用 MiniMax RunningHub 从提示词到成片的完整流水线实战记录转换即梦版本的提示词今天做了一件一直在想但没认真落地的事——把飞书多维表格里AI视频即梦专属的提示词通过自动转换批量跑成了真正的15秒视频。总共处理了6条记录覆盖了完全不同的题材No类型题材参考图耗时RH币消耗1影视短剧宫廷权谋红衣皇妃 vs 素衣妃子3张角色三视图~8分钟~110币2仙侠特效修仙武者御剑大战穷奇2张角色三视图~8分钟~95币3国风动画哪吒大战敖丙银白巨龙3张角色三视图巨龙~9分钟~130币4儿童创意儿童房纸飞机奇幻冒险一镜到底1张场景参考~7分钟~87币5商业广告汽车品牌广告4张多角度参考~10分钟~122币6游戏演示黑神话风格3A游戏UI1张角色群像~8分钟~86币总消耗约630 RH币生成15张参考图 6条15秒视频。提示词网上找到的大都是适配即梦的本文的提示词和场景也是摘自网络要转换为minimax的适配提示词因为提示词才是决定视频质量的天花板而参考图和模型只是帮你逼近这个天花板。为什么说提示词是最重要的先说结论在 MiniMax 这类结构化提示词驱动的视频生成模型中提示词决定了视频的剧本质量参考图决定了演员长什么样而模型本身决定了拍摄设备。你不可能用一个粗制滥造的剧本拍出好电影哪怕演员是顶级的、摄影棚是顶级的。我今天的6条视频使用的模型完全相同MiniMax H3、分辨率完全相同1152x640、时长完全相同15秒但最终质量差异非常大。原因只有一个提示词的精细程度不同。宫廷权谋剧和哪吒大战敖丙这两条提示词是经过精心设计的每一个镜头都有明确的机位、动作、情绪和时间码而有些条目因为提示词颗粒度不够生成的视频就明显散——缺少节奏感镜头之间缺乏逻辑联系。下面我会把几条关键视频的完整提示词原文贴出来逐段拆解每一部分的作用。你会发现一段高质量的AI视频提示词本质上就是一份微缩版的专业影视剧本。MiniMax 提示词的六段式结构MiniMax 使用的是一套严格的六段式结构化提示词。这不是建议是硬性要求——缺少任何一段模型的表现都会明显下降。这六段分别是1. subject_definitions —— 演员表每张参考图是谁、穿什么、长什么样 2. summary —— 一句话故事梗概15秒讲什么事 3. retention_analysis —— continuity清单什么必须保持一致什么绝对禁止 4. detailed_description —— 分镜脚本每一秒的画面、机位、动作、对白 5. overall_soundscape —— 拟音清单环境音、动作音效 6. non_diegetic_music —— 配乐指示BGM的风格、节奏、乐器、情绪曲线 subject_definitions: Picture 1 严格负责红衣上位皇妃的身份与造型身穿红色丝绸贵妃服饰发髻高挽簪着步摇发簪妆容精致艳丽气势凌人面容凶狠、眼含嫉妒怒意。面部、发型、服装颜色与版型均以图1为准全片不得漂移。 Picture 2 严格负责素衣下位妃子的身份与造型身穿素色轻纱妃嫔服饰的年轻妃子面容清丽、神情柔弱。面部、发型、服装均以图2为准全片不得漂移。 Picture 3 严格负责皇上的身份与造型身材高大强壮的帝王神情威严满面怒容。面部、体型、龙袍服饰均以图3为准全片不得漂移。 summary: 一段15秒真人实拍质感的古装宫廷权谋剧片段。红衣皇妃居高临下推倒素衣妃子拔下发簪欲刺皇上突然现身攥住手腕阻止并呵斥素衣妃子最终露出狡诈得意的笑容。 retention_analysis: Picture 1 红衣皇妃appears in [Shot 1-4]fully_preserved - 红色丝绸服饰、步摇发簪、凶狠嫉妒表情全程保持一致。 Picture 2 素衣妃子appears in [Shot 1-6]fully_preserved - 素色轻纱、柔弱面容、倒地姿态全程保持一致。 