Dans le paysage de la génération vidéo par intelligence artificielle, MiniMax Video (Hailuo AI, propulsé par les modèles fondamentaux MiniMax-H3 et Video-01) se distingue par ses simulations physiques amples, son rendu d'éclairage cinématographique et la continuité naturelle de ses mouvements sur plusieurs secondes. Cependant, de nombreux créateurs visuels et monteurs abordent MiniMax avec les réflexes des générateurs d'images : ils accumulent des adjectifs abstraits et des balises de style, provoquant des mouvements de caméra erratiques, des déformations anatomiques et une perte totale de contrôle sur le sujet.
Pour faire de MiniMax un outil de production prévisible et prêt à intégrer la timeline d'un logiciel de montage non linéaire (NLE), il est indispensable d'adopter deux méthodologies complémentaires : l'architecture de prompt directorial (Directorial Prompting) et l'ancrage spatio-temporel par images de référence (Spatial-Temporal Anchoring). En décomposant les trajectoires de caméra en vecteurs tridimensionnels (type, amplitude et vitesse) et en verrouillant la géométrie de la scène ainsi que l'apparence des personnages à l'aide d'images de référence, les créateurs obtiennent des plans atomiques stables et directement exploitables au montage.
L'architecture du prompt directorial
Les modèles vidéo de MiniMax sont entraînés pour interpréter des trajectoires physiques et temporelles continues basées sur des liens de cause à effet. La syntaxe classique issue des générateurs d'images fixes (suites de termes séparés par des virgules tels que ultra-realistic, 8k, cinematic lighting, epic shot) est inopérante, car elle ne fournit au modèle aucun vecteur d'action ni aucune cinématique temporelle.
Un prompt professionnel pour MiniMax s'articule en couches directionnelles distinctes :
[Cadrage / Style] + [Ancrage et rétention du sujet] + [Vecteur d'action cinétique] + [Mouvement de caméra tridimensionnel] + [Environnement et dynamique lumineuse]
Décomposition des couches du prompt
- Cadrage et perspective optique (Framing) : Définit immédiatement le point de vue de la caméra (par exemple,
Medium close-up shot,Wide establishing shot,Low-angle tracking shot). Placer la caméra en tête force le modèle à établir en priorité le repère spatial tridimensionnel de la scène. - Ancrage et rétention du sujet (Subject Retention) : Identifie le protagoniste ou l'objet central et déclare explicitement les attributs visuels à préserver (structure faciale, coiffure, matière des vêtements, accessoires), évitant toute altération au fil des secondes.
- Vecteur d'action cinétique (Kinetic Action Vector) : Décrit l'action physique précise sur la ligne temporelle, en la restreignant à des membres ou des trajectoires ciblés pour prévenir les mouvements désordonnés.
- Mouvement de caméra tridimensionnel (Camera Motion) : Mobilise le vocabulaire cinématographique standard pour stipuler l'axe de déplacement, l'amplitude de la course et la vitesse de déplacement.
- Environnement et dynamique lumineuse (Atmosphere & Lighting) : Décrit les interactions physiques entre la lumière et l'espace (faisceaux volumétriques, reflets mobiles sur des vitrages, poussières en suspension).
Gestion de l'optimiseur de prompt (Prompt Enhancer)
Sur l'interface web de Hailuo AI, l'option native « Prompt Enhancer » réécrit automatiquement les instructions concises en longs paragraphes narratifs. Bien qu'adaptée aux utilisateurs récréatifs, cette fonction ajoute de manière imprévisible des mouvements de caméra brusques et des actions superflues qui détruisent la continuité de découpage voulue par le monteur.
- Règle absolue pour les monteurs : Désactivez le Prompt Enhancer lors de la génération de plans avec mouvements de caméra précis, de plans produits ou de raccords de champ/contrechamp. Avec l'API de MiniMax Open Platform, maintenez un contrôle strict en paramétrant
enhance_prompt = False.
