version: "1.0.0" name: h3-video-prompt-cn description: 为 T2VA / I2VA / FL2VA / L2VA / Ref2VA 编写 MiniMax H3 视频生成提示词（中文产出版 · 默认中文）。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。产出语言默认中文——描述内容（动作/场景/光影/声音）用中文书写，字段名、标签、占位符保持英文；仅当用户明确要求英文时才走英文产出。 compatibility: 纯文本产出、零 API 调用，可移植到任何能读取本地文件的智能体。

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。

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 `<Picture N>` 只出现在 `subject_definitions`（来源声明）与真正的首帧 / 末帧 / 关键帧锚定——`summary` 与 `detailed_description` 里一律不出现 `<Picture N>`，剧情一律用 `<Subject N>` 讲。

• 成因（2026-10-08 用户指出，此前已翻车三次）：<Picture N> 一旦出现在 detailed_description 里，模型会把它当成锚点帧 / 构图锚对待，构图被拉回那张图的取景；summary 里用它讲剧情同理。
• ✗ <Subject 1>——<Picture 1> 中的少女——立在床边的地板上 ｜ ✗ <Picture 1> 中少女的面容与整套汉服在这一刻清晰可见 ｜ ✗ summary 写 人物身份与造型均来自 <Picture 1>
• ✓ <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；参考关系只在 subject_definitions（<Subject 1> 是 <Picture 1> 四视图角色卡中的少女…）与 retention_analysis 里说清。
• 机械自检（交付前必做）：把 summary 与 detailed_description 两段抠出来数 <Picture 出现次数，应为 0。

python - <<'PY' 不方便时就用肉眼按段核查；两段之外（subject_definitions / retention_analysis / 交付说明）出现 <Picture N> 是正常的。

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）。

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。

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：

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——说话人错位（角色 A 在画面中说话，音频已切到角色 B）是 Ref2VA 带音频时最常见的失败点。

• 音频优先（Audio-first）：先用 Whisper（faster-whisper，模型 small）获取每条语料起止时间戳与说话人 ID（S1/S2）。同一说话人连续语料合并为"话轮"，话轮间隙即自然切分点，[Shot N] At MM:SS.mmm 锚定到话轮边界。Whisper 可能听错数字/人名；时间戳可靠，内容用用户原始文本。
• 粗对齐，不要紧对齐：分镜切点大致匹配说话人切换边界（±0.5–1s），不逐帧绑定。
• 硬规则——禁止说话人错位：核对每个 [Shot N] 时间区间与实际发声说话人一致。

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)

• 对白 / 歌词必须使用 `<d>[Language] ... </d>` 标签（铁律）：说话人身份、ID、动作与语气放在 <d> 之外；<d> 内部只放语言标签与逐字原始口语——不翻译、不改写、不追加英文翻译。示例：<d>[Chinese] 今天的星星，好像比昨天暗了一点点。</d>
• 音频复用模式（fully_copy）——绝不再合成：<Audio N> 作为最终音轨复用时，只描述谁说话、何时说话、口型跟随音频；不添加语气/韵律/停顿/情绪指令（会触发再合成导致语音糊掉）。
• 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。
• 提示词正文内不使用 markdown 装饰符号（2026-10-01 用户定规）：**加粗**、# 标题、- 列表、表格、反引号等一律不写进实际发送的提示词块。理由两条：① H3 的格式契约里没有 markdown 强调这一项，模型把这段当纯文本读，** 属于官方规范明确要求剔除的"装饰性标点"（remove repeated tildes, emoji, bullets, and repeated or decorative punctuation）；② 虽说 token 代价极小（实测 15s 提示词里 46 个 ** 仅约 46 tokens、占 1.2%），但"契约里没有的东西别塞进去"——它要么被无害忽略、要么变成句子流里的噪声，两种都不划算。
• 强调改用「语序与句位」：把关键名词放句首、把结构逐条写死、跨镜元素每镜各写一遍——效果比符号稳。
• `.md` 交付文件里、提示词块以外的加粗可以保留（节奏表 / 编排说明 / 素材清单 / 提交建议），那部分不参与发送，纯为阅读。
• 写完后自检：sed -n '/^\\\text/,/^\\\$/p' 文件 | grep -c '\*\*' 应为 0。

