MiniMax H3 prompten: ein Dokument mit drei Feldern statt einer Bildbeschreibung

MiniMax H3 liest einen Prompt als drei benannte Felder und füllt jedes Tonfeld, das du weglässt, mit Geräuschen, die du nie bestellt hast. Aufbau, Kamerasatz, Dialog-Tag und die Voreinstellungen, über die viele stolpern – ab 2080 Credits für acht Sekunden.

Veröffentlicht:

Drei Glasscheiben stehen hintereinander auf einem schwarzen Tisch: vorn eine Frau am regennassen Zugfenster, in der Mitte türkise Regenringe, hinten leuchtende bernsteinfarbene Saiten.

MiniMax H3 erzeugt Bild und Ton gemeinsam: Stimme, Geräusche und Musik entstehen bei jeder Generierung im selben Durchgang wie das Bild. Auf LUVI gibt es das Modell in drei Stufen. MiniMax H3 beherrscht Text zu Video, Bild zu Video und Referenz zu Video und kostet ab 2080 Credits für einen Acht-Sekunden-Clip in der Standardauflösung 2K. H3 Max startet bei 1216 Credits in 768P, H3 Fast bei 700 Credits in 480P, beide ebenfalls für acht Sekunden (Stand der Preise: 20. Oktober 2026). Alle drei teilen die Eigenheit, um die es hier geht: H3 will keine Bildbeschreibung, sondern ein Dokument mit benannten Feldern. Bekommt es etwas anderes, scheitert es leise.

Welche drei Felder braucht H3?

Ein Prompt für MiniMax H3 besteht aus drei Feldern. Die Feldnamen schreibst du exakt und klein, jeweils mit Doppelpunkt, und zwischen den Feldern bleibt eine Leerzeile:

  • integrated_multimodal_description: das Bild und alles, was die Figuren hören oder sagen, Einstellung für Einstellung.
  • overall_soundscape: ein bis vier Sätze zu Atmo, Handlungsgeräuschen und nonverbalen Lauten. Kein Dialog, keine Musik, die die Figuren selbst hören.
  • non_diegetic_music: ein bis drei Sätze zur Filmmusik: Instrumente, Tempo, Rhythmus, Verlauf. Keine Stimmungswörter.

Die wichtigste Regel: Füll immer beide Tonfelder aus. Ein fehlendes Feld bedeutet für H3 keine Stille; LUVIs Leitfaden für die Familie hält fest, dass das Modell die Lücke mit Ton füllt, den du nicht bestellt hast. Stille schreibst du wörtlich als N/A. MiniMax' eigener Leitfaden setzt das sparsam ein: im Musikfeld, wenn es keine Filmmusik gibt, im Soundscape-Feld nur, wenn ausdrücklich völlige Stille über den ganzen Clip gewünscht ist.

Der Prompt selbst bleibt englisch, denn MiniMax' Leitfaden ist auf Englisch geschrieben und verlangt englische Sätze in den Feldern:

integrated_multimodal_description: [Shot 1] Cinematic, live-action, a medium shot frames a woman in a grey wool coat at a rain-streaked train window, holding a folded letter. The camera pushes in with small amplitude at slow speed toward the letter in her hands. The woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d> [Shot 2] At 00:04.500, the camera cuts to a close-up of her hand slipping the letter into her coat pocket. No dissolves, no morph transitions.

overall_soundscape: The train wheels keep a steady metallic rhythm beneath a low ventilation hum. Rain ticks against the window while paper rustles softly in her hands.

non_diegetic_music: A single sustained cello note enters softly and swells slowly under the second shot.

„Cinematic“ taucht genau einmal auf, als Stilwort am Anfang von Shot 1. An jeder anderen Stelle behandelt LUVIs Leitfaden das Wort, ebenso wie „beautiful“, als Platzhalter, der eine Beschreibung ersetzt, statt eine zu liefern.

Wie schreibe ich die Kamera?