Picture 3 皇上appears in [Shot 3-5]fully_preserved - 高大强壮体型、威严神情、龙袍服饰全程保持一致。 场景不变量紫禁城后宫长廊的朱红廊柱、红墙宫檐、砖石地面保持不变。 风格不变量真人实拍质感古装宫廷权谋剧高品质古装影视剧写实服化道。 绝对禁止字幕、画面文字、LOGO、水印。 summarized_description: The target video is in a 真人实拍质感古装宫廷权谋剧 style with 明亮通透的自然日光。 [Shot 1] 0s-4s全景固定机位。红衣皇妃与素衣妃子在长廊中对峙。Picture 1 (S1) 向前逼近一步双手猛力一推。Picture 2 (S2) 失去重心向后踉跄倒地手肘撑地。Picture 1 (S1) 居高临下俯视面容凶狠眼含嫉妒。Picture 1 (S1) says, d[Chinese] 我让你知道什么叫规矩什么叫体统/d [Shot 2] 4s-7s中近景荷兰角高机位俯拍。Picture 1 (S1) 右手伸向发髻拔下步摇发簪单手高高举起簪尖朝下对准地上 Picture 2 (S2)身体前倾作势刺下。Picture 2 (S2) 瞳孔骤缩双手抬起挡在脸前发出一声惊叫。 [Shot 3] 7s-9s近景荷兰角手持镜头。就在发簪将要刺下的瞬间一只强壮有力的手臂从画侧猛然伸入五指紧紧攥住 Picture 1 (S1) 高举发簪的手腕动作戛然而止。 [Shot 4] 9s-10s中景固定机位。Picture 1 (S1) 顺着抓住她手腕的手臂望去双眼骤睁、脸色大变又惊又恐。Picture 1 (S1) 倒吸一口凉气。 [Shot 5] 10s-12s反打镜头固定机位。抓着手腕的是 Picture 3 (S3)镜头聚焦 Picture 3 (S3) 上半身近景满面怒容。Picture 3 (S3) says, d[Chinese] 有朕在不许任何人伤害她/d [Shot 6] 12s-15s固定机位双人前后景镜头。越过 Picture 3 (S3) 的肩膀聚焦后景处仍倒在地上的 Picture 2 (S2) 上半身和脸部。Picture 2 (S2) 缓缓放下挡在脸前的双手眼中的惊恐悄然褪去嘴角勾起一丝狡诈得意的笑容。 overall_soundscape: 宫苑安静偶有微风。衣料摩擦声、身体倒地的闷响、发簪从发髻抽出的细微金属响动、素衣妃子短促的惊叫、手腕被攥住的闷响、衣袖急停摩擦声。四周安静人声突出。环境安静仅衣料轻微摩擦。 non_diegetic_music: 无配乐、禁止生成BGM。逐段拆解subject_definitions演员表注意严格负责这个词的重复使用以及均以图X为准全片不得漂移的硬约束。这不是在描述角色是在给模型下达造型锁定指令。每张参考图对应哪个角色、负责哪些视觉属性面部、发型、服装颜色与版型写得越具体模型认人就越准。retention_analysis场记清单appears in [Shot 1-4]这类时间区间标注极其关键。它告诉模型这个角色只在Shot 1到Shot 4出现避免了角色在不该出现的镜头里串场。fully_preserved标签强调了哪些属性必须帧帧一致。而绝对禁止列表里的字幕、画面文字、LOGO、水印是所有提示词都应包含的标准防护项——AI视频模型非常容易自作主张地加上水印或字幕。detailed_description分镜脚本这是整段提示词的灵魂。每个Shot都有四个核心要素时间码0s-4s、景别全景/中近景/近景/特写、机位固定机位/荷兰角/手持/反打镜头、动作描述。Shot 37s-9s只用了2秒但描述了一个手臂从画侧猛然伸入攥住手腕的紧凑动作——这种精确的节奏控制在AI视频生成中尤其重要因为模型对时间跨度的理解直接影响镜头的连贯性。