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

• 分镜（Shot）：最小叙事/视觉单元，等价于 [Shot N]，由分镜设计任务决定切分。
• 批次（Batch）：一次 H3 生成单元 = 一组符合本 skill 结构的提示词，可含多个分镜（≥1）；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（5s / 10s / 15s 或用户指定值）。
2. 视频提示词步骤只负责打包：把设计好的分镜按时长累加归入批次（同批之和 ≤ 上限），不重切分镜。仅当分镜设计期就超上限时做「机械分段」（Shot 3 → 3a/3b），不改创意内容与音频时序。
3. 参考图只用占位符，禁止写路径/目录：<Picture N> / <Video N> / <Audio N>；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：batch_01.md、batch_02.md…，内含该批次全部分镜提示词 + 端口/顺序/时长/分辨率设置建议。
5. motion-context 在连续批次的衔接边界问：启用则衔接处中间 22 帧重复（22÷24fps ≈ 0.917 秒），第一段时间标注不变、第二段及之后整体后延 0.917s。它不是「切分单镜」闸门。
6. 批次自含——提示词内禁止跨批引用（见下一节）。

批次自含 —— 禁止跨批引用（2026-10-01 用户反复纠正 · 铁律）

H3 每个批次都是独立生成：模型看不到上一批的成片，也不知道存在"上一段"。任何指向前一批的措辞都是无效文本，且会让本批丢掉关键状态（写"承接上一段的高速飞行"，模型既接不上、也没被告知"他此刻在飞"）。

禁止写法（提示词块内一律不出现）：

• 承接上一段的高速飞行 / 承接上一段 / 延续上一段 / 接着上一镜 / 如上 / 同上
• 双翼自上一段展开后持续保持展开（把他批的结果状态当成本批的前提）
• 承接上一段的音色 / 电子脉冲（overall_soundscape / non_diegetic_music 里同样禁）

正确做法——把上一批的「结果状态」改写成本批能独立表述的「开场状态」：

判据一句话：把"上一段"这三个字删掉后，这句话还能不能独立成立？不能 → 重写成本批自己交代的画面。

• 例外：retention_analysis 里的 (出现于 [Shot N]) 是本批内部镜号索引，正常写法，不属跨批引用。
• 批次之间的实际衔接（硬切/角度区分/是否挂首帧图）属分镜设计，写在批次文件的块外说明里，不进提示词块。
• 顺带自查：承接 / 上一段 / 上一镜 / 如上 / 延续 这几个词，写完 grep 一遍，块内应为 0。
• 反向同样禁（2026-10-01 二次踩坑）：下一段 / 下一镜 / 下批 / 作下一段首帧 也是跨批引用——告诉模型"这个视频要为下一段服务"，而模型不知道下一段。末帧图只写「视频以 `<Picture N>` 为末帧收束」；它要作下一段首帧这件事，写在批次文件的块外衔接说明里。同理禁写「该图同时作下一段首帧」「为下一段留出起手」。

否定式描述禁用令（H3 没有负面提示词）

H3 没有负面提示词字段，也不理解「没有」。写「没有什么」会让那个东西更容易出现——模型抓住名词就画出来。

硬规则：

1. subject_definitions、retention_analysis、detailed_description、overall_soundscape、non_diegetic_music 里禁止裸否定（no X / without X / never X / X-free / 不要偏灰）。
2. 要去掉某个元素，删掉提到它的整句，而不是补一句否定。
3. 表达「空/无」改正向状态描写：no cars on the street → an empty street。
4. 纠正颜色/风格只写正向目标值（bright pale ice-blue），不写「不要偏灰偏绿」。
5. 一个分镜只描述这一个分镜要展示的那一样东西，不捎带别的卖点（实测：胸标镜头顺带写拉链，模型生出「手摸门襟/拉拉链」动作）。
6. 写完全局自查 no / never / without / -free / 不 / 没有 / 无，命中按两级判定复核，不要一律删。
7. 交付前必须过「否定式闸门」（机械检查，见 `references/negation-guard.md`）：不/没有/无 + 运动或状态词 = L1 硬拦，一律改写成正向句；

不要用朴素的字符级子串拦截（见到"不"就拒会误伤"不同位置""不仅"）——必须"词表 + 白名单"两级判定。

两级判定：裸否定（禁） vs 替换式否定（安全）

• 裸否定＝点名不想要的东西却不给替代物 → 禁（模型抓名词就画）。
• 替换式否定＝「弃用旧属性 + 显式指定新属性」，结构固定为先点名旧属性、紧跟「改为/换成/而是」给出新属性 → 安全，实战有效。

判据一句话：否定后面有没有紧跟「改为 / 换成 / 而是」？有 → 安全；没有 → 改掉或删掉。

正向形容词不算违规：matte、flat、plain、clean、quiet、bare、empty 是正向写法；被禁的是「no / never / without + 名词」指名否定。

