swan7-py/minimax-h3-skills-local/h3-video-prompt-cn

H3 视频提示词撰写

产出语言默认中文（中文产出版）：描述内容用中文书写，字段名、标签、占位符保持英文。

核心机制：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。中文产出版＝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。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。
5. 产出语言默认中文（内容中文、结构标签英文）；仅当用户明确要求英文时才走英文产出。

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。

触发词（挂在任务 LoRA 上，2026-11-04 补）：motion_transfer_v1.0_ref2va 要求首行 `motion_transfer:`；ffp_v1.0_ref2va 要求首行 `vfx_edit:`（写 motion_transfer: 完全不触发）。这类触发词是 LoRA 训练时的契约，删掉等于没挂 LoRA；触发词不计入六段、紧跟在正文第一行之前。

两段例外（MT / Guide Latents 路线，2026-11-04）：overall_soundscape 与 non_diegetic_music 都写 `N/A` —— 该路线的工作流复制源片音轨、不生成对白与音乐（官方原话 Audio copies the source soundtrack; no dialogue/music is generated.）。此时不要写环境声与配乐描述。

三条硬规则（2026-10-08 用户纠正 · 曾三次翻车，务必先读）

① `summary` 只讲剧情与参考关系。镜头走向只允许一句「层级概括」（如「一条连续长镜」「三镜交换」「约第 5 秒凝滞」）；镜头运动细节——焦距 / 半径 / 高度 / 角度 / 速度 / 景别 / 摇幅 / 推拉变焦——一律只写进 `detailed_description`。

• ✓（官方示例）[reference generation + audio reference] 目标视频展示 <Subject 3> 在 <Subject 1> 中吃饼干。<Subject 4> 带着 <Subject 2> 走进来，萨摩耶扑向饼干。这三镜的互动以 <Audio 1> 作为音色参考，并以一段罐头笑声收尾。
• ✗（把 summary 写成镜头说明）…机位随即以恒定半径、恒定高度、恒定焦距、恒定速度顺时针绕完全冻结的她转满一整圈…
• 自检：summary 内出现 DSL 直译的镜头变量 → 删掉、挪进 detailed_description。

② 参考图角色判据（正向）：图片作首帧 / 末帧 / 关键帧 / 构图锚 → 独立成 `<Picture N>`；图片作角色 / 服装 / 环境 / 风格来源 → 内联进对应 `<Subject N>` 的定义里（"…是 `<Picture N>` 中的…"）。

• 四视图角色卡属后者：写进 <Subject 1>，retention_analysis 只列 <Subject 1> / <Subject 2> 这两行。
• ✗（把角色卡独立成条并当成视角）<Picture 1> ([Shot 1] 环绕的起点与终点视角): fully_preserved - 环绕自该正面视角起、回到该正面视角止。

——独立成条＝把它声明成构图锚；角色卡承载的是角色，镜头起点由 detailed_description 的文字交代。

• 详解见 references/reference-image-roles.md；镜头层纪律见 references/camera-and-lora.md §一。

③ 参考标签的编号一经指定就全局不变；四个段落都可以用 `<Picture N>`，但不得在某一段里新起编号。

• 官方依据（references/ref-en.txt）：summary「uses the previously defined <Subject N>, <Picture N>, <Video N>, <Audio N> labels…Do not introduce new reference labels in this section」；detailed_description「Inserts <Subject N>, <Picture N>, <Video N>, <Audio N> at their first appearance and where their roles apply」。
• 即：<Picture 1> 在 subject_definitions 里定义成什么，后面所有段落里就还是那个东西，不换号、不重排。编号漂移（同一张图在不同段落变成 <Picture 2>）才是真错误。
• 写法上仍建议：讲剧情与状态优先用 <Subject N>（它是"人/物/环境"，语义更贴），讲帧本身（这里是首帧、那里是末帧、构图对齐这张）才用 <Picture N>。这是可读性偏好，不是禁令。
• ✗ 反例（真正的错误）：subject_definitions 里写 <Picture 1> 是首帧，detailed_description 里却出现 <Picture 2> 指同一张图。
• ✓ <Subject 1> 立在床边的地板上／<Subject 1> 的面容与整套汉服在这一刻清晰可见；参考关系在 subject_definitions（<Subject 1> 是 <Picture 1> 四视图角色卡中的少女…）与 retention_analysis 里说清。
• ⚠️ 一条实测备注，不是规则：把 <Picture N> 写进正在描述运镜的句子里，个别批次会让模型把构图往那张图拽。如果出现构图被拽住，先试着把该处换成 <Subject N>；这是排障手段，不要反过来升格成禁令。

