在当前的 AI 视频生成领域，MiniMax Video（即海螺 AI / Hailuo AI，基于 MiniMax-H3 与 Video-01 等核心模型）凭借强大的物理大动态表现、真实的光影流动以及连贯的多秒动作模拟脱颖而出。然而，很多创作者和剪辑师在初次使用时，常常延续文生图的“标签堆砌”习惯，用大量抽象修饰词去描述画面，结果往往导致镜头胡乱晃动、人物肢体畸变融化，或主体动作失控。
要想把 MiniMax 从“盲盒式抽卡”转变为可直接嵌入剪辑时间线的工业化生产工具，核心在于建立**导演级结构化提示词（Directorial Prompting）与参考图时空锚定（Spatial-Temporal Anchoring）**的双轨工作流。通过将运动向量分解为类型、幅度和速度，并依托参考图锁定空间几何与角色特征，创作者能稳定输出可供 NLE（非线性剪辑软件）裁切组接的高质量原子镜头。
导演级结构化提示词框架
MiniMax 的视频世界模型专为理解具有因果关系的时序物理过程而设计。简单的无序形容词堆叠（如“超高清、8k、史诗级画面、电影感特写”）无法为模型提供明确的时间流向与动力学指令。
高效的 MiniMax 提示词应按照分层结构组装，清晰分离各个维度的调度信息：
[景别与风格] + [主体锚定与特征保持] + [主体动作向量] + [摄影机三维运镜] + [环境与光影动态]
提示词分层拆解
- 景别与取景范围（Framing）：在句首直接确立光学机位与视线距离（例如
Medium close-up shot、Wide establishing shot、Low-angle tracking shot）。机位先行能够帮助模型优先构建场景的三维空间坐标系。 - 主体锚定与特征保持（Subject Retention）：明确主体身份，并声明必须锁定的外观特征（如面部轮廓、发型、服装材质、道具细节），防止视频推进中特征发生漂移。
- 主体动作向量（Kinetic Action Vector）：描述主体在时间线上的具体物理运动，精确落实到具体肢体或运动方向，避免多重动作相互冲突。
- 摄影机三维运镜（Camera Motion）：采用标准电影工业摄影术语，明确定义摄影机的移动轴向、幅度范围与推进速度。
- 环境与光影动态（Atmosphere & Lighting）：定义场景与主体的光影交互（例如丁达尔光线、车窗光影流转、环境微尘浮动）。
提示词增强器（Prompt Enhancer）的使用边界
在海螺 AI 的网页交互端，内置的“提示词增强器（Prompt Enhancer）”会自动将简短指令重写为冗长的文学段落。虽然这有助于普通用户快速生成具有艺术氛围的画面，但它会擅自添加多余的人物动作与剧烈的随机运镜，直接破坏剪辑师精细设计的机位轨迹与分镜衔接。
- 剪辑师实操准则：在执行严谨的分镜匹配、商业产品展示或特定机位推拉时，务必关闭网页端的提示词增强开关。在 MiniMax 开放平台 API 调用中，同样建议将
enhance_prompt设置为False，确保模型严格执行原始调度指令。
精准运镜动力学：三维运动语法
MiniMax 原生支持丰富的电影摄影机运动语言。为了消除镜头突兀漂移或背景几何扭曲，镜头控制必须包含三个明确维度：运动类型（Motion Type）、运动幅度（Amplitude）与移动速度（Speed）。
1. 核心运镜词汇库与物理差异
| 运镜指令 | 物理执行机制 | 剪辑实战用途 |
|---|---|---|
Push In / Pull Out | 摄影机机身物理前进或后退（推拉镜头） | 强化人物情绪张力或揭示环境全貌；产生明显的透视变化 |
Zoom In / Zoom Out | 机身固定，改变镜头光学焦距（变焦） | 产生透视压缩感；营造悬疑、复古电影感或快速聚焦 |
Pan Left / Pan Right | 机身固定，镜头在水平轴上旋转（水平摇镜） | 跟随水平移动的目标或横向扫视交代空间环境 |
Truck Left / Truck Right | 摄影机整体沿水平轨道横向平移（横移镜头） | 展现前景与背景的视差位移；侧向伴随主体行进 |
Tilt Up / Tilt Down | 机身固定，镜头在垂直轴上俯仰（上下俯仰） | 强调建筑高耸、角色身材比例或纵向视线转移 |
