在當前的生成式 AI 影片領域，MiniMax Video（即海螺 AI / Hailuo AI，由 MiniMax-H3 與 Video-01 等底層架構驅動）憑藉強大流暢的實體大動態表現、真實的光影質感與多秒連貫動作脫穎而出。然而，許多影音創作者與剪輯師在初次嘗試時，往往習慣沿用文生圖時期的「標籤堆砌」邏輯，試圖用大量靜態形容詞去控制畫面，結果頻繁遭遇鏡頭不可控漂移、角色肢體扭曲融化或主體動作走樣等問題。
若要將 MiniMax 從不可預測的「盲盒抽卡」轉化為能直接放入剪輯時間軸的工業化生產利器，核心在於建立**導演級結構化提示詞（Directorial Prompting）與參考圖時空錨定（Spatial-Temporal Anchoring）**的雙軌工作流。透過將攝影機運動向量拆解為類型、幅度與速度三維度，並善用參考圖鎖定幾何構圖與人物外觀，創作者才能穩定產出符合 NLE（非線性剪輯軟體）標準的高品質原子鏡頭。
導演級結構化提示詞架構
MiniMax 的影片世界模型本質上是在時間維度上推演具因果關係的物理進程。傳統的靜態標籤堆疊（如「超高畫質、8k、電影級光影、戲劇性特寫」）無法為模型提供明確的時間流向與動態指引。
一套精確的 MiniMax 提示詞應採取分層結構，清晰劃分各個維度的調度資訊：
[景別與風格] + [主體錨定與特徵鎖定] + [主體動作向量] + [攝影機三維運鏡] + [環境與光影動態]
提示詞分層拆解
- 景別與取景範圍（Framing）：於句首直接確立光學機位與視角距離（例如
Medium close-up shot、Wide establishing shot、Low-angle tracking shot）。機位先行有助於模型優先構建場景的三維空間座標系。 - 主體錨定與特徵鎖定（Subject Retention）：指明主體身分，並明確宣告必須維持一致的特徵（如臉部輪廓、髮型、服裝材質、道具細節），防止影片推進時角色特徵發生漂移。
- 主體動作向量（Kinetic Action Vector）：描述主體隨時間推移的具體物理動作，精確落實到肢體局部或位移方向，避免相互衝突的複合動作。
- 攝影機三維運鏡（Camera Motion）：使用標準電影攝影工業術語，明確界定鏡頭的運動軸向、位移幅度與移動速度。
- 環境與光影動態（Atmosphere & Lighting）：定義場景中光線與環境的交互變化（例如丁達爾光束、車窗折射流轉、環境懸浮微塵）。
提示詞增強器（Prompt Enhancer）的抉擇
在海螺 AI 的網頁操作介面中，系統預設的「提示詞增強器（Prompt Enhancer）」會自動將簡短輸入擴展為長篇文學描述。這對普通娛樂用戶雖能增添畫面氛圍，但往往會擅自加入多餘的人物動作與激烈的隨機運鏡，破壞剪輯師精心規劃的分鏡與機位軌跡。
- 剪輯師操作準則：在執行嚴密的分鏡銜接、商業產品展示或特定運鏡推拉時，務必在網頁端手動關閉提示詞增強器。在 MiniMax 開放平台 API 調用中，亦應將
enhance_prompt設為False，確保模型忠實執行原始指令。
精準運鏡動力學：三維運動語法
MiniMax 能深度解析標準電影攝影機運動指令。為了消除畫面突兀晃動或背景幾何扭曲，運鏡指令必須涵蓋三個核心維度：運動類型（Motion Type）、運動幅度（Amplitude）與移動速度（Speed）。
1. 核心運鏡詞彙庫與物理機制
| 運鏡指令 | 物理運作機制 | 剪輯實戰用途 |
|---|---|---|
Push In / Pull Out | 攝影機機身實體向前或向後位移（推拉鏡頭） | 增強角色內心情緒張力或交代周遭空間環境；呈現真實透視變化 |
Zoom In / Zoom Out | 機身固定，改變鏡頭光學焦距（變焦鏡頭） | 產生畫面透視壓縮感；營造懸疑氣氛、復古電影風格或快速聚焦 |
Pan Left / Pan Right | 機身固定，鏡頭於水平軸旋轉（水平搖鏡） | 跟隨橫向移動的目標或全景掃視交代空間配置 |
Truck Left / Truck Right | 攝影機本體沿水平軌道橫向平行滑動（橫移鏡頭） | 呈現前景與背景的視差層次；側向伴隨角色行進 |
Tilt Up / Tilt Down | 機身固定，鏡頭於垂直軸俯仰（垂直俯仰鏡頭） | 強調建築高聳氣勢、角色身高比例或垂直視線轉移 |