「恒定陈述」也归硬拦（2026-10-05 运镜测试补充）

保持不变 / 固定不变 / 始终不变 / 全程不变 / 恒定不变 不属"点名旧属性"那一类，但同样以否定兜底—— 语义上没给出该维度的取值，读起来仍是"某个可以变的东西"。

⚠️ camera DSL 的 negative clarifier 必须按本表转写——The camera stays in place. / with no shake / does not turn / The focal length stays the same. 这些英文否定句直译就是裸否定。完整对照表见 references/negation-guard.md §三 与 references/camera-and-lora.md §一。

待验证假设：稳定镜头里写"不晃动"，可能反而诱发抖动（提到 X 会提高 X 的出现概率）。目前无可靠量化指标（相机抖动只能目视），要验证只能做同镜同种子对照。

参考图含「同物体多状态 / 多实例」→ 按位置拆 subject（Ref2VA 铁律）

一张 <Picture N> 参考图里若出现同一个物体的两种或以上状态并排（如一把折扇同时画了「收拢态」和「展开态」、同一角色两套服装并排、同一道具正/侧两面同框），绝不能把它写成单一 `<Subject M>`：模型会在图里看到多个实例，于是自行"补出"一把多余的扇子 / 一件多余的道具。本会话实测：单一 subject 指向同一张含两态的图 → 成片凭空多生成一把扇子。

硬规则：

1. 每个状态各定义一条独立 `<Subject M>`，并显式锚定它在图里的位置（left / right / top / bottom / front / side）。

• ✅ »<Subject 3> is the closed merged form of the folding fan — the shut fan shown on the LEFT of <Picture 3>: its folded ribs and closed silhouette follow the left merged-state fan in <Picture 3>; this subject is the fan BEFORE it opens.«
• ✅ »<Subject 4> is the fully opened form of the same fan — the opened fan shown on the RIGHT of <Picture 3>: its spread ribs and surface artwork follow the right opened-state fan in <Picture 3>.«
• ❌ »<Subject 3> is the elegant folding fan whose shape and artwork come from <Picture 3>«（单一 subject 指向含两态的图 → 必多生一把）

1. 叙事衔接写清"态→态"转换：让前一 subject（闭合态）射出 / 演化成后一 subject（展开态）；尾帧若复用某状态的图（如 Picture 4 = 展开扇满屏），明确写 the opened fan of <Subject 4>，不要笼统写 "the fan from <Picture 3>"。
2. `<Subject N>` 与 `<Picture N>` 是两套独立命名空间：可同时有 <Subject 4> 与 <Picture 4>，互不冲突；歧义全靠"位置锚定"消除。
3. 该纪律适用于一切"一图多体"：同角色多套服装并排、同道具正/侧视并排、同道具双态（如剑的 不发光态 / 发光态、扇的 收拢态 / 展开态）、同武器多形态等，一律按位置拆 subject，并在各自定义里注明"何时用哪一态"。

隔空操控 / 非接触施法 的动词纪律

描述"施法让道具自行飞出 / 展开 / 旋转"时，手势动词决定模型是否画出"手握道具"：

• ✅ 用 point / extends a finger and points a light gesture toward X / a single finger forward —— 表达"隔空一点"，手与道具不接触。
• ❌ 用 flick / 挥 / 弹 / gives X a flick —— 模型理解为"手触道具并拨动"，会生成角色握住道具的画面（本会话实测：写"轻轻一弹扇子"→ 成片里手抓着扇子）。
• 配套写法：扇子/剑等出场用 launches off on its own / streaks through the void / snaps open on the wing，强调"自行"而非"被手握着动"。

手势粒度不可控 —— 精细手部动作会被抹平（2026-10-01 实测）

H3 不解析手指数量 / 手形：写 双指并拢 / two fingers held together / 捏诀 / 剑指，成片仍恒定渲染为"单指伸出向前一点"。

• 实测：片头 S1S2 写「另一只手双指并拢向扇子用力一点」，两次实跑均为单指一点。
• 硬规则：非接触施法 / 指物一律用最粗的手势语义（a single finger extended forward, pointing），不要指望措辞区分手指数量或捏诀。
• 要表达"更用力 / 更郑重"：改从身体层面加码——侧身（turns his body to one side）、沉肩、袖袍甩动、下颌与眼神，或加强光效强度（蓄能更亮、法术核心更炽烈），而非抠手指细节。