overall_soundscape拟音清单虽然MiniMax生成的声音目前还很初级但详细的音效描述会间接影响画面的节奏感。“发簪从发髻抽出的细微金属响动这种具体的声音描述实际上在引导模型注意这个动作的细节”。non_diegetic_music配乐指示这条选择了无配乐因为宫廷权谋剧的安静更能衬托紧张感。这个选择本身就是一种创作决策。案例二哪吒大战敖丙 —— 中国水墨动画美学这条视频的艺术风格控制做得最好。它的目标是20世纪80年代上海美术电影制片厂的水墨动画质感提示词在风格描述上花了大量篇幅最终效果确实呈现出一种独特的复古中国风。完整提示词原文subject_definitions: Picture 1 严格负责哪吒的造型少年神话英雄形象头扎双髻双脚各踏着一只风火轮手持火尖枪战斗状态面容凌厉。 summary: 一段15秒中国水墨与水粉手绘2D动画质感的神话战斗视频参考20世纪80年代上海美术电影制片厂经典动画美学。 retention_analysis: 人物不变量哪吒的双髻、风火轮、火尖枪、战斗姿态全程一致敖丙铜锤、银白色巨龙形态保持一致。 场景不变量东海海面波涛汹涌、连绵礁石海岸线、乌云密布天空、海面中心巨大漩涡、空间分三层海面/漩涡上空对峙空域/漫天乌云。 风格不变量中国水墨与水粉手绘2D动画质感传统矿物颜料色彩大胆简洁轮廓柔和手绘边缘扩散略微模糊的绘画边缘细腻水粉洇染质感不完美的笔触轮廓模拟动画电影颗粒浓郁中国奇幻美学。 绝对禁止字幕、画面文字、LOGO、水印。 detailed_description: [Shot 1]0s-2s远景大全景缓慢推进。乌云密布的东海海面上哪吒背对镜头双脚各踏风火轮手持火尖枪悬空漂浮在左侧空中画面下方海面中心惊涛波动巨大漩涡正在加速旋转。 [Shot 2]2s-4s中景荷兰角手持拍摄轻微晃动。镜头聚焦海面上的漩涡中心漩涡中心升起一股上升浪涛敖丙人形态双手持铜锤乘浪涛从海中飞升到空中。 [Shot 3]4s-6s全景侧向机位轻微横移跟拍。哪吒脚下风火轮火焰猛地喷涌从左侧疾速冲刺到敖丙面前火尖枪直刺而出敖丙双锤交叉迎上两件兵器当空相击。 [Shot 4]6s-8s中近景稳定机位。两人近距离连续交锋数招火尖枪刺出被铜锤砸开枪尖横扫被双锤上格火星飞溅。 [Shot 5]8s-10s中景手持拍摄。哪吒枪尖格开敖丙压下的铜锤借力迅速向后悬空滑退拉开身位随即转身侧身奋力抬腿踢出脚下其中一只风火轮风火轮脱脚而出拖着火焰尾迹如炮弹般朝敖丙飞去。 [Shot 6]10s-12s轻微荷兰角从中景快速拉开至全景。风火轮轰然击中敖丙胸口爆开一团火花与气浪敖丙被冲击力打得向后倒飞坠入下方海面漩涡之中激起冲天水花与浪柱。 [Shot 7]12s-15s中景荷兰角顶视角俯拍。镜头聚焦敖丙落海位置海平面猛然翻涌水下传来沉闷轰鸣巨浪滔天而起一头银白色巨龙盛着滔天巨浪从海中破浪跃出头部直冲镜头而来巨龙在空中昂首张开大嘴发出震耳欲聋的吼叫龙须飞扬水花四溅。 overall_soundscape: 海浪翻涌、高空风啸、漩涡水流旋转声、兵刃相撞金属脆响、风火轮火焰呼啸、水下沉闷轰鸣、龙吼、巨浪崩落声等具体音效描述 non_diegetic_music: 中国大鼓/堂鼓/琵琶/古筝/二胡/笛子编制按Shot分段设计节奏从压抑蓄势到锣鼓急急风到最终唢呐齐奏主题完整配乐方案这条提示词做对了什么1. 风格锁定极其精准retention_analysis里的风格不变量写了整整三行——“中国水墨与水粉手绘2D动画质感传统矿物颜料色彩大胆简洁轮廓柔和手绘边缘扩散略微模糊的绘画边缘细腻水粉洇染质感不完美的笔触轮廓模拟动画电影颗粒浓郁中国奇幻美学”。这不是在建议一种风格而是在用九个具体的技术特征来定义风格。每一个形容词都对应一个视觉属性不完美的笔触轮廓排除了CG级光滑渲染细腻水粉洇染质感锁定了色彩过渡方式模拟动画电影颗粒控制了画面噪点。2. 