Escrever o som num prompt do H3, e os três campos que decidem o que você ouve

A maioria dos modelos de vídeo trata o som como um segundo trabalho. O H3 não: imagem e áudio saem da mesma passagem, em 32 kHz estéreo, embrulhados num MP4 só. Não existe prompt de áudio separado nem chave para desligar.

A consequência prática é que se você não escreveu o som, você não escolheu ele. O modelo vai produzir alguma coisa de qualquer jeito, e o que ele produz na ausência de instrução é uma média plausível da cena.

O prompt estruturado tem três campos que carregam som

O formato de prompt que o H3 consome é um documento estruturado, não um parágrafo. Para trabalhos de texto, imagem e quadro-chave são três campos, sempre nesta ordem:

integrated_multimodal_description
overall_soundscape
non_diegetic_music

Eles não são intercambiáveis, e a divisão é a parte útil:

• integrated_multimodal_description carrega as tomadas — composição, sujeito, ambiente, ação, câmera, e qualquer coisa ouvida num momento específico, com marca de tempo: At 00:04.500, the door latch clicks.
• overall_soundscape é a ambiência e a foley do mundo. Som do cômodo, chuva, trânsito ao longe, a geladeira. Coisas que valem para o clipe inteiro.
• non_diegetic_music é a trilha — fora da cena, que ninguém dentro dela ouve. Estilo, instrumentação, andamento, e como o clima se move.

O último é onde vive o erro mais comum. Descrever uma trilha dentro do campo de ambiente sonoro pede ao modelo uma música que existe no cômodo, e o que você recebe soa como se estivesse tocando numa caixa de som logo fora do quadro. Se você quer trilha, diga isso no campo da trilha.

Escrever non_diegetic_music: none é uma instrução legítima e pouco usada. Material com cara de documentário quase sempre pede isso.

O diálogo tem uma sintaxe

Esta é a parte difícil de descobrir e que muda o resultado na hora. As falas são marcadas com um identificador de quem fala, um idioma e uma nota de interpretação:

(S1) speaks softly, [English] Follow the wind, live free.

Três coisas estão trabalhando ali:

• (S1) é um ID estável de quem fala. Reutilize e a voz permanece a mesma ao longo das falas; introduza (S2) e você ganha uma segunda voz, distinta. É assim que um diálogo de dois se sustenta.
• [English] define o idioma falado. Onze são suportados de forma confiável: alemão, árabe, chinês, coreano, espanhol, francês, inglês, italiano, japonês, português e russo.
• A nota de interpretação antes do colchete — speaks softly, level broadcast delivery, shouting over traffic — move a atuação mais do que qualquer quantidade de adjetivo na descrição visual.

Uma regra que derruba quem escreve em outro idioma: a orientação oficial é escrever o prompt reescrito em inglês, mas deixar diálogo, letras de música e qualquer texto visível no quadro no idioma original. Uma fala em alemão continua em alemão dentro dos colchetes; a descrição em volta dela é em inglês.

A mesma regra vale para as letras que a câmera enxerga, e vale dizer isso à parte porque a falha é silenciosa: nomeie um idioma e o H3 renderiza o texto na tela nele, não nomeie nenhum e ele pega um da cena. É assim que um briefing em inglês volta com um cartão final em chinês — medido quadro a quadro em o que o MiniMax H3 faz com o texto que você não nomeou.

Um exemplo trabalhado

Aqui está uma tomada de telejornal escrita do jeito longo. Não é complicada — é só completa.

integrated_multimodal_description:
[Shot 1] Locked-off medium shot, chest up. A presenter sits at a dark
news desk, studio key light from camera left, out-of-focus screens
behind her. She looks straight down the lens and delivers one line.
At 00:00.800 she begins speaking. At 00:03.200 she pauses, then
completes the sentence.
(S1) level broadcast delivery, [English] The vote came in just after
midnight.

overall_soundscape:
Room tone only. Faint air handling. No audience, no paper, no
keyboard.

non_diegetic_music:
None.

As duas restrições que mais importam são a última linha de cada um dos dois últimos campos. «Room tone only» e «None» são o que impede o modelo de compor a tomada e acrescentar um burburinho de redação que você não pediu.

As regras que a orientação oficial de fato cobra

Cinco, e vale conferir o seu prompt contra elas:

1. Escreva a reescrita em inglês; mantenha diálogo, letras e texto na tela no idioma deles.
2. Descreva cada tomada na ordem composição → sujeito → ambiente → ação → câmera → som → o momento exato em que qualquer material referenciado aparece.
3. Sem resumos de enredo, sem tags de referência não resolvidas, sem tempos que não somem a duração pedida.
4. Todo detalhe tem de corresponder a algo visível ou audível. «Ela se sente insegura» não é um detalhe. «Ela olha para fora do quadro e não termina a frase» é.
5. Mantenha a ordem dos campos fixa.

A regra 4 é a que melhora tudo em silêncio. Um prompt escrito inteiro em coisas que um microfone ou uma lente conseguiriam registrar é um prompt que o modelo consegue executar.

Duas coisas que vale saber sobre o orçamento

Movimento de câmera são três partes, não uma. O léxico oficial é tipo de movimento + magnitude + velocidade — «slow push-in, small magnitude» em vez de «movimento de câmera cinematográfico». Linguagem vaga de movimento é de onde vem boa parte do borrão do vídeo gerado.

Você tem muito mais espaço do que imagina. O endpoint de criação aceita prompts de até 7.000 caracteres. Para comparar, a entrada de texto do Veo para em 1.024 tokens. Três campos escritos direito não chegam nem perto do teto, então não existe motivo para comprimir a descrição do som numa oração.

Escreva os três, e depois ouça o que volta: o gerador de vídeo com IA MiniMax H3 devolve os 32 kHz estéreo dentro do mesmo MP4, então não sobra nada para mixar depois.