风格统一 / 长镜合并 / 参考链 实战要点

• 统一风格做全量替换 + 残留自查：切换整体画风（如写实→超现实赛博朋克）时，旧风格词（如 pure white void）要整段替换，再 grep 自查无旧词残留——局部替换会留尾巴导致风格串味。
• 长镜合并前先确认显存预算：单条长镜头在设备显存上限内可合并（如 5080 16GB 上 13s / 328 帧跑完余 ~9GB，无需机械分段）；只有超预算才拆批。合并后若中段注意力漂移（细节弱化 / 悬空物体不稳），再回退分段。
• 参考图只用原始真源：身份走四视图卡、服装走设计图，不拿 AI 生成中间稿当参考图——级联派生会让油感逐级累积、一致性逐级漂移。

单条时长承载量 —— 别把动作塞过量（2026-10-01 实测）

• 经验值：5s 单条约承载 2 个动作节拍（≈1 次转场/穿场 + 1 次主体揭示或跟随），即 ~2.5s/拍。塞第 3 个独立动作，模型会来不及做、停在已有状态里收尾。
• 实测：片头 S3（5s）写了 ①穿扇面 ②后拉揭示主体平飞 + 侧前方跟拍 ③拧身起转——前两拍出来，第 3 拍（转身）完全不呈现，成片一直停在飞行态。
• 换算：节拍越多、单拍时长越宽（长镜施法段可 ~3–4s/拍）；要"多一拍"就得给足时长——S1S2 要 15s 才够 4 拍，S4 合并到 10s 走 ~4–5 拍。
• 对策（二选一，别硬塞）：①删掉最不关键的那一拍；②把该拍单独拆成一段、给足时长。

参考命名与保真度 纪律（2026-10-01 用户纠正）

• 不写内部状态词：给参考资产命名时直接写名字——天鹅翼 / 冰雷剑 / 年轻男性 / 深靛紫长氅；不要写「定稿 / 最终版 / 第 N 版 / B 款」这类项目内部状态词，模型不理会「定稿」。示例改写：<Subject 3> 是<Picture 3>（天鹅翼定稿）的机械双翼 → <Subject 3> 是<Picture 3> 中的天鹅翼。资产类型（四视图卡 / 设计图）可保留，但同样不必写成「（…）」括注。
• `fully_preserved` 只是保真声明，不控制形变 / 硬度：规范定义 = 该参考的「定义特征在成片里被完整保留」（与官方示例里"狗的毛/耳/尾 are retained"同机制），不含"硬 / 固定 / 不动"语义，不会把机械翼、道具"僵化"。要「柔韧 / 弹性 / 轻灵」的观感，改的是 `detailed_description` 的动作与材质用词（加回弹、颤动、尾缘轻摆、轻若浮羽等），不是把 fully_preserved 降级为 partially_preserved（后者反而让形态漂移）。

跨镜持续元素必须「每镜再点名」（2026-10-01 实测）

H3 按镜生成：只写一次「出现 / 展开 / 亮起」的元素，会在后续镜头里丢掉——模型把它当成那一镜的一次性动作。规范 §4 明文："Continue using the same label in later shots without redefining what the label represents."

• 硬规则：要跨镜持续的元素（翅膀、披风、光环、手持道具…）必须在三处齐全——① subject_definitions 定义里写明"展开 / 出现后各镜持续保持"；② retention_analysis 的 (出现于 [Shot …]) 覆盖全部相关镜；③ 每个镜头的 `detailed_description` 正文里再次点名该 `<Subject N>`。只做①②、正文漏点名，模型照样会在那一镜丢掉它。
• 实测：S4 只把 <Subject 3> 翅膀写在 [Shot 1]（展开），[Shot 3] 正文完全没点名 → 后段翅膀消失（用户实测反馈）。
• 顺带绑定身体：贴在角色身上的持续元素（翼、披风）要写"翼根 / 根部与背部相接、随身体动作摆动"，否则会被当成游离物飘走。

大型附属物必须写「显式尺度倍数」（2026-10-01 实测）

只写"展开双翼 / 翼板铺开"，模型会按人体配件的比例去渲染 → 翼偏小、贴着背像装饰件。要它有"巨大感"，必须在 subject_definitions 里给出可量化的倍数关系，并在正文各镜补一处画面占幅参照。