Pedestal Up / Pedestal Down | 攝影機本體垂直升降高度（垂直升降鏡頭） | 平穩升降視角；呈現由地面至全身的視線過渡 |
Arc Shot | 攝影機沿弧形軌道環繞主體運轉（環繞鏡頭） | 具戲劇張力的角色亮相或全景立體展示 |
Tracking Shot | 攝影機緊隨移動主體同步行進（跟拍鏡頭） | 奔跑追逐、行走對話及連續動態跟隨 |
Static Shot | 機位、角度與焦距完全鎖定不動（固定鏡頭） | 精細面部微表情、穩定對話鏡頭及高細節產品特寫 |
2. 「單一主運動」法則（One Primary Motion Rule）
AI 影片生成最常見的破綻，就是在單一鏡頭中疊加多個方向相左的運鏡指令（例如要求鏡頭在急速變焦的同時進行環繞與垂直俯仰）。這種指令會迅速消耗模型的空間一致性算力，導致背景建築融化、人物肢體崩壞。
剪輯師應嚴格遵守單一主運動法則：一個鏡頭內僅保留一個主導運動軸向，搭配一個幅度修飾詞與一個速度修飾詞。
- 錯誤寫法（衝突混亂）：
The camera orbits around the runner while zooming in fast and tilting down simultaneously. - 標準寫法（克制穩定）：
The camera trucks right with small amplitude at slow speed, keeping the subject centered.
3. 語法結構：內嵌自然子句 vs 句末標籤堆疊
MiniMax 處理運鏡時，對融入敘事主體的自然英語動作子句理解最為準確，而非末尾散落的孤立標籤。
- 低效寫法：
A man sitting in a vintage diner, 35mm film, push in, slow speed. - 標準寫法：
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. 景別相對速度匹配（Scale-Relative Velocity）
攝影機與主體的運動速度必須依景別進行物理校準：
- 特寫鏡頭（Close-up）：鏡頭若快速晃動，容易造成細微面部幾何變形。特寫鏡頭務必限制為
with small amplitude at slow speed，或直接使用static shot。 - 遠景全景（Wide Shot）：需給予足夠的運鏡幅度（
with large amplitude at moderate speed），才能讓地貌與空間景深產生明顯的視差動態。
參考圖結構化控制與主體動作約束
文字提示詞確立了導演意志，而參考圖則為畫面提供了精確的實體空間標準。MiniMax 支援多種圖像驅動模式，各自對應不同的剪輯工作環節。
flowchart TD
A[分鏡製作需求] --> B{需要幾張參考圖？}
B -->|0 張| C[T2V: 純文字生成影片]
B -->|1 張| D{圖片的角色？}
B -->|2 張| E[FL2VA: 首尾雙影格運動插值]
D -->|起始影格| F[I2VA: 單圖首格動量推進]
D -->|終止影格| G[L2VA: 前置推演收斂至尾格]
D -->|角色資產| H[Ref2VA: 全參考模式特徵綁定]
1. I2VA（圖生影片首影格推進）
在海螺 AI 的圖生影片（Image-to-Video）模式中，上傳的單張參考圖會作為影片 0.00 秒的起始畫面。提示詞無需贅述圖中已存在的靜態視覺要素，而應聚焦於「後續動作增量（Kinetic Delta）」。
- 首影格宣告：以明確格式聲明參考圖的起始地位（官方標準語法：
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.）。 - 動量增量隔離：將靜態要素與動態要素分離。在提示詞中明確要求「服裝、背景結構與整體光影完全鎖定維持」，僅賦予指定肢體動作（例如「僅頭部緩慢轉向窗外，身體軀幹保持靜止」）。
- 避免角色直視鏡頭（Anti-Lens Stare）：以肖像照片生成的角色容易在整段影片中機械化地死盯鏡頭。提示詞中應為主體指定視線聚焦點：
The subject keeps her gaze focused on the horizon off-camera left, turning her chin slightly away from the lens.
