Cómo usar MiniMax H3: el prompt es un documento de tres campos, no una descripción

MiniMax H3 lee el prompt como tres campos con nombre, y si dejas vacío uno de sonido lo llena con audio que no pediste. Cómo armar el documento, la cámara, el diálogo y los valores por defecto que sorprenden, desde 2080 créditos por ocho segundos.

Publicado:

Tres paneles de vidrio, uno detrás de otro, sobre una mesa negra: una mujer junto a la ventana de un tren mojada por la lluvia, ondas turquesa de lluvia y cuerdas ámbar encendidas.

MiniMax H3 es el modelo de MiniMax que genera audio y video juntos: voz, efectos y música salen en la misma pasada que la imagen, siempre. En LUVI viene en tres niveles. MiniMax H3 tiene texto a video, imagen a video y referencia a video desde 2080 créditos por un clip de ocho segundos en su resolución por defecto, 2K. H3 Max cuesta desde 1216 créditos a 768P y H3 Fast desde 700 créditos a 480P, ambos por ocho segundos (precios revisados el 20 de octubre de 2026). Los tres comparten lo que importa en esta guía: H3 no quiere una descripción suelta. Quiere un documento con campos nombrados, y cuando le das otra cosa falla sin avisar.

¿Cuáles son los tres campos?

Un prompt (la instrucción que le das al modelo) de MiniMax H3 son tres campos, con su nombre exacto en minúsculas, seguidos de dos puntos y separados por una línea en blanco:

  • integrated_multimodal_description: la imagen y todo lo que los personajes oyen o dicen, plano por plano.
  • overall_soundscape: de una a cuatro frases sobre el ambiente, los sonidos de las acciones y los sonidos humanos que no son palabras. Sin diálogo y sin música que los personajes puedan oír.
  • non_diegetic_music: de una a tres frases sobre la banda sonora: instrumentos, tempo, ritmo y cómo evoluciona. Sin palabras de estado de ánimo.

La regla que más pesa: llena siempre los dos campos de sonido. Un campo omitido no se interpreta como silencio; la guía de LUVI para la familia registra que H3 lo rellena con sonido que no pediste. El silencio se escribe literalmente N/A, y la guía de MiniMax lo acota con cuidado: en el campo de música, cuando no hay música extradiegética; en el de ambiente, solo cuando se pide silencio total en todo el video.

El ejemplo está en inglés, el idioma en que MiniMax escribe su guía de prompts; mantén así el texto del prompt.

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" aparece una sola vez, como palabra de estilo al inicio del primer plano. En cualquier otro lugar, la guía de LUVI la trata igual que "beautiful": una palabra que ocupa el lugar de una descripción sin darla.

¿Cómo escribo la cámara?

En MiniMax H3 la cámara es una oración dentro del plano, armada con un movimiento, una amplitud opcional y una velocidad opcional. La guía de MiniMax pide escribir el movimiento como una acción natural en inglés dentro del plano, no como etiquetas apiladas al final de la frase.

  • Doce movimientos: zoom in o zoom out, push in o pull out, pan, truck, tilt, pedestal, arc shot, tracking shot, static shot, shake, POV y roll.
  • Cuatro modificadores: with small amplitude, with large amplitude, at slow speed, at fast speed. La amplitud media y la velocidad normal no tienen palabra: simplemente no se escriben.
  • Un plano, un movimiento. Un segundo movimiento cuesta un corte: [Shot 2] At 00:04.500, the camera cuts to …. El primer plano no lleva marca de tiempo; los siguientes cuentan en minutos, segundos y milisegundos.
  • Zoom no es push. El zoom cambia la distancia focal con la cámara quieta; push in mueve la cámara. Los números de lente no se leen: escribe "shallow depth of field".

Si vienes de los comandos entre corchetes de Hailuo, la comparativa Hailuo vs MiniMax H3: sintaxis de cámara explica por qué [Push in] aquí no hace nada.

¿Cómo escribo el diálogo y en qué idiomas?

En MiniMax H3 el diálogo es un bloque etiquetado: las palabras habladas van dentro de las etiquetas <d> con una marca de idioma, y todo lo que describe la forma de decirlas queda afuera. The woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d> El identificador del hablante (S1, S2) se mantiene igual en todos los planos.