• 写法：单侧翼展与他身高相当，展开后两翼总跨度约为他身高的 2.5 倍，翼尖向外远远越过他的头顶与腰侧的轮廓之外，双翼面积约等于他身体面积的数倍——他整个人被展开的双翼挟在中间、显得小巧。
• 正文补参照（每镜一句，别只写在定义里）：翼尖直接冲出画面左右边缘、翼面高出他的肩背许多、单片羽板弦长比躯干还宽、双翼掠成两片巨大的白色光面。
• 仍偏小时的退法：① 机位放宽、直接让翼尖出画（"出画"本身就传达"大到框不住"）；② 倍数往极端写（"接近身高的 3 倍"比"略大于身高"更易被采纳）。
• 同理适用：披风拖尾、光环、法阵、巨剑等一切"本该压过人体体量"的附属物。
• 特写镜必须把「接入点」框进画面（2026-10-01 实测）：纯翼面 / 纯道具的局部特写里没有身体参照，模型会把附属物移栽到错误部位——实测翅膀"像长在手上"。修法：① subject_definitions 写明"根端嵌入哪个解剖部位（肩胛骨 / 背部）、与身体连成一体"；② 局部特写改成背视 / 过肩机位，画面下方或边角始终带到接合处（肩胛 + 一截背幅 + 颈后发丝）；③ 若仍错位，把接合处放在画面上三分之一、并让肢体（双臂双手）离开附属物所在区域入画。

道具交接 / 朝向 / 破坏形状 的三条写法（2026-10-02 实跑修正）

成片反馈出三类一致性错误，成因都是只写了结果、没写结构与次序：

通用做法：

1. 道具定义里就给出部件次序（自下而上 / 由近及远），并写明握持部位：他握持时手指收拢扣在护手下方那一段短握柄上，剑身自护手之上向前伸出、与手掌分开——避免"握住剑身"这类错握。
2. 朝向一律用"次序 + 最高/最低/最远点"表达，不要只写"朝上 / 朝下 / 指向 X"。
3. 破坏结果 = 攻击形状的镜像：斩击是几道、什么交叉角度，裂口就是几道、什么交叉角度。
4. 抽象施法动作建立不了因果（2026-10-02 实跑）：写"持扇手臂轻轻一送 → 空气被撕开"，成片裂口根本没出现。模型不知道这个结果是谁、怎么造成的。必须给四步：

• 起势（举过头顶 / 抬臂蓄势）——让动作有来源
• 轨迹（自上下笔直一劈）——把"一送"换成有方向、有落点的动词
• 中间态（关键）（划过之处先裂开一道细细的朱红光线）——从无到有的结果会被模型整段跳过，必须先有一个可见的中间态
• 结果（沿这道线自上而下撕开、张开成竖直裂口，走向 = 挥劈轨迹）

并在后一镜回指一句"这道裂口就是方才那道朱红光线张开后的样子"，把中间态与结果锁成同一件事。 判据：把动作词盖住，还能不能看出这个结果是谁造成的？不能 → 补起势与中间态。

特效类元素必须给「结构层」，不能只给颜色（2026-10-01 实测）

剑气 / 刀光 / 光束 / 火焰 / 能量波这类特效，只写颜色词（"冰蓝发光 + 紫色电弧"）会被渲染成一条纯色光带或一块光斑——有色彩、无质感，用户反馈"只有颜色、不够酷炫"。必须按"层"来写，每层给一个画面里能直接找到的名词。

• 六层写法（以剑气带为例）：① 芯 = 一根最亮的白蓝光芯（中心线）；② 束 = 一束密集的锯齿状电弧光丝扭绞成带，电弧沿带身分叉、扭结、周期性跳出带缘（结构主力，代替单薄的一条边光）；③ 彩 = 蓝紫渐变 + 从带缘外跳的紫色分叉电弧；④ 壳 = 缠在带体上的半透明冰晶片层，转向时折射棱光；⑤ 屑 = 沿带飞散的尖棱冰晶碎片；⑥ 衰减 = 近端最亮、远端渐隐；另给宽度锚（近端 ≈ 武器宽）。
• "有结构"的最好来源是形态参考图：从一张已跑通的成品图里裁出特效局部当 <Picture N>（本项目道具纹样的继承就是这么做的），再配一句 形态与质感按<Picture N>。比纯文字堆形容词稳得多。
• 仍渲染成纯色光带时：把"束状锯齿电弧 / 冰晶片层 / 尖棱碎片"三样在正文里各写死一遍，或把该参考图提到参考列表第一位。

特殊标记 (Special Tokens · MiniMax Extra Tokens)

MiniMax-H3 分词器（基于 Qwen）保留的固定特殊标记，ID 已冻结——不要重新编号、改写或拼写错误：

标记内部只放逐字原始内容（对白/歌词加 [Language] 标签）；说话人身份、动作与语气放在标记之外。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（<Picture 1>、<Video 1>、<Audio 1>）贯穿每一段。
• 偏好具体的视觉与音频细节，而非 "cinematic"、"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。