Dynamique précise de la caméra : La formule de mouvement tridimensionnel
MiniMax répond fidèlement à la terminologie cinématographique professionnelle. Pour éliminer les secousses incontrôlées, les distorsions de perspective et les dérives d'arrière-plan, les directives de caméra doivent combiner trois dimensions précises : le type de mouvement (Motion Type), l'amplitude (Amplitude) et la vitesse (Speed).
1. Vocabulaire cinématique essentiel
| Commande de caméra | Mécanisme physique | Utilisation au montage |
|---|---|---|
Push In / Pull Out | Déplacement physique de la caméra vers l'avant ou l'arrière (Travelling avant/arrière) | Accentue la tension dramatique ou révèle l'environnement ; génère une parallaxe naturelle |
Zoom In / Zoom Out | Modification de la focale optique, caméra immobile | Compression des plans ; crée du suspense ou un effet rétro |
Pan Left / Pan Right | Rotation horizontale sur l'axe fixe de la caméra (Panoramique horizontal) | Suit des déplacements latéraux ou balaie l'espace scénique |
Truck Left / Truck Right | Translation physique latérale de la caméra sur rails | Révèle la parallaxe entre premier plan et arrière-plan ; accompagne le sujet |
Tilt Up / Tilt Down | Rotation verticale sur l'axe fixe de la caméra (Panoramique vertical) | Souligne la hauteur architecturale, la stature du sujet ou déplace le regard |
Pedestal Up / Pedestal Down | Élévation ou abaissement physique vertical du corps de la caméra | Transition douce de hauteur façon grue ; dévoile un personnage des pieds à la tête |
Arc Shot | Mouvement circulaire en arc autour du sujet | Entrée spectaculaire d'un personnage et mise en valeur volumétrique |
Tracking Shot | Suivi synchrone et continu d'un sujet en mouvement | Séquences d'action, dialogues en marche et poursuites fluides |
Static Shot | Position, angle et focale de la caméra rigoureusement verrouillés | Micro-expressions faciales, dialogues posés et plans produits de haute précision |
2. La règle du mouvement primaire unique (One Primary Motion Rule)
Le piège le plus fréquent dans la génération vidéo consiste à cumuler des ordres de caméra contradictoires (par exemple, exiger un zoom rapide combiné à un mouvement d'arc et une inclinaison verticale). Ces commandes complexes saturent les capacités de cohérence spatiale de la machine, provoquant la liquéfaction des décors et des corps.
Les monteurs doivent observer la règle du mouvement primaire unique : retenir un seul axe de mouvement dominant par plan, associé à un modificateur d'amplitude et un modificateur de vitesse.
- Incorrect (contradictoire et surchargé) :
The camera orbits around the runner while zooming in fast and tilting down simultaneously. - Correct (maîtrisé et stable) :
The camera trucks right with small amplitude at slow speed, keeping the subject centered.
3. Structure syntaxique : Proposition verbale fluide vs accumulation de balises
MiniMax interprète les ordres de caméra de manière beaucoup plus fiable lorsqu'ils sont formulés sous forme de propositions verbales actives intégrées au récit du plan, plutôt que sous forme de balises isolées en fin de texte.
- Syntaxe inefficace :
A man sitting in a vintage diner, 35mm film, push in, slow speed. - Syntaxe recommandée :
Cinematic, a medium shot frames a man seated beside a rainy diner window. The camera pushes in with small amplitude at slow speed toward his face as he lifts a ceramic mug.
4. Vitesse relative à l'échelle du plan (Scale-Relative Velocity)
La vitesse de la caméra et du sujet doit être ajustée à l'échelle du plan :
- En Gros plan (Close-up) : Les mouvements rapides altèrent les traits du visage. La caméra doit être bridée à
with small amplitude at slow speedou fixée sur un plan immobile (static shot). - En Plan large (Wide Shot) : Une amplitude généreuse (
with large amplitude at moderate speed) est requise pour produire une parallaxe nette sur les éléments lointains du décor.