空间分层意识场景不变量里写了空间分三层海面/漩涡上空对峙空域/漫天乌云。这个分层描述帮助模型理解了画面的纵向空间结构而不是把所有东西拍扁在一个平面上。3. 动作设计有武戏节奏7个Shot的节奏是「大远景定场→中景亮相→全景冲刺交锋→中近景近战→中景拉开距离→全景远程命中→中景反转收尾」这是一个经典的**“远-近-远-近-远”**的武戏镜头节奏。Shot 5的踢出风火轮是一个关键的武器分离设计——风火轮脱离哪吒独立飞行给Shot 6的远程命中创造了空间也让Shot 7的巨龙从海中跃出有了戏剧铺垫。案例三汽车广告 —— 4张参考图的商业片这是参考图使用最复杂的一条。原始提示词定义了5张Picture但API最多只支持4个图片节点所以必须做取舍。提示词中的Picture定义策略原始提示词定义了5个PicturePicture 1车辆侧面夕阳剪影构图Picture 2整车座舱空间Picture 3驾驶舱方向盘Picture 4外观主体Picture 5外观主体另一角度最终决策保留Picture 4/5外观、Picture 2座舱、Picture 3驾驶舱放弃Picture 1夕阳剪影。理由是车辆的外观造型和内饰细节是硬性约束必须靠图参考才能保持一致而夕阳剪影只是氛围参考可以用文字描述替代。这个优先级判断——造型 空间 氛围——是参考图使用的核心原则。关键提示词片段subject_definitions: Picture 1 车辆侧面夕阳剪影构图、金色时刻光线和旅行氛围参考不参考因逆光产生的深色车身颜色。 Picture 2 整车座舱空间、浅色座椅、三排座椅布局、全景天幕及内饰配色参考。 Picture 3 驾驶舱、方向盘、中控台材质与设计细节参考。 Picture 4 外观主体参考严格保持车辆真实车型设计、车身比例、车头造型、车窗轮廓、悬浮式深色车顶、隐藏式门把手、轮毂以及白色/浅灰白车漆。 Picture 5 外观主体参考另一角度。 retention_analysis: 车辆不变量理想i8车型、车身比例、车漆白色/浅灰白、轮毂、车窗、灯组与内饰全程保持一致不改变车型。 风格不变量高端新能源汽车商业广告真实真人实拍摄影质感年轻家庭lifestyle advertising现代、温馨、轻快、清新而高级。 绝对禁止字幕除最后品牌文字外、LOGO、水印。 detailed_description: [Shot 1]0s-3s低机位前侧45度汽车英雄镜头。清晨晴朗的现代住宅社区理想i8停在道路旁阳光从建筑与树木之间洒下。镜头沿车头缓慢横向滑动并轻微推进清晰掠过流畅的前舱盖、黑色前风挡区域、车身曲面与前轮。 [Shot 2]3s-6s车辆侧面中广景。年轻母亲打开后排车门孩子开心地率先坐进车内父亲将旅行包轻松放入车中。摄影机沿车身从后向前平稳滑动。 [Shot 3]6s-9s车内镜头。完整还原浅色豪华内饰座舱。阳光沿浅色方向盘边缘滑过摄影机顺势向后缓慢移动展示宽敞明亮的三排座舱与全景天幕。 [Shot 4]9s-12s户外动态驾驶镜头。低位侧后方跟车摄影摄影机与车辆保持相近速度背景形成自然流动感。 [Shot 5]12s-15s傍晚金色时刻。理想i8从画面一侧缓慢驶入并停下远处天空呈柔和橙金色与淡粉色渐变落日映在车窗与车身表面。结尾简洁出现品牌文字「理想i8家人的每一程都值得期待。」商业广告提示词的特殊技巧1. Picture 1 的排除声明“不参考因逆光产生的深色车身颜色”——这句话极其关键。逆光剪影图会让车身看起来是深色的但理想i8的实车是白色/浅灰白。如果不写这个排除声明模型可能会把车漆学习成深色。当参考图和实际需求有矛盾时必须在提示词中显式声明不参考什么。2. 车辆始终是主要视觉主体的硬约束人物年轻父母孩子只是生活氛围的组成部分。如果不写这句话模型可能会把人物拍得比车还大变成家庭vlog而不是汽车广告。在商业广告类提示词中明确告诉模型谁是主角是控制画面重心最直接的方式。