Pedestal Up / Pedestal Down | 摄影机机身整体垂直升降（升降镜头） | 平稳升降机位；展现从地面到全身的视觉跃迁 |
Arc Shot | 摄影机沿弧形轨道环绕主体运动（环绕镜头） | 极具戏剧张力的角色登场或空间全景展示 |
Tracking Shot | 摄影机紧跟移动主体同向行进（跟拍镜头） | 奔跑追踪、行走对话及长距离连续跟拍 |
Static Shot | 机位、角度与焦距完全锁定（固定机位） | 精细面部微表情、稳定对话镜头及高细节产品定点特写 |
2. “单一主运动”法则（One Primary Motion Rule）
在 AI 视频生成中最容易出现的败笔，是在单次生成中叠加多个方向互相冲突的运镜指令（例如同时要求急速变焦、环绕摇镜并俯仰倾斜）。这会瞬间耗尽模型的空间连贯性算力，导致背景建筑扭曲、人物肢体融化。
剪辑师应当恪守单一主运动法则：一个镜头内只保留一个主导运动轴向，搭配一个幅度修饰词与一个速度修饰词。
- 错误指令（冲突冗余）：
The camera orbits around the runner while zooming in fast and tilting down simultaneously. - 规范指令（克制稳定）：
The camera trucks right with small amplitude at slow speed, keeping the subject centered.
3. 句式结构：内嵌自然动词 vs 句末堆叠标签
MiniMax 在处理运镜语义时，更善于理解与画面主干融为一体的自然动作分句，而不是挂在句末的孤立标签。
- 低效写法：
A man sitting in a vintage diner, 35mm film, push in, slow speed. - 标准写法：
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. 景别相对速度匹配（Scale-Relative Velocity）
摄影机与主体的运动速度必须根据景别进行物理匹配：
- 特写镜头（Close-up）：镜头的大幅剧烈晃动会破坏精细的面部肌肉走向，造成五官畸变。特写必须限制为
with small amplitude at slow speed，或者使用static shot。 - 远景全景（Wide Shot）：需要足够大的运镜幅度（
with large amplitude at moderate speed），才能让远景地貌和空间透视产生清晰的视差运动。
参考图结构化控制与主体动作约束
纯文本提示词决定了导演意图，而参考图则提供了确凿的物理与视觉基准。MiniMax 体系支持多种图像驱动模式，分别对应剪辑管线中的不同应用场景。
flowchart TD
A[分镜制作需求] --> B{需要几张参考图？}
B -->|0 张| C[T2V: 纯文生视频]
B -->|1 张| D{图片作为？}
B -->|2 张| E[FL2VA: 首尾双帧运动插值]
D -->|起始帧| F[I2VA: 单图首帧动量推进]
D -->|终止帧| G[L2VA: 前置推演收敛至尾帧]
D -->|角色资产| H[Ref2VA: 全参考模式身份绑定]
1. I2VA（图生视频首帧推进）
在海螺 AI 的图生视频（Image-to-Video）模式下，输入的单张参考图作为第 0.00 秒的首帧。提示词无需反复描述图中已有的视觉静态元素，其重心必须放在“后续动作演进（Kinetic Delta）”上。
- 首帧锚定声明：明确声明参考图的起始地位（官方标准语法：
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.）。 - 动量增量隔离：将静态要素与动态要素剥离。在提示词中明确“服装、背景建筑及整体光影完全锁定保持”，仅赋予指定身体部位或视角动作（例如“仅头部缓慢转向窗外，身躯保持静止”）。
- 消除“死盯镜头（Anti-Lens Stare）”：肖像类参考图生成的角色容易在整段视频中机械地直视镜头。必须在提示词中为角色指定视线落点：
The subject keeps her gaze focused on the horizon off-camera left, turning her chin slightly away from the lens.