  • Idiomas. La ficha del modelo de MiniMax indica soporte estable para once: árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español, y agrega que otros idiomas funcionan en distinta medida. El español está entre los once con soporte estable. Para un idioma fuera de la lista, como el turco, la guía de LUVI escribe el plano sin bloque de diálogo, describe físicamente cómo habla el personaje y deja la voz para grabarla y montarla después.
  • Densidad. Una o dos frases cada cinco segundos. Si escribes más, la entrega se acelera; si escribes menos, el modelo llena el hueco con palabras propias.
  • Voz en off. Usa la frase exacta "says in an off-screen voiceover" y agrega enseguida que los labios permanecen cerrados; si no, el personaje en pantalla mueve la boca.
  • El texto en pantalla va entre comillas dobles rectas, tal cual: A red neon sign reading "OPEN" glows above the doorway.

¿Por qué se bloqueó mi solicitud en H3?

El motivo más común es un nombre propio. La guía de LUVI para MiniMax H3 registra que los nombres de personajes, títulos de películas, estudios y celebridades activan la moderación de entrada y bloquean la solicitud entera. Describe el aspecto en su lugar: la silueta, el abrigo, el corte de pelo. El estilo de un director sí se puede nombrar ("the Hitchcock camera movement"); el nombre de una persona, no.

Hay dos hábitos menores que también cuestan generaciones. Los símbolos en el texto (flechas, barras, signos de suma) pueden terminar dibujados en el cuadro, así que escribe "then" en lugar de una flecha. Y una cara lejos de la cámara se degrada en cualquier resolución: mantén en plano medio o más cerca las caras que tienen que leerse.

¿Qué H3 elijo y con qué ajustes?

El nivel decide qué modos y resoluciones tienes, y hay dos valores por defecto que conviene elegir a propósito.

  • H3 genera a 480P, 768P o 2K, con 2K por defecto, de 4 a 15 segundos. Su modo de referencia a video acepta hasta nueve imágenes, tres videos y tres audios en una sola solicitud.
  • H3 Max genera de forma nativa a 480P o 768P. Sus opciones de 1440p y 4K figuran como escalados, los clips van de 5 a 15 segundos y no tiene modo de referencia a video.
  • H3 Fast genera solo a 480P, de 5 a 15 segundos, y es la forma más barata de probar un plano.
  • Relación de aspecto. En texto a video el valor por defecto es 1:1, así que elige tú 16:9 o 9:16. En imagen a video la relación sigue a tu imagen: recórtala antes de subirla.
  • Los valores de resolución distinguen mayúsculas: 768P, con P mayúscula.

Imagen a video también acepta un último fotograma opcional. Con dos fotogramas, la guía de H3 pide una línea de alineación al inicio del prompt que fija la Picture 1 en 0.00 segundos y la Picture 2 al final del clip, y después una descripción del recorrido entre ambas. La guía de LUVI agrega una regla: no cortes en ese modo, porque una toma continua es lo que permite al modelo interpolar.

Cómo lo verificamos

  • Modelos: MiniMax H3, H3 Max y H3 Fast en texto a video, imagen a video y referencia a video, tal como aparecen en el catálogo de LUVI.
  • Qué se revisó: los contratos de parámetros y los precios en créditos en vivo en LUVI y en las páginas públicas de los modelos, la guía de prompts de LUVI para la familia, la guía de redacción de prompts de H3 de MiniMax y la ficha del modelo en GitHub, el 20 de octubre de 2026. El prompt de ejemplo pasó la revisión de prompts de LUVI para H3 texto a video.
  • Resultados: desde 2080 créditos por ocho segundos en H3 a 2K, 1216 en H3 Max a 768P y 700 en H3 Fast a 480P. No se generó ninguna salida para este artículo, así que no afirma nada sobre la calidad de los resultados.
  • Limitaciones: el bloqueo por nombres propios y el sonido inventado en un campo vacío están registrados en la guía de LUVI para la familia, no en una prueba publicada por MiniMax.

En LUVI

Elige un modelo H3 en el espacio de trabajo y toca la pluma junto al prompt: revisa y reescribe tu borrador según la guía de prompts de la familia, con la estructura de campos y la cámara en prosa incluidas. Claude y ChatGPT leen la misma guía a través del conector de LUVI. Si tu clip necesita una cara o una voz de referencia, cómo usar imágenes, videos y audio de referencia explica cada espacio.

Las cuentas nuevas empiezan con 100 créditos y pueden sumar hasta 1500 más verificando un teléfono y una tarjeta. Puedes crear una cuenta de LUVI y probar el plano en H3 Fast antes de gastar en 2K.

Fuentes

Más de Guías