阅读 references/ref-en.txt 了解标签规则、保留分析与完整示例。创意机制可从 references/creative-dna-library.md 提取。

当目标是「把定稿技能卡做成招式动画」时，另读 references/card-derived-animation.md（卡片锚点取中间高点帧、锚点写"经过"不写"构成"、不写定格与放缓、主体与法术同频、连续演化写一段）。

当一段里要打多个目标（多块目标物、多个方向、需要明确布局与可读性）时，另读 references/multi-target-and-hit.md（数量写死、方位写死、布局落到空间关系、露出主体忌遮挡）。

当目标是「把这批参考素材的运动迁到自建的角色 / 场景上」时（保留参考视频的动作、机位、硬切与节奏，外观是新建的），另读 references/motion-transfer.md。该文件按通道分两条互斥路线，动笔前先判接线：

• 路线 A｜原生 `ref_videos`（不挂任务 LoRA / 挂 TARA）→ 零动作白描 + 运动几何七维归属 + <Video N> 定义升格 + 收口句
• 路线 B｜MT LoRA + Guide Latents（motion_transfer_v1.0_ref2va + AddGuide，ref_videos 断开）→ 首行 `motion_transfer:` + 按「先/接着/然后/随后/最后」把动作写出来 + <Video N> 只标 attribute_transfer + 音效/配乐两段写 N/A + 源片外观件完全不提

判错方向的后果：在 B 里写零白描 = 丢掉官方要求的动作顺序；在 A 里写动作顺序 = 文字压过视频，模型照文字演。另有续接（链式长视频）与链式验收三判据。注意它与下一类的区别：成片出来后源视频的画面内容不在里面。

当目标是「把源视频里的某个对象替换 / 修改成参考图的样子」时（人物身份、整个人物、服装配饰、手持物体、场景背景、画内文字 Logo、材质表面、光照影调，以及移除与新增），另读 references/editing-and-replacement.md（三归属维度——外观 / 运动几何 / 光学——、遮罩形态检测、七个不可省模块、目标类型→槽位速查表、可见行为四组、R1/R2/R3 尺寸规则、摘要固定首句与任务类型标记）。成片出来后源视频的画面内容仍然在里面。

整条「定稿卡 → 招式动画」管线（六步 + 崩坏症状速查）见 xianxia-cinematic-video-director 的 references/skill-card-animation-pipeline.md。

视频参考（<Video N>）三玩法 —— 2026-10-22 实测

挂了参考视频（`<Video N>`）时，先读 `references/video-reference-modes.md`。 三玩法的官方定义与四种保留标记语义以 references/ref-en.txt 为准；那份文件只补实测判据与写法模板，不重复官方定义。

