version: "1.0.0" name: h3-prompt-writing-cn description: 为 T2VA / I2VA / FL2VA / L2VA / Ref2VA 编写 MiniMax H3 视频生成提示词（中文产出版）。当需要将多模态需求改写为 H3 提示词结构、撰写 integrated_multimodal_description / overall_soundscape / non_diegetic_music、对齐关键帧、或为图像 / 视频 / 音频定义参考标签时使用。提示词内容（描述、动作、场景、光影、声音）用中文产出；标签、占位符、字段名、模式名、镜头词汇、关系标记保持英文，不翻译为中文。 compatibility: 可移植到任何能读取本地文件的智能体——无需外部 API 调用、MiniMax Hub 工具或专有运行时。agents/openai.yaml 仅补充可选的 ChatGPT/Codex UI 元数据；不限制 skill 只能用于 OpenAI 智能体。

H3 提示词撰写（中文说明版）

本 skill 的目标是用中文产出 H3 提示词：提示词里的内容（描述、动作、场景、光影、声音等）用中文书写，只有标签、占位符、字段名、模式名、镜头词汇、关系标记一律保持英文不翻译。说明文字与示例中的「描述内容」均为中文，示例里的字段名 / 占位符 / 标签保持英文。

中文产出机制（关键，等同 T8 节点「中文」模式）：结构以官方英文规范 references/base-en.txt（基础模式）/ references/ref-en.txt（全参考模式）为准——它们是 H3 格式的权威契约，不翻译。模型按英文规范的要求，用中文散文去"填空"；字段名、[Shot N]、At MM:SS.mmm、<Picture N>/<Video N>/<Subject N>、保留标记、标签、固定对齐句一律保持英文。即"读英文规范、写中文内容"，而非"把规范翻译成中文再写"。base.txt / ref.txt 仅为人可读的中文渲染版，结构以 -en 英文文件为准。

工作流 (Workflow)

1. 识别输入模式：T2VA、I2VA、FL2VA、L2VA，还是全参考 Ref2VA。
2. 对于基础文本 / 关键帧模式，阅读 references/base-en.txt 并遵循其最终提示词结构。
3. 对于全参考模式，阅读 references/ref-en.txt 并遵循其六段改写格式。
4. 保留所选指南中的准确字段名、段落顺序、标签与计时标注。

基础模式 (Base Modes)

• T2VA：从文本构建完整的视听时间线。
• I2VA：从首帧开始，并由此向前发展。
• FL2VA：描述首帧与末帧之间的连续路径。
• L2VA：推断一个合理的开头，并收束到给定的末帧。

按 references/base-en.txt 所示顺序使用 integrated_multimodal_description、overall_soundscape、non_diegetic_music。

全参考模式 (Full-Reference Mode)

Ref2VA 改写依次使用 subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape、non_diegetic_music。参考标签在各段之间保持一致。

阅读 references/ref-en.txt 了解标签规则、保留分析与完整示例。

音频时间线对齐（带对白音频的 Ref2VA）

当输入包含对白 / 人声音频（<Audio N>）时，先转写音频，再设定分镜时间戳——这是 Ref2VA 带音频时最常见的失败点：说话人错位（角色 A 在画面中说话，而音频已切到角色 B）。

• 音频优先（Audio-first）：运行 Whisper（faster-whisper，模型 small）获取每条语料的起止时间戳与说话人 ID（可区分时用 S1/S2）。将同一说话人连续的语料合并为"话轮"；话轮之间的间隙即自然的切分点。将每个 [Shot N] At MM:SS.mmm 锚定到这些话轮边界——不要凭空猜测。注意：Whisper 可能听错数字 / 人名（如"心之星"→"星之星"）；时间戳可靠，内容请用用户原始文本。
• 粗对齐，不要紧对齐：分镜切点应大致匹配音频中说话人切换的边界（±0.5–1s 即可），但不要逐帧精确绑定。在每句中间的停顿处切、或删掉所有时间戳让模型自由发挥，都会让节奏变差。
• 硬规则——禁止说话人错位：绝不让"角色 A 在画面中说话的分镜"与"音频中角色 B 实际在说话的片段"重叠。核对每个 [Shot N] 的时间区间与在该区间内实际发声的说话人（S1/S2）一致。

输出规则 (Output Rules)

• 对白 / 歌词必须使用 `<d>[Language] ... </d>` 标签（铁律）：将说话人的身份短语、ID、动作与语气放在 <d> 之外；<d> 内部只放语言标签与逐字的原始口语内容——保留每一个原词与标点，不要翻译、改写或追加英文翻译。示例：<d>[Chinese] 今天的星星，好像比昨天暗了一点点。</d>、<d>[English] I get off at the next station.</d>。脚本块与每个分镜描述中均须遵守。
• 音频复用模式（fully_copy）——绝不再合成：当 <Audio N> 作为最终音轨复用时，该音频是唯一的语音来源——只描述谁说话、何时说话、且口型跟随音频。不要添加语气 / 韵律 / 停顿 / 情绪指令（如"声音渐弱""学者般语调"），这些会触发再合成导致语音糊掉。
• 改写段落用中文书写；对白、歌词与可见场景文字保留原始语言（歌词保留中文原文，外文对白 / 歌词保留其原文）。
• 按构图、主体、环境、动作、镜头、声音，以及参考内容出现的精确时点来描述每个分镜。
• 避免剧情摘要、未解析的参考标签，以及与请求时长不符的计时。

