MiniMax H3 動画からプロンプト
1 本見せれば、それに似たものを作れるプロンプトが返ってきます。3 項目すべて、H3 が期待する順番で。
構造化されたプロンプト
integrated_multimodal_descriptionショット · カメラ · セリフoverall_soundscapeそのシーンが出している音non_diegetic_musicまたは None。
文章ではなく項目に分かれた形で。タイムスタンプも引き直し済みです。
サンプルで試す： , , ,
当サイトでの最初の 1 本は無料です。カード登録も要りません。
動画からプロンプトが
実際に取り出すもの
キャプションではなく、プロンプトです。
あなたの映像
文章ではなく、項目として読み出す
MiniMax H3 の動画からプロンプトは、あなたの映像をフレームと音声の両方から見て、似たものを作れる構造化プロンプトを書き返します。カメラワークとタイムスタンプ付きの番号入りショットリスト、シーンの音、そして劇伴を、H3 が読む 3 つのラベル付き項目に分けて。汎用ツールが返すのは画についての一段落です。H3 は段落を受け取りませんし、あなたの映像がやっていることの半分は耳に入るものです。リンクを貼るかファイルを置いてください。毎週最初の 1 回はアカウント不要です。
- 映像を読むパス数
- 7
- 返ってくる項目
- 3
- 読み込める素材
- 60 秒以内
- タイムスタンプの合わせ先
- 4〜15 秒
映像を読むパス数
返ってくる項目
読み込める素材
タイムスタンプの合わせ先
- キーフレームの間引きなし
- 説明文の段落なし
- アカウント不要
参照映像から人が持ち帰るもの 5 つ
何を狙うかを決めると、どのパスが効くか、言い回しをどこまで詰めるか、そもそも文章のプロンプトが正しい手段なのかが変わります。
画づくり
GRADE
色・光・質感。何かが動き出す前の見た目です。
構図
FRAME
フレーミングと立ち位置。何がどこにあり、目がどう動くか。
動き
PATH
動きの段取りとカメラの軌道を、種類・振れ幅・速さとして書く。
音
MIX
高そうに感じさせているミックスを、3 つの層に分けて。
人物
WHO
画面に誰がいるか。そして、同意から始まる唯一の目的。
肖像の線引きは下に
ダンスの映像と香水の CM が同じ色づくりを共有していることはありますが、逆算する理由は正反対です。前者は動きのため、後者は光のため。抽出機で目的を選ぶと、そこに合わせて重みが動きます。
映像から項目へ：7 つのパス
抽出は、公式のプロンプトガイドが並べている順でショットを読みます。構図・被写体・環境・アクション・カメラ・音、そして参照されたものが正確にいつ現れるか。
カット
ショットが何本あり、どこで切り替わるか。
[Shot n] · At 00:0x.xxx
構図
画角とカメラの高さを、ショットごとに。
各ショットの冒頭に置かれます
被写体
知らない人が描き起こせる程度に具体的に。「30 代前半の女性、黒のショートボブ、オーバーサイズのグレーのトレンチコート」であって、「女性」ではありません。
被写体の記述
環境
場所、天候、そして光の向き。H3 は光を物理として扱うので、「美しい照明」より「画面左の窓から差す光」のほうが効きます。
環境の記述
アクション
実際に何が起きるかを、順番に。
アクションの記述
カメラ
H3 が実行する形で書きます。種類・振れ幅・速さ。「ゆっくり寄る、振れ幅は小さく」は届きます。「滑らかでシネマティックな動き」は届きません。実行できるものが何も入っていないからです。
カメラの記述
音
下に挙げる 3 つの層。他のツールが飛ばすパスです。
音の項目 2 つ ＋ セリフ
あなたの映像が出している 3 つの音
キーフレーム方式のツールは静止画を間引いて見るので、要するにあなたの映像をミュートで解析しています。
ここでの抽出は音を聴き、聞こえたものを 3 つに分けます。H3 がそれぞれを別の場所で受け取るからです。後ろの 2 つを見分ける基準は一つだけ——その音は、映像の中の人にも聞こえていますか。
セリフ
実際に喋っている言葉を、話者 ID・言い方・言語タグ付きで書き起こし、ショットの記述の中に収めます。
(S1) says warmly, [English] …
環境音
シーン自体が出しているものすべて。ひさしを打つ雨、まな板の上の包丁、二本向こうの通りの車。音源ごとに距離と、鳴る瞬間を添えて。