⚠️「风格转换」一词两义：给源片换皮＝ video editing；拿源片风格造新片＝ reference generation。开写前先问清是哪种。

合规：上表提到的关键帧锚可以 <Picture N> 独立成条（属首帧 / 末帧 / 关键帧锚用途）；后续段落的写法见硬规则 ③（编号全局不变，不新起编号）。

镜头 / 参考图 / 交付格式 —— 四条 2026-10-05 实测补充

做运镜类镜头（推拉摇移环绕航拍 POV 双人机位…）时，按这个顺序读：

镜头句精简纪律 —— 没装运镜库时的兜底（2026-10-09 更新）

⭐ 写任何镜头运动的句子时，第一个查 `h3-camera-motion-lib`（H3 运镜提示词库，专家包内的独立 skill）。

它按运镜族给出可直接粘贴进 `detailed_description` 的中文镜头句＋实测状态（✅/🟡/❌）＋推荐 LoRA＋坑，

不依赖 camera DSL——DSL 降级为可选校验，两者冲突时以库的「实测」一栏为准。

本文只保留精简核心纪律（够你在没装那个库时不踩坑），完整版一律以库为准。

精简核心纪律（六条，2026-10-09 校准）：

1. 变量纪律：摇镜不写焦距；推拉必写「焦距全程锁定在同一档位」；变焦用"变焦"表达 + 机位恒定；横移写「镜头朝向全程锁定」；升降写「镜头姿态全程保持水平」；翻滚必写方向。
2. 书写顺序：画面里先出现的东西写在最前面（遮挡 / 揭示先写前景遮挡物；跨越甩镜航拍先写门洞枝叶高空全景；POV 主体不入画、不写景别区间）。
3. 时刻与配速：用官方语法 At MM:SS.mmm，配速＝`At` 起点–结束点两个时刻；禁止「在 3 秒时间内…」这类自造时长短语；时刻会漂移约 ±1s，动作先后次序要用文字兜底。
4. 整圈环绕：圈数与时长必须同时给——圈数靠「转满一整圈 + 末了回到正面」的收束句，配速靠起止时刻。只给圈数→转多圈或中途停；只给时长→不转或转不完。（写"快速"会让速度词压过收尾句，实测冲过正面转第二圈。）
5. 环境写"描述式"不写"清单式"：逐一点名"柱列 / 地砖 / 宫灯必须可见"会把画面推宽；改成一句"主体所处的环境是什么"即可。它是止损手段不是锁半身手段（实测主体放大 2.4–3×，仍 0/3 达腰部以上）；真要锁取景 → 用 I2VA 真实首帧。
6. `<Picture N>` 编号全局不变：编号一经在 subject_definitions 指定，四段里就都是同一张图，不换号、不新起编号。summary 与 detailed_description 都可以引用它（官方规范允许）；讲剧情与状态优先用 <Subject N> 是写法偏好，不是禁令。

LoRA 一句话：专用 ＞ 不挂 ＞ Jojocodex（仅特定情况）。 ⚠️ Dutch Angle Slider 权重即倾角：1 ≈ 20°，常用 2.0（旧记"1.0≈1°、要 10–20"是错的）。

构图可执行性 —— 把形容词变成模型能执行的东西（2026-10-26 实跑沉淀）

共同根源：模型会把形容词当事实渲染。你对它说的每个修饰语，它都要想办法画出来，而它理解的"画法"往往是你没预料的那一种。下面五条是同一原理的五个实例。

① 开写前先声明运行模式

本批跑的是 Ref2VA（六段） 还是基础模式（三字段 `integrated_multimodal_description`）？写错整套作废。 批次文件开头写一行 模式：Ref2VA [keyframe completion]，与工作流节点对齐后再落笔。

② 两套命名空间，起始编号不同

写提示词从 1 数，接端口从 0 数。混用会导致挂图错位且报错信息不指向真正原因。

③ 比喻动词会被按字面执行

写 hovering（悬停）→ 指针真的浮在盘面上方，尖端落在两格刻度之间。要表达"即将触碰"，只能用物理证据：

• 贴平：lies flush against the surface
• 底面接触：its underside in contact with it
• 影子：throws a shadow directly beneath itself, and that shadow touches X at its own tip

影子相接是"两者共面"的硬证据，比任何形容词都可靠。判据：想表达"挨着 / 贴着 / 即将碰到"，就写"接触 + 影子落在正下方"。

④ 微距必须锁"画面里只有什么"

只写"极限微距"而不锁边界，模型会自己补背景——实测把一块表盘补成了带地平线和落日的白墙。

固定句式：The frame contains only X and Y.

⑤ 含人物的镜必须写景别锁

• 只写"略前倾" → 被放大成深鞠躬（首帧相似度 0.549）
• 只写"取到胸口" + 一堆微距式细节 → 被推成大特写，天空全丢（0.404）
• 补上景别锁后：0.9986 / 0.9950

固定句式：取景与首帧一致：他全身入画，自头顶到鞋底完整可见，头顶距画面上缘约一成，脚下与画面下缘之间留出一段空地，地平线横在中景。

推论：描述视线与姿态的词会直接决定体态。写"视线落在身前地面"会诱导前倾弯腰——想让他站着，就别提"看地面"。

⑥ 有读数的物体必须写角度关系

写"两根针以不同角度放射" → 模型给任意角度。实测四张钟面里三张读不出目标时刻（11:20 / 12:18 / 10:15）。

必须写：离竖直方向偏几度、谁在谁的左边、收成多窄的 V。

⑦ 跨镜连续性清单（交付前逐镜核对，任一项不符即穿帮）

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。

挂 `<Audio N>` 参考音频时，另读 `references/audio-reference.md` —— 那里有四种关系标记的实测基线、Sx 编号与接线顺序必须三线同号（Subject N = S N = Audio N）、台词约束不可省（简化 <Audio N> 定义时最易踩）、以及正向单人约束与过肩镜头两种「锁定单一说话人」的写法。

输出规则 (Output Rules)