3. 镜头语言的专业化“低机位前侧45度汽车英雄镜头”——“hero shot是汽车广告的行话“低位侧后方跟车摄影对应的是tracking shot”。使用专业影视术语而不是从侧面拍”跟着车拍这种大白话能显著提升模型对画面的理解准确度。案例四儿童房纸飞机 —— 一镜到底的创意融合这条视频的概念最有趣真实儿童房 二维手绘动画特效融合。MiniMax对这种真实场景中浮现手绘动画的概念执行得很有创意。完整提示词原文subject_definitions: Picture 1 儿童房场景环境参考真实温馨儿童房浅木色小书桌、蜡笔画纸、彩色积木、低矮儿童床、淡蓝色被子、云朵动物地毯、毛绒兔玩具、星月吊饰、布艺游戏帐篷。温暖晨光从窗户照入。 summary: 一段15秒真人实拍质感的儿童创意视频融合二维手绘动画特效。严格采用5-6岁儿童第一人称视角。 retention_analysis: 场景不变量儿童房布局、家具位置、光线角度保持稳定。纸飞机飞行轨迹连贯。 风格不变量真人实拍写实儿童房 二维儿童手绘动画特效融合。手绘部分始终保持蜡笔、彩铅质感。 绝对禁止字幕、画面文字、LOGO、水印。 detailed_description: [Shot 1]0s-3s镜头看向儿童书桌一架普通白纸折成的纸飞机静静躺在画纸上。孩子伸出小手轻轻碰它纸飞机突然抖动边缘浮现鹅黄、天蓝色蜡笔线自行滑过桌面飞起。 [Shot 2]3s-6s纸飞机穿过彩色积木尾部拖出蜡笔彩线积木表面浮现歪歪扭扭的手绘门窗和小旗。 [Shot 3]6s-10s纸飞机掠过床边毛绒兔飞机飞上床铺淡蓝色被子表面出现柔软的手绘白云线条。 [Shot 4]10s-13s纸飞机绕星星、月亮和星球吊饰飞行几个吊饰之间浮现黄色星星、蓝色行星。 [Shot 5]13s-15s纸飞机突然加速绕儿童房最后飞一圈化成红黄蓝绿的二维蜡笔小星星形成短暂的儿童涂鸦银河。孩子在房间中央张开双手纸飞机摇摇晃晃落回掌心。温柔结束。 overall_soundscape: 纸张划过空气的沙沙声、袜子踩木地板和地毯声、积木轻碰、被子摩擦、吊饰碰撞、帐篷布料摩擦、孩子轻微喘息和开心惊呼。手绘特效仅加入极轻的蜡笔摩擦声、柔和咻啵和小铃音。 non_diegetic_music: 无。这条提示词的独到之处1. “严格采用5-6岁儿童第一人称视角”这句话直接定义了摄影机的高度、运动方式和构图逻辑。模型会据此让镜头保持低机位、带手持晃动、偶尔看到孩子的手但不会出现完整正脸。一个视角约束就同时控制了机位、运动和构图三个维度。2. 手绘特效的依附原则即梦提示词版本里有一句非常关键的话——所有幻想必须依附真实儿童房物件不切换到真正的森林、城市或宇宙。这防止了模型放飞自我把场景切换成纯动画世界。在融合类提示词中显式定义两种风格的边界在哪里、谁主导谁辅助是避免风格崩溃的核心。提示词质量对比好与差的差距在哪里通过这6条视频的对比我总结出了几条判断提示词质量的标准1. 时间码的精确度❌差的写法“前半段全景后半段近景最后特写”✅好的写法“[Shot 1]0s-4s全景固定机位。」「[Shot 2]4s-7s中近景荷兰角高机位俯拍。”精确到秒的时间码让模型能理解每个镜头的时长权重。前半段可能是7.5秒后半段也可能是7.5秒但如果你想要的是一个3秒的定场4.5秒的快速交锋就必须写精确时间码。2. 机位描述的专业度❌差的写法“拍车的侧面”“跟着车跑”“从上面拍”✅好的写法“低机位前侧45度汽车英雄镜头”“低位侧后方跟车摄影”“荷兰角顶视角俯拍”专业影视术语hero shot、tracking shot、Dutch angle、over-the-shoulder比大白话的信息密度高得多。MiniMax的训练数据中必然包含大量影视专业内容使用专业术语能更精准地激活相关的视觉模式。