Bei MiniMax H3 ist die Kamera ein Satz innerhalb der Einstellung: eine Bewegung, dazu wahlweise Ausmaß und Tempo. MiniMax' Prompt-Leitfaden sagt klar, die Kamerabewegung solle „as a natural English action within the shot“ geschrieben werden, nicht als Etiketten, die am Satzende aufgereiht sind.

  • Zwölf Bewegungen: zoom in/out, push in/pull out, pan, truck, tilt, pedestal, arc shot, tracking shot, static shot, shake, POV und roll.
  • Vier Zusätze: with small amplitude, with large amplitude, at slow speed, at fast speed. Für mittleres Ausmaß und normales Tempo gibt es keine Wörter, die lässt du einfach weg.
  • Eine Einstellung, eine Bewegung. Eine zweite Bewegung kostet einen Schnitt: [Shot 2] At 00:04.500, the camera cuts to …. Shot 1 bekommt keine Zeitmarke, die folgenden zählen in Minuten, Sekunden und Millisekunden hoch.
  • Zoom ist keine Ranfahrt. Beim Zoom ändert sich die Brennweite und die Kamera bleibt stehen, bei push in bewegt sie sich. Brennweiten in Millimetern liest das Modell nicht; schreib stattdessen „shallow depth of field“.

Wer von Hailuos Klammerbefehlen kommt, findet im Vergleich Hailuo gegen MiniMax H3, warum [Push in] hier nichts bewirkt.

Wie schreibe ich Dialog, und in welchen Sprachen?

Dialog steht bei MiniMax H3 in einem markierten Block: Die gesprochenen Worte stehen mit Sprachkennung zwischen <d>-Tags, alles zur Sprechweise steht außerhalb. The woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d> Die Sprecherkennung (S1, S2) bleibt über alle Einstellungen gleich.

  • Sprachen. Laut MiniMax' Modellkarte unterstützt H3 elf Sprachen stabil: Arabisch, Chinesisch, Deutsch, Englisch, Französisch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Andere Sprachen funktionieren nach MiniMax' Angabe „to varying degrees“. Deutscher Dialog gehört also zu den stabilen elf. Für eine Sprache außerhalb der Liste, etwa Türkisch, schreibt LUVIs Leitfaden die Einstellung ohne Dialogblock, beschreibt das Sprechen rein körperlich und überlässt die Stimme einer späteren Aufnahme.
  • Dichte. Ein, höchstens zwei Sätze pro fünf Sekunden. Schreibst du mehr, wird schneller gesprochen; schreibst du weniger, füllt das Modell die Lücke mit eigenem Gerede.
  • Off-Stimme. Nimm die exakte Wendung „says in an off-screen voiceover“ und schreib direkt dahinter, dass die Lippen geschlossen bleiben – sonst bewegt die Figur im Bild den Mund mit.
  • Text im Bild steht wörtlich in geraden doppelten Anführungszeichen: A red neon sign reading "OPEN" glows above the doorway.

Warum wurde meine H3-Anfrage blockiert?

Meist liegt es an einem Eigennamen. LUVIs Leitfaden für MiniMax H3 hält fest, dass Namen von Figuren, Filmtitel, Studionamen und Prominente die Eingabemoderation auslösen und die Anfrage komplett blockieren. Beschreib stattdessen das Aussehen: Silhouette, Mantel, Frisur. Der Stil eines Regisseurs ist erlaubt („the Hitchcock camera movement“), der Name einer realen Person nicht.

Zwei kleinere Gewohnheiten kosten ebenfalls Generierungen. Symbole im Text wie Pfeile, Schrägstriche oder Pluszeichen können ins Bild gemalt werden; schreib „then“ statt eines Pfeils. Und ein Gesicht weit weg von der Kamera verliert bei jeder Auflösung an Qualität. Halte Gesichter, auf die es ankommt, in der Halbnahen oder näher.

Welches H3, und welche Einstellungen?