overall_soundscape
劇伴
観客にしか聞こえないもの。楽器編成、テンポ、盛り上がる場所と止まる場所。映像に何もなければ項目は None になります。それ自体が H3 の従う指示です。
non_diegetic_music
この分け方があるから、動画からプロンプトの結果には末尾に音の項目が 2 つ並びます。そして、それが無い結果はこのモデルを半分捨てていることになります。
30 秒の映像は 15 秒の時計に入りません
H3 が出せるのは 4 秒から 15 秒で、参照する映像はたぶんそうではありません。
元の映像30 秒 — 間を落として、見せ場を置き直す
H3 の出力24 fps で 4〜15 秒
タイムスタンプをそのまま持ってくると、公式が明示している規則に反します——指定した尺と矛盾するタイミングは弾かれます。そこで抽出側が引き直します。目標の尺を選ぶと、効いている見せ場（カット、動きの山、音のイベント）を残して間隔を置き直します。あるいは元素材から一区間だけドラッグして、そこだけを取るのでも構いません。緩い 30 秒より、締まった 4 秒のほうがたいてい上手く逆算できます。
検証から出てきた目安が 2 つあります。実際に動きが変わるショットには約 3 秒要り、静的な雰囲気のショットは 2 秒でもちます。つまり 8 秒でおよそ 2 ショット、15 秒で 3 ショットです。ピッカーは残した見せ場と落とした見せ場を表示するので、機械の趣味に拒否権を出せます。
フレームは 24 fps で H3 の 17n+5 グリッドに吸着し、引き直したタイムスタンプはコピーする前に、選んだ尺と突き合わせて検査されます。
動画からプロンプトが向いていないとき
残したいならファイルで、作り直したいならプロンプトで。
学びたい
この映像はなぜ効いているのかこのページ
似たものを作る
その精神を汲んだ新しい 1 本このページ
残す
フレーミング・光・音をそのまま残す参照素材から動画
変える
実素材の声を差し替える・続きを作る動画から動画
上げられない
他人の素材、社外に出せない素材このページ — 唯一の道
プロンプトは記述であり、記述はわざと情報を落とすものです。なぜその映像が効いているのかを学びたい、あるいはその精神を汲んで新しい 1 本を作りたいのなら、落ちること自体が狙いです。元のフレーミング・照明・音をそのまま残したいのなら、記述をやめて 映像そのものを H3 に渡してください。参照モードは、書き直しでは近似しかできないものを保存します。実素材の声を差し替えたり続きを作ったりするのは 動画から動画 の仕事です。
プロンプトが唯一の道になるのは、素材をそもそもアップロードできない場合です。他人の映像、外に出せない素材。自分で書いた記述は、コピーには決してならない意味で自分のものだからです。
他人の映像を作り直す：線引きはどこか
作風は保護されません。特定の作品は保護されます。
- 作風その映像がゴールデンアワーの光とゆっくりした寄りに頼っている、と学ぶのは構いません。
- 特定の作品それと分かる作品をショット単位で再現するのはいけません。
- 実在の人物実在する特定の人物を書き起こしてモデルに入れるのも、同じくいけません。
- 音楽雰囲気と楽器編成を書いてください。特定の曲を組み直さないこと。
- ロゴと商品映像の作り方に関係なく保護されます。出てきたものが他人の仕事と分かる形になるなら、先に相手に確認してください。
参照する映像を MiniMax H3 のプロンプトに変えるまで
間引いたキーフレームではなくフレームと音声を読みます。音がそれ自体の項目として返ってくるのはそのためです。
URL を貼るか、映像をアップロード
60 秒・50 MB まで。直リンクでもファイルでも同じように動きます。
60 秒以内・50 MB 以内7 つのパスを走らせる
カット・構図・被写体・環境・アクション・カメラ・音を、別々に読みます。
7 つのパスショットリストと音の項目 2 つを読む
セリフは話者 ID・言い方・言語タグ付きで書き起こされ、環境音と劇伴は分かれたままです。
公式の項目順引き直したプロンプトを受け取る
タイムスタンプは元の映像の長さから 4〜15 秒の目標へ引き直されるので、そのまま生成にかけられます。
4〜15 秒へ引き直し
アカウントなしで週 1 回、ログインすると週 3 回。それ以降は 1 回 5 クレジット。
動画からプロンプトについてよくある質問
12 問 · すべて表示 · 折りたたみなし