Prompt MiniMax H3 : un document en trois champs, pas une légende

MiniMax H3 lit un prompt comme trois champs nommés, et comble tout champ sonore laissé vide avec des sons que vous n’avez pas demandés. Structure du document, phrase de caméra, balise de dialogue et réglages par défaut qui piègent, dès 2 080 crédits les huit secondes.

Publié:

Trois plaques de verre alignées l’une derrière l’autre sur une table noire : une femme à la vitre d’un train striée de pluie, des ondulations de pluie bleu-vert et des cordes ambrées lumineuses.

MiniMax H3 est le modèle audio-vidéo de MiniMax : voix, bruitages et musique sont générés dans le même passage que l’image, à chaque fois. Sur LUVI, il existe en trois variantes. MiniMax H3 couvre le texte vers vidéo, l’image vers vidéo et la référence vers vidéo, à partir de 2 080 crédits pour un clip de huit secondes dans sa résolution par défaut, la 2K. H3 Max démarre à 1 216 crédits en 768P et H3 Fast à 700 crédits en 480P, toujours pour huit secondes (prix relevés le 20 octobre 2026). Les trois ont un point commun, et c’est le sujet de cet article : H3 ne veut pas d’une légende. Il attend un document organisé en champs nommés, et il échoue sans bruit dès qu’on lui donne autre chose.

Quels sont les trois champs ?

Un prompt MiniMax H3 compte trois champs, écrits avec leur nom exact en minuscules, chacun suivi de deux-points, et séparés par une ligne vide :

  • integrated_multimodal_description: l’image et tout ce que les personnages entendent ou disent, plan par plan.
  • overall_soundscape: une à quatre phrases sur l’ambiance, le bruit des actions physiques et les sons humains non verbaux. Pas de dialogue, pas de musique audible par les personnages.
  • non_diegetic_music: une à trois phrases sur la musique de fond : instruments, tempo, rythme, évolution. Aucun mot d’humeur.

La règle qui compte le plus : remplissez toujours les deux champs sonores. Un champ omis n’est pas compris comme du silence. Le guide de LUVI pour cette famille constate que H3 le remplit avec des sons que vous n’avez pas demandés. Le silence s’écrit avec la valeur littérale N/A, et le guide de MiniMax l’encadre soigneusement : N/A dans le champ musique « when there is no non-diegetic music », et dans le champ d’ambiance seulement « when the user explicitly requests complete silence throughout the video ».

Le prompt s’écrit en anglais, comme le guide de rédaction publié par MiniMax :

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 » n’apparaît qu’une fois, comme mot de style en tête du Shot 1. Partout ailleurs, le guide de LUVI le range, avec « beautiful », parmi les mots qui tiennent lieu de description au lieu d’en donner une.

Comment écrire la caméra ?

Sur MiniMax H3, la caméra est une phrase à l’intérieur du plan, faite d’un mouvement, éventuellement d’une amplitude et d’une vitesse. Le guide de MiniMax est explicite : « Camera motion should be written as a natural English action within the shot, rather than stacked as separate labels at the end of a sentence. »

  • Douze mouvements : zoom avant ou arrière, push in ou pull out, pan, truck, tilt, pedestal, arc shot, tracking shot, static shot, shake, POV et roll.
  • Quatre modificateurs : with small amplitude, with large amplitude, at slow speed, at fast speed. L’amplitude moyenne et la vitesse normale n’ont pas de mots : on les omet.
  • Un plan, un mouvement. Un deuxième mouvement se paie d’une coupe : [Shot 2] At 00:04.500, the camera cuts to …. Le Shot 1 ne porte aucun repère temporel, les suivants donnent l’instant de la coupe en minutes, secondes et millisecondes.
  • Zoomer n’est pas avancer. Le zoom change la focale pendant que la caméra reste en place, le push in déplace la caméra. Les valeurs d’objectif ne sont pas lues : écrivez « shallow depth of field ».

Si vos habitudes viennent des commandes entre crochets de Hailuo, notre article Hailuo face à MiniMax H3 explique pourquoi [Push in] ne produit rien ici.

Comment écrire le dialogue, et dans quelles langues ?

Sur MiniMax H3, le dialogue est un bloc balisé : les mots prononcés se placent entre des balises <d> avec une étiquette de langue, et tout ce qui concerne le jeu reste à l’extérieur. The woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d> L’identifiant du locuteur (S1, S2) reste le même d’un plan à l’autre.