Die Stufe entscheidet über Modi und Auflösungen, und zwei Voreinstellungen solltest du bewusst ändern.

  • H3 rendert in 480P, 768P oder 2K, Standard ist 2K, bei 4 bis 15 Sekunden. Sein Modus Referenz zu Video nimmt in einer Anfrage bis zu neun Bilder, drei Videos und drei Audioclips.
  • H3 Max rendert nativ in 480P oder 768P. Die Optionen 1440p und 4K sind als Hochskalierung gekennzeichnet, Clips dauern 5 bis 15 Sekunden, und einen Modus Referenz zu Video gibt es hier nicht.
  • H3 Fast rendert nur in 480P, 5 bis 15 Sekunden, und ist der günstigste Weg, eine Einstellung durchzuspielen.
  • Seitenverhältnis. Bei Text zu Video ist 1:1 voreingestellt, also stellst du 16:9 oder 9:16 selbst ein. Bei Bild zu Video folgt das Verhältnis deinem Bild; schneid es vor dem Hochladen zu.
  • Die Auflösungswerte sind schreibweisengenau: 768P mit großem P.

Bild zu Video nimmt außerdem ein optionales Endbild. Mit zwei Bildern verlangt H3s eigener Leitfaden eine Ausrichtungszeile ganz oben im Prompt, die Picture 1 auf 0,00 Sekunden und Picture 2 auf das Clipende legt, danach eine Beschreibung des Wegs dazwischen. LUVIs Leitfaden ergänzt eine Regel: In diesem Modus wird nicht geschnitten, denn nur eine durchgehende Einstellung lässt das Modell interpolieren.

Wie wir geprüft haben

  • Modelle: MiniMax H3, H3 Max und H3 Fast in Text zu Video, Bild zu Video und Referenz zu Video, wie sie im LUVI-Katalog stehen.
  • Gelesen am 20. Oktober 2026: die aktuellen Parameterverträge und Credit-Preise in LUVI und auf den öffentlichen Modellseiten, LUVIs Prompt-Leitfaden für die Familie, MiniMax' Prompt-Leitfaden für H3 und die H3-Modellkarte auf GitHub. Der Beispiel-Prompt hat LUVIs Prompt-Prüfung für H3 Text zu Video bestanden.
  • Ergebnisse: ab 2080 Credits für acht Sekunden auf H3 in 2K, 1216 auf H3 Max in 768P und 700 auf H3 Fast in 480P. Für diesen Beitrag wurden keine Ausgaben generiert, er trifft also keine Aussage über die Qualität der Ergebnisse.
  • Offen geblieben: Die Sperre bei Eigennamen und der erfundene Ton in leeren Feldern stammen aus LUVIs Leitfaden für die Familie, nicht aus einem veröffentlichten Test von MiniMax.

In LUVI

Wähl im Arbeitsbereich ein H3-Modell und tipp auf die Feder neben dem Prompt-Feld: Damit prüfst du deinen Entwurf gegen den Prompting Guide der Familie und lässt ihn umschreiben, Feldstruktur und Kamerasatz eingeschlossen. Claude und ChatGPT lesen denselben Leitfaden über den LUVI-Connector. Brauchst du ein Gesicht oder eine Stimme als Vorlage, erklärt wie du Referenzbilder, Videos und Audio nutzt die Felder dafür.

Neue Konten starten mit 100 Credits, und bestätigst du Telefon und Karte, kommen bis zu 1500 dazu. Du kannst ein LUVI-Konto anlegen und die Einstellung erst auf H3 Fast proben, bevor du Credits in 2K steckst.

Quellen

  • H3-Prompt-Leitfaden (auf Englisch), MiniMax, offizielles Repository auf GitHub. Abgerufen am 20. Oktober 2026.
  • Modellkarte von MiniMax H3 (auf Englisch), MiniMax, offizielles Repository auf GitHub. Abgerufen am 20. Oktober 2026.

Mehr aus Guides