Structuration des images de référence et canalisation du sujet
Tandis que le prompt textuel fixe la vision du réalisateur, l'image de référence fournit la référence physique absolue de la scène. L'environnement MiniMax prend en charge plusieurs modes d'injection d'images adaptés aux différentes étapes du découpage.
flowchart TD
A[Besoins de la séquence] --> B{Combien d'images de référence ?}
B -->|0 image| C[T2V : Texte vers vidéo pur]
B -->|1 image| D{Rôle de l'image ?}
B -->|2 images| E[FL2VA : Interpolation première et dernière image]
D -->|Première image| F[I2VA : Continuité motrice depuis l'image source]
D -->|Dernière image| G[L2VA : Convergence progressive vers l'image finale]
D -->|Ressource personnage| H[Ref2VA : Mode multirérérence et conservation d'identité]
1. I2VA (Image vers vidéo avec première image comme ancre)
Dans le mode Image-to-Video de Hailuo AI, l'image fournie constitue exactement l'image 0.00 du plan. Le prompt ne doit pas gaspiller d'espace à re-décrire les éléments visuels déjà visibles ; sa mission est d'énoncer le « différentiel de mouvement (Kinetic Delta) ».
- Déclaration de l'ancre initiale : Établit formellement le statut de l'image de départ (syntaxe officielle :
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.). - Isolation du mouvement : Séparez les éléments statiques des éléments en action. Stipulez que « les vêtements, l'architecture du décor et l'éclairage restent parfaitement verrouillés », et réservez le mouvement à un membre précis (par exemple : « seule la tête pivote lentement vers la fenêtre tandis que le buste reste immobile »).
- Prévention du regard figé vers l'objectif (Anti-Lens Stare) : Les personnages générés à partir de portraits ont tendance à fixer l'objectif de façon rigide tout au long du clip. Spécifiez l'orientation du regard :
The subject keeps her gaze focused on the horizon off-camera left, turning her chin slightly away from the lens.
2. FL2VA (Interpolation entre première et dernière image)
Lorsqu'une prise exige un état de départ et un état d'arrivée strictement définis (par exemple, un comédien qui entre par une porte et s'installe à un bureau), le mode FL2VA calcule une trajectoire continue en plan-séquence entre Picture 1 (0.00s) et Picture 2 (seconde finale).
- Impératif du plan-séquence : Ne stipulez aucun changement de plan (
cut) ni de transition dans un prompt FL2VA. L'algorithme doit générer une interpolation continue au sein d'une seule prise. - Feuille de route de la trajectoire : Décrivez précisément les étapes physiques intermédiaires : le transfert du poids du corps, les pas au sol, l'accompagnement synchronisé du travelling et l'immobilisation finale dans la posture et le cadre exacts de la Picture 2.
3. Prévention des artefacts et des déformations corporelles
Les déformations et anomalies de membres dans MiniMax résultent presque toujours d'une tentative de condenser trop d'actions narratives dans une durée de 5 à 6 secondes.
- Décomposer les actions en battements atomiques : Au lieu d'écrire « le personnage court, saute par-dessus un obstacle et dégaine une épée », formulez un battement unitaire : « le personnage effectue trois foulées rapides sur le bitume mouillé et pose fermement son pied d'appui ».
- Verrouillage postural partiel : Pour les scènes de comédie intimiste, figez les zones secondaires :
Torso and shoulders remain stationary; only the right hand lifts the pen.
Modèles de prompts prêts pour la production
Les gabarits ci-dessous fournissent une base directement utilisable dans vos workflows de production.
Modèle 1 : Plan moyen de dialogue avec travelling cinématique (T2V)
integrated_multimodal_description: [Shot 1] Cinematic, live-action. A medium shot frames an experienced architect in a dimly lit studio examining architectural blueprints spread across a drafting table. The camera trucks right with small amplitude at slow speed, maintaining focus on his profile as he leans over the table. Ambient warm halogen light catches his glasses, while soft blue evening light filters through the floor-to-ceiling windows behind him. The architect with a calm, measured voice (S1) says: <d>[English] The structural integrity depends on the foundation load.</d>
overall_soundscape: Soft rustling of architectural vellum paper, followed by the faint hum of an HVAC system and distant urban rain against the exterior glass.
non_diegetic_music: Minimalist upright piano chords at a slow tempo with long sustain, creating a thoughtful and focused atmosphere.