2. FL2VA（首尾雙關鍵影格插值）
當劇本需要角色完成具有明確起始與結束狀態的動作時（例如演員從門口走向書桌並坐下），首尾雙格模式（FL2VA）會在 Picture 1（0.00s）與 Picture 2（最終時間戳）之間自動完成單鏡頭物理平滑插值。
- 單鏡頭強制原則：首尾雙格之間絕不能插入切鏡（Cut）或轉場指令，模型必須在單一連續長鏡頭中計算形變與路徑。
- 路徑銜接規劃：詳細描述連接兩格的中間動作：重心的轉移、步伐前進、攝影機同步推拉滑動，以及最終如何平穩收斂至 Picture 2 的姿勢與構圖。
3. 避免主體融化與形變的實戰準則
MiniMax 畫面中出現肢體扭曲融化，多半是因為在 5-6 秒的生成時間內塞入了過於複雜的劇烈動作。
- 將動作拆解為原子節拍：不要要求「角色奔跑、翻過障礙、轉身拔劍」，應拆解為單一鏡頭節拍：「角色在潮濕路面上向前邁步奔跑三步，右腳重重踏在水窪中」。
- 骨骼局部鎖定：在文戲微動作中，明確宣告無關部位鎖定：
Torso and shoulders remain stationary; only the right hand lifts the pen.
工業級實戰提示詞範本
以下範本展示了在不同生產情境下驗證成熟的完整提示詞結構。
範本 1：具運鏡追蹤的電影感對話中景（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.
範本 2：商業精品推軌特寫（I2VA 首影格驅動）
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：角色肢體狀態轉換長鏡頭（FL2VA 首尾影格插值）
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
剪輯師視角的 NLE 後期製作管線
生成式 AI 影片模型本質上是「虛擬攝影師」，輸出的是一段段獨立的拍攝素材（Raw Takes）。影音創作者與剪輯師的最佳實踐，是將 MiniMax 作為專屬的 B-roll 素材庫無縫接軌至既有的剪輯工作流。
flowchart LR
A[分鏡表與鏡頭清單] --> B[關閉提示詞增強器]
B --> C[生成 4-6 秒原子鏡頭]
C --> D[篩選結構穩定的素材]
D --> E[導入 NLE 剪輯軟體時間軸]
E --> F[光流法重定時平滑化]
E --> G[微量手持晃動與調色]
1. 模組化原子鏡頭製作（Atomic Shots）
在單次生成中切勿嘗試拼接複雜長篇場景。將腳本拆解為 4-6 秒的原子鏡頭（全景交代鏡頭、過肩鏡頭、特寫反應鏡頭），分別生成後再匯入剪輯軟體（DaVinci Resolve、Adobe Premiere Pro 或 Final Cut Pro）進行剪接。這能為剪輯台保留最充裕的剪接節奏與轉場彈性。
2. 光流法（Optical Flow）消除偶發卡頓
若生成的鏡頭在構圖與運鏡上極為理想，但局部出現些微加速度不均或掉格，無需反覆耗費點數重新生成。直接將素材置入 DaVinci Resolve 或 Premiere Pro，將重定時插值設為**光流法（Optical Flow，Resolve 中可啟用 Speed Warp）**並微調速度曲線。光流演算法會重新計算子像素運動向量，立即撫平微小卡頓。
3. 疊加微量有機手持質感（Organic Handheld Jitter）
純 AI 生成的固定鏡頭有時會帶有過於機械化的冰冷死板感。後期剪輯時，可於特效軌道或節點上為靜態鏡頭疊加 1%-2% 強度的輕微手持攝影機晃動（如 DaVinci Resolve 的 Camera Shake 插件）。微量的有機晃動能賦予畫面真實底片感，並巧妙遮掩邊緣像素瑕疵，使 AI 鏡頭與實拍鏡頭完美融合。