3. retention_analysis 的颗粒度❌差的写法“角色保持一致场景不变”✅好的写法“Picture 1 红衣皇妃appears in [Shot 1-4]fully_preserved - 红色丝绸服饰、步摇发簪、凶狠嫉妒表情全程保持一致。”后者做到了三点指定了哪个角色在哪些镜头出现、标记了fully_preserved表示全量保持、列出了需要保持的具体属性服饰、发簪、表情。这种颗粒度是角色一致性的根本保障。4. detailed_description 的动作可拍摄性❌差的写法“两人在空中大战打得非常激烈最后哪吒赢了”✅好的写法“哪吒脚下风火轮火焰猛地喷涌从左侧疾速冲刺到敖丙面前火尖枪直刺而出敖丙双锤交叉迎上两件兵器当空相击。”好的动作描述必须能被摄影机拍出来。打得非常激烈是一个抽象评价摄影机不知道怎么拍从左侧疾速冲刺到面前枪直刺而出锤交叉迎上当空相击是一个具体的动作序列每个动词都对应一个可拍摄的瞬间。完整流水线从提示词到视频说完了提示词的重要性简单回顾一下完整的技术流水线飞书表格读取提示词 → 角色分析 → 文生图(三视图/参考图) → 用户确认 → 图片上传 → 提交视频生成 → 轮询下载第一步提示词反推资源拿到一段结构化提示词后首先要分析这段视频需要几个角色每个角色需要什么角度的参考图场景是否需要独立参考原则很简单提示词里定义了几个Picture N就生成几张对应的参考图。参考图的质量直接决定最终视频的质量——一张好的角色三视图能让模型认准演员一张差的参考图则会让角色在视频里漂移。第二步文生图生成参考图用 Kolors 模型生成角色三视图。三视图提示词的关键词模板使用工作流为 Z-image text-to-image-文生图完美支持中文字超自然【Agent必备】 下载https://www.runninghub.cn/ai-detail/2088920592350277634?inviteCodeoga1ahgc 角色名_人脸三视图正面侧面背面三个角度特写[外貌特征描述]白色背景角色设计参考图第三步用户确认关键生成完参考图后一定要给用户看一眼再提交视频。参考图一旦提交视频生成角色形象就会锁死。这一步看似多花了时间实际上省去了大量返工成本。第四步图片上传 提交视频生成将参考图上传到 RunningHub获得fileName然后与结构化提示词一起提交到 MiniMax 视频生成工作流。核心参数对应nodeId132→ 时长必须与提示词一致通常为15nodeId137/166/167/168→ 参考图每张图一个独立节点nodeId138→ 完整的结构化提示词使用工作流为 MiniMax H3稳定加速版全能参考加速版本支持自定义音频-支持5参考图版本 工作流地址https://www.runninghub.cn/ai-detail/2090774740146413570?inviteCodeoga1ahgc第五步轮询等待5-8分钟 下载每2分钟轮询一次任务状态视频生成完成后下载结果。未来计划短期1-2周提示词优化基于今天的生成结果回头优化几条效果不够理想的提示词重点调整retention_analysis和分镜描述的颗粒度自动化流水线把流程封装成一键脚本——读取飞书→自动分析角色→生成参考图→自动提交→下载→回写表格中期1个月批量扩展从8条扩展到50-100条的规模测试流水线的稳定性和一致性音频集成探索 TTS 配音 BGM 自动匹配让视频从默片升级为有声片质量评估体系建立评分卡角色一致性、运镜流畅度、画面质量、音画同步量化追踪每条视频的质量长期多模型对比除 MiniMax 外测试可灵、Pika、Sora 等模型在相同提示词下的表现差异工作流产品化把这套流水线包装成可复用的SaaS工具或API服务探索更长时长从15秒拓展到30秒、60秒本文基于真实的视频生成实战经验所有提示词均为原版即梦的提示词转换为minimaxh3专门的提示词风格。关注gc随笔获得更多实际应用案例。