Modèle 2 : Gros plan produit avec travelling avant (I2VA première image)
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
integrated_multimodal_description: [Shot 1] Commercial cinematography. The luxury watch shown in <Picture 1> rests on a textured black slate plinth, preserving its brushed metallic case, dial layout, and subtle edge reflections. The camera pushes in with small amplitude at slow speed along a 15-degree low angle. A delicate stream of cool studio vapor drifts smoothly from right to left across the background, while the watch itself remains completely stationary under sharp, directional rim lighting.
overall_soundscape: Subtle, low-frequency atmospheric room tone accompanied by the faint, rhythmic ticking of a mechanical movement.
non_diegetic_music: N/A
Modèle 3 : Transformation posturale continue en plan-séquence (FL2VA première et dernière image)
How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 6.00-second mark of the target video.
integrated_multimodal_description: [Shot 1] Live-action, cinematic realism. The young woman begins in the position and framing established by Picture 1, standing in an open trench coat on an empty subway platform. The camera pulls out with small amplitude at slow speed as she draws both lapels together across her chest, buttons the center closure with her right hand, and adjusts her collar against the draft. She exhales a faint mist of condensation, settles her shoulders, and assumes the closed posture, hand placement, and composition matching Picture 2 at the conclusion of the shot.
overall_soundscape: Distant subway train rumble echoing down concrete tunnels, layered with the rustle of heavy gabardine fabric and a quiet, chilly gust of wind.
non_diegetic_music: N/A
Le pipeline de postproduction et intégration NLE
Les modèles génératifs de vidéo ne remplacent pas les logiciels de montage ; ils agissent comme des cadreurs virtuels fournissant des prises brutes (Raw Takes). La démarche la plus efficace pour les monteurs consiste à traiter MiniMax comme une bibliothèque de plans de coupe (B-roll) dédiée à la table de montage.
flowchart LR
A[Storyboard et découpage technique] --> B[Désactiver le Prompt Enhancer]
B --> C[Générer des plans atomiques de 4 à 6 s]
C --> D[Sélectionner les prises géométriquement stables]
D --> E[Importer sur la timeline du logiciel de montage]
E --> F[Lissage par flux optique]
E --> G[Texture organique de caméra portée et étalonnage]
1. Production modulaire de plans atomiques
Ne cherchez pas à générer des séquences complexes entières en une seule passe. Découpez le scénario en plans atomiques de 4 à 6 secondes (plan d'ensemble, plan d'épaule, gros plan de réaction) et importez-les dans votre logiciel de montage (DaVinci Resolve, Adobe Premiere Pro ou Final Cut Pro). Cela garantit une liberté totale sur le rythme des coupes et la dynamique dramatique.
2. Élimination des micro-saccades par flux optique (Optical Flow)
Si un plan généré possède un cadrage et un mouvement parfaits mais présente une légère irrégularité d'accélération ou des sauts de trame, ne gaspillez pas vos crédits en relançant indéfiniment la génération. Importez le clip dans DaVinci Resolve ou Premiere Pro, réglez l'interpolation temporelle sur Flux optique (Optical Flow, avec Speed Warp activé dans Resolve) et ajustez la courbe de vitesse. L'algorithme recalculera les vecteurs de mouvement au sous-pixel et lissera instantanément le mouvement.
3. Ajout d'une texture organique de caméra à l'épaule
Les plans fixes générés par IA peuvent parfois sembler froids et mécaniques. En postproduction, l'application d'un très léger mouvement organique de caméra portée (par exemple avec l'effet Camera Shake de DaVinci Resolve avec une amplitude minime de 1 à 2 %) confère au plan l'inertie physique d'un tournage réel, atténue les micro-artefacts sur les contours et assure une intégration homogène avec les images tournées au capteur.