分镜 / 批次 / 参考图 约定（Shot · Batch · Reference）

本 skill 被 8 个本地版设计 skill 调用生成视频提示词时，统一遵循以下定义与硬规则（设计 skill 无需各自重定义，直接引用本节即可）。

概念

• 分镜（Shot）：最小叙事 / 视觉单元，等价于本 skill 提示词里的 [Shot N]。每个分镜自带时长，由分镜设计任务决定如何切分。
• 批次（Batch）：一次 H3 生成单元 = 一组符合本 skill 结构（T2VA / I2VA / Ref2VA / FL2VA / L2VA）的提示词，可包含多个分镜（≥1）。一个批次即一次在 H3 节点提交生成的单位；一个批次 = 一个输出文件。

硬规则

1. 批次时长上限由设备决定，且应在分镜设计前确定：在每个设计 skill 的「简报 / 起始门」先问用户「本次一次生成几秒？」可选 5s / 10s / 15s（或用户指定值），记为批次时长上限并贯穿到分镜设计步骤。分镜设计任务据此把分镜设计在批次内，而非事后强切。
2. 分镜时长一般 ≤ 批次时长（设计期遵守，本步不重切）：分镜是创作单元，由分镜设计任务按叙事 / 视听决定，设计期就已遵守批次时长上限（一般单镜 ≤ 上限）。本步（视频提示词）只负责打包：把设计好的分镜按时长累加归入批次（同批次各镜时长之和 ≤ 批次时长上限），不重新切分已设计的分镜。仅当某个分镜本身在设计期就 > 批次时长上限（偶发），才在生成层做「机械分段」：将该分镜切成多个生成子段（如 Shot 3 → 3a / 3b），但不改动分镜的创意内容与音频时序——该分镜的音频跨子段连续，仅生成层拼接。
3. 参考图只用占位符，禁止写路径 / 目录：最终提示词中，参考资产一律用 <Picture N> / <Video N> / <Audio N> 占位符指代（定义见 Full-Reference Mode）。严禁在提示词里写入任何图像 / 视频 / 音频文件的绝对或相对路径、文件夹目录。占位符 → 实际文件的映射由用户在 H3 节点侧按端口完成。
4. 一个批次一个文件（不合并）：不要把所有分镜塞进一份文档。每个批次输出为【一份独立文件】（建议命名 batch_01.md、batch_02.md…），文件内含该批次全部分镜的 H3 提示词 + 端口 / 顺序 / 时长 / 分辨率设置建议。这样便于逐批次修改与重跑。
5. motion-context 在连续批次的衔接边界问（H3 跨段运动连续机制）：当一段连续镜头 / 序列跨多个批次生成时（如某分镜因超上限被机械分段为 3a / 3b，或相邻批次要拼成同一连续场景），在批次与批次的衔接处先问用户「是否使用 motion-context？」——它用于保持跨段运动 / 音频连续，但带来副作用：① 衔接处中间 22 帧会被重复（22 ÷ 24fps ≈ 0.917 秒）；② 提示词时间标注上，第一段（首批次）保持不变，第二段及之后的各段需整体后延 0.917 秒（其 [Shot N] At MM:SS.mmm 时间戳在原始衔接点基础上 +0.917s）。若不使用 motion-context，则按标准衔接（无 22 帧重复、时间标注无需后延）。注意：motion-context 是「批次衔接」闸门，不是「切分单镜」闸门——单镜的设计切分不由它触发。

调用方（设计 skill）应在「简报 / 起始门」先问批次时长上限并贯穿分镜设计；「视频提示词」步骤落实：把设计好的分镜按时长累加打包为批次（同批之和 ≤ 上限，一个批次一份 batch_XX.md），不重切分镜；仅当分镜本身超上限时在生成层做机械分段（音频跨段连续）；motion-context 在连续批次的衔接边界问（启用则第 2 段起 22 帧重复 + 时间标注后延 0.917s、第 1 段不变）；参考图使用 <Picture N> 占位符而非文件路径。无论上游分镜怎么设计，本步保证：每个批次 ≤ 批次上限；分镜创意与音频时序不被强切破坏。

特殊标记 (Special Tokens · MiniMax Extra Tokens)

已发布的 MiniMax-H3 分词器（基于 Qwen）保留了这些固定的特殊标记。其 ID 由发布的分词器冻结——不要重新编号、改写或拼写错误。包裹对白、歌词、字幕或标记截断时逐字使用。

规则：

• 在对白 / 歌词 / 字幕标记内部，只放逐字的原始内容（对 <d> 与歌词加 [Language] 标签）。不要翻译、改写或追加翻译。
• 说话人身份、动作与语气放在标记之外。
• 这些标记被分词器当作字面标记消费；拼写错误（如 <lyrics_start> 少了 |）会破坏解析。

提升效果的技巧 (Tips for Better Results)

• 始终让描述总时长匹配请求视频长度（4–15 秒）。
• 保持参考标签一致（如 <Picture 1>、<Video 1>、<Audio 1>）贯穿每段。
• 偏好具体的视觉与音频细节，而非"cinematic"或"beautiful"这类抽象词。
• 使用关键帧（I2VA / FL2VA / L2VA）时，清楚说明首帧和 / 或末帧如何与时间线连接。