2. FL2VA（首尾双关键帧插值）
当剧本要求角色完成具有确定起止状态的动作时（例如角色从门口走向办公桌并坐下），首尾双帧模式（FL2VA）会在 Picture 1（0.00s）与 Picture 2（最终时间戳）之间自动进行单镜头物理平滑插值。
- 单镜头强制原则：首尾双帧之间严禁插入切镜（Cut）或转场指令，模型必须在单一连续长镜头中完成形变与位移演进。
- 运动轨迹蓝图：细致描述连接两帧的过渡物理动作：重心的转移、行走的步数、摄影机同步的平移推拉，以及最终如何稳稳收敛至 Picture 2 的构图与体态。
3. 避免主体融化与肢体扭曲的实战法则
MiniMax 画面中出现肢体变形或面部融化，多半是因为用户在短短 5-6 秒的生成时间内塞入了超出物理极限的剧烈连续动作。
- 拆解复杂动作为原子节拍：不要写“角色奔跑、跳过障碍、翻滚拔剑”，应拆解为单个镜头节拍：“角色在潮湿路面上大步向前奔跑三步，右脚重重踏在积水中”。
- 骨骼局部锁定：在细微文戏中，明确声明无关部位锁定：
Torso and shoulders remain stationary; only the right hand lifts the pen.
工业级实战提示词模板
以下模板展示了不同工业场景下经过验证的完整提示词格式。
模板 1：带运镜追踪的电影感对话中景（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.
模板 2：商业产品推轨特写（I2VA 首帧驱动）
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
模板 3：角色体态转换长镜头（FL2VA 首尾帧插值）
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
剪辑师视角的 NLE 后期制作管线
AI 视频生成模型本质上是“虚拟摄像师”，输出的是一段段独立的原始拍摄素材（Raw Takes）。剪辑师与视觉创作者的最佳实践，是将 MiniMax 作为专属的 B-roll 素材库融入既有剪辑流程。
flowchart LR
A[分镜表与镜头清单] --> B[关闭提示词增强]
B --> C[生成 4-6 秒原子镜头]
C --> D[筛选物理结构稳定的素材]
D --> E[导入 NLE 剪辑软件时间线]
E --> F[光流法重定时平滑]
E --> G[微量手持抖动与电影调色]
1. 模块化原子镜头生产（Atomic Shots）
在单次生成中不要尝试组接复杂长篇场景。将剧本拆解为 4-6 秒的原子镜头（全景交代镜头、过肩镜头、特写反应镜头），分别生成后再导入剪辑软件（DaVinci Resolve、Adobe Premiere Pro 或 Final Cut Pro）中拼接。这为剪辑台提供了完全自由的剪辑节奏与转场空间。
2. 光流法（Optical Flow）消除偶发卡顿
如果某次生成的镜头在物理运镜上非常理想，但局部出现微小的加速度顿挫或掉帧，无需反复消耗积分重抽。直接将素材拖入 DaVinci Resolve 或 Premiere Pro，将重定时插值模式设置为光流法（Optical Flow，Resolve 中可开启 Speed Warp），微调速度曲线。光流算法会自动重建亚像素运动矢量，瞬间平滑微小跳帧。
3. 添加微量有机手持质感（Organic Handheld Jitter）
纯 AI 生成的固定镜头有时会呈现出缺乏生命力的机械僵硬感。后期剪辑时，可以在调色节点或特效轨道上为静止镜头叠加 1%-2% 强度的轻微手持摄像机晃动（如 DaVinci Resolve 的 Camera Shake 插件）。极微量的有机晃动不仅能赋予画面真实的胶片摄影质感，还能巧妙掩盖边缘像素的细微瑕疵，实现 AI 素材与实拍素材的无缝融合。