  • Langues. La fiche du modèle publiée par MiniMax annonce une prise en charge stable de onze langues : arabe, chinois, anglais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol, en ajoutant que les autres fonctionnent « to varying degrees ». Le français fait donc partie des onze. Pour une langue hors de cette liste, le turc par exemple, le guide de LUVI écrit le plan sans bloc de dialogue, décrit physiquement la prise de parole et laisse la voix être enregistrée puis posée ensuite.
  • Densité. Une ou deux phrases toutes les cinq secondes. Au-delà, le débit s’accélère. En deçà, le modèle comble le vide avec ses propres paroles.
  • Voix off. Employez la formule exacte « says in an off-screen voiceover », suivie d’une indication précisant que les lèvres restent fermées. Sinon, le personnage à l’écran articule le texte.
  • Le texte à l’écran s’écrit entre guillemets droits, mot pour mot : A red neon sign reading "OPEN" glows above the doorway.

Pourquoi ma requête H3 a-t-elle été bloquée ?

Le plus souvent, à cause d’un nom propre. Le guide de LUVI pour MiniMax H3 constate que les noms de personnages, les titres de films, les noms de studios et les célébrités déclenchent la modération d’entrée et bloquent la requête d’emblée. Décrivez plutôt l’apparence : la silhouette, le manteau, la coupe de cheveux. Le style d’un réalisateur passe (« the Hitchcock camera movement »), le nom d’une personne non.

Deux habitudes plus discrètes coûtent aussi des générations. Les symboles dans le texte, comme les flèches, les barres obliques ou les signes plus, peuvent être dessinés dans l’image : écrivez « then » plutôt qu’une flèche. Et un visage éloigné de la caméra se dégrade quelle que soit la résolution : gardez en plan moyen ou plus serré tout visage qui doit rester lisible.

Quelle variante de H3, et quels réglages ?

La variante détermine les modes et les résolutions disponibles, et deux valeurs par défaut méritent un choix délibéré.

  • H3 produit du 480P, du 768P ou de la 2K (par défaut), sur 4 à 15 secondes. Son mode référence vers vidéo accepte jusqu’à neuf images, trois vidéos et trois clips audio dans une même requête.
  • H3 Max produit nativement du 480P ou du 768P. Ses options 1440p et 4K sont signalées comme des agrandissements, les clips vont de 5 à 15 secondes, et il n’a pas de mode référence vers vidéo.
  • H3 Fast ne produit que du 480P, sur 5 à 15 secondes. C’est la façon la moins chère de caler un plan.
  • Format. En texte vers vidéo, le format par défaut est le 1:1 : choisissez vous-même 16:9 ou 9:16. En image vers vidéo, le format suit votre image, à recadrer avant de l’importer.
  • Les valeurs de résolution respectent la casse : 768P, avec un P majuscule.

Le mode image vers vidéo accepte aussi une image de fin facultative. Avec deux images, le guide de MiniMax demande en tête de prompt une ligne d’alignement qui fixe Picture 1 à 0,00 seconde et Picture 2 à la fin du clip, puis la description du trajet entre les deux. Le guide de LUVI ajoute une règle : pas de coupe dans ce mode, car c’est le plan continu qui permet au modèle d’interpoler.

Comment nous avons vérifié

  • Modèles : MiniMax H3, H3 Max et H3 Fast en texte vers vidéo, image vers vidéo et référence vers vidéo, tels qu’ils figurent au catalogue LUVI.
  • Sources lues : les contrats de paramètres et les prix en crédits dans LUVI et sur les pages publiques des modèles, le guide de prompt de LUVI pour la famille, le guide de rédaction de prompts H3 de MiniMax et la fiche du modèle H3 sur GitHub, le 20 octobre 2026. Le prompt d’exemple a passé la vérification de prompt de LUVI pour H3 en texte vers vidéo.
  • Résultats : à partir de 2 080 crédits pour huit secondes sur H3 en 2K, 1 216 sur H3 Max en 768P et 700 sur H3 Fast en 480P. Aucune sortie n’a été générée pour cet article, qui n’avance donc rien sur la qualité des résultats.
  • Limites : le blocage des noms propres et les sons inventés dans un champ vide sont consignés dans le guide de LUVI pour la famille, et non dans un test publié par MiniMax.

Dans LUVI

Sélectionnez un modèle H3 dans l’espace de travail, puis cliquez sur la plume à côté du prompt : elle vérifie et réécrit votre brouillon selon le guide de prompt de la famille, structure en champs et caméra en prose comprises. Claude et ChatGPT lisent le même guide via le connecteur LUVI. Si votre clip a besoin d’un visage ou d’une voix de référence, utiliser des images, des vidéos et des sons de référence détaille les emplacements.

Les nouveaux comptes démarrent avec 100 crédits, et vérifier votre téléphone et une carte vous en rapporte jusqu’à 1 500 de plus. Vous pouvez créer un compte LUVI et caler le plan sur H3 Fast avant de dépenser pour la 2K.

Sources

À lire aussi dans Guides