到工作台中央,另一只手用钢尺和铅笔标出餐厅主体、停车区、人行道、入口与独立路牌的位置。接着手工铺设浅灰路沿与停车区基础,白色和黄色停车线逐步被细笔画出,结构清晰、尺度可信。

【阶段 02|2.00–7.00 秒|建筑主体】
同一位制作者从外部拿入已裁切的白色与红色建筑板件,以模型胶水和镊子逐步搭建单层餐厅的墙体、屋顶和前立面。透明窗片被准确装入窗洞,入口位置、屋顶矮墙和设备底座逐步形成。每一块墙板、窗片和屋顶构件都由手持、对齐和粘接完成,不能自行出现或自动组合。

【阶段 03|7.00–11.00 秒|品牌立面与环境】
制作者用细笔、贴片和小工具完善参考图中的红白门头、立面边框、玻璃橱窗、入口雨棚、独立立式路牌和上校肖像标识面板。KFC 字母、上校肖像和红白条纹作为真实、预先裁切的微缩招牌零件,由手拿入画面后再逐一贴装。随后补入停车位线、路缘、微缩树木、灌木和花丛;每一项景观都经由手与镊子的真实接触放置。

【阶段 04|11.00–14.00 秒|精修与上色】
一只手稳定模型,另一只手用极细画笔修正屋顶设备、窗框、门把、墙面边缘、车位标识、道路划线、树木颜色和地面细节。模型逐步呈现参考图中精致、干净、可辨识的快餐店微缩成品效果;建筑比例、红白配色、立面结构和停车区关系保持稳定。

【阶段 05|14.00–15.00 秒|完成展示】
制作者用手移开最后一支画笔和工具,双手退出画面。延时摄影回到正常速度;镜头克制地向完成的 KFC 餐厅微缩模型推进并停留。最终展示完整建筑、招牌、停车区、独立路牌和绿化,保持暖色工作台实拍质感与精细模型比例。

【镜头与物理规则】
保持一位制作者、一双连续一致的手、一块连续底板、一座连续建筑和一个固定工作台位置。手、工具、胶水、颜料、塑料板和小零件遵从真实重力、接触和制作顺序。不要出现助手、额外手臂、断开的手、重复建筑、魔法变形、自动完成的结构、数字建模界面、软件窗口、鼠标、菜单、标注或后期文字叠加。

【声音契约】
不生成对白、旁白、唱词或文字朗读。声音为安静模型工作室环境、塑料板切割、镊子轻触、小零件放置、模型胶水、毛笔涂装、收纳盒与工具轻响;配以轻快、克制、温暖的非叙事器乐节奏,并在最终成品展示时自然收束。

把两段提示词放在一起看,真正复用的并不是“同一组形容词”,而是同一套控制结构:参考图契约定义终点,阶段时间轴定义路径,连续性与物理规则限制状态变化,声音契约则补足画面以外的执行要求。

一套可以迁移到其他主题的提示词框架#

这套方法可以整理为七个部分:

1. 最终目标#

先说明最终要完成的作品,以及必须继承参考图的哪些结构、材质、色彩和标志性特征。

2. 起始状态#

明确第一帧是空白、未组装或未完成状态,不让成品提前出现。

3. 制作主体#

固定创作者、双手、工具、工作台和拍摄视角,减少人物与空间漂移。

4. 阶段路径#

按真实制作方法拆分步骤。不同题材需要不同路径:绘画强调落笔与细节铺陈,建筑模型强调定位、安装和粘合,服装强调裁剪、缝制和整理。

5. 物理因果#

说明材料从哪里来、由谁操作、怎样变成成品的一部分,避免凭空生成。

6. 连续性约束#

规定同一主体、同一工作空间和同一进度必须贯穿跳切,后一个镜头继承前一个镜头的完成状态。

7. 最终展示#

最后留出明确的成品展示段,让模型从“继续制作”切换到“完成并呈现”。

把它压缩成一句话,就是:

当前结果与适用边界#

这套结构适合手办制作、建筑搭建、产品装配、绘画、机械组装、服装制作和场景布置等“最终成品明确、过程可以拆分”的主题。

它不等于模型会严格模拟真实工艺,也不能保证每次生成都完整复现参考图。时间太短、阶段过多、参考图结构过于复杂,仍可能出现步骤被省略、局部变形、手部错误或成品偏离。真正用于稳定生产前,仍然需要固定参考图、时长、分辨率和 Seed,比较多轮结果,再决定哪些规则值得进入长期提示词编译流程。

当前项目已经归档两张最终成品参考图和两组完整提示词,但尚未把对应输出视频、具体 H3 工作流版本、生成参数和失败样本收进项目。因此本文先作为方法拆解草稿保存,不把它写成已经完成全面对照实验的结论。

更新记录#

  • 2026-09-03:根据清明上河图主题长卷与 KFC 微缩建筑两个案例,整理目标导向视频生成框架,并补充两组 15 秒、24fps 完整提示词。