MiniMax H3 的文字不是乱码，是你截在了动画中途

关于 AI 视频里的文字，标准建议是：别让模型写。出无声片，拿进剪辑软件，字自己打。Google 第一页的教程说的都是这一套，理由也是同一个——视频模型是把字母当纹理画出来的，不是拼出来的，所以字会漂，一帧一个样。

我拿这套说法去对 MiniMax H3 试了一遍，发现建议漏掉了一件事。

我抽了六条公开的样片，一帧一帧地看过去。这六条里一共有 22 处是提示词点过名的画面文字。等它们各自停下来之后，22 处全部拼对——包括一个游戏菜单、一张装备列表，还有一张带副标题的双行标题卡。

同样这六条片里，也确实有大量彻底的乱码。而其中两条里还有一件更奇怪的事：没人点过名的文案，模型自己写了出来，而且每次出现都拼对。把这两种情况分清楚，比那个标题有用得多，因为它直接告诉你自己手上哪几个镜头是安全的。

一帧「乱码」的 MiniMax H3 实际长什么样

同一条片里的同一块菜单面板，相隔半秒。上面这帧在 2.458 秒，下面这帧在 2.958 秒：

上面那帧，就是被人配着「AI 连字都拼不对」发出来的那种截图。第二行是上一行糊掉的、半成形的复制品。它看起来是坏的，因为它确实是坏的——坏了大约十分之四秒，也就是面板把第二行写进去的那段时间。

然后它就定成了 CHRONOS CLAW，之后一直没变。

我数了帧。面板在第 56 帧出现，第 103 帧离开。第二行从第 56 帧到第 65 帧不可读，从第 68 帧起干净。24 fps 下，这是两秒面板里的 0.4 秒窗口——大约五分之一的出场时间看起来像拼错了，而它不是。

这件事比听上去要紧，因为「五分之一」并不是你撞上它的真实概率。拖时间轴的时候，你会停在正在发生什么的地方，而正在发生什么的那些帧，恰恰就是文字还没稳下来的那些帧。拖动这个动作本身，是偏向瑕疵的。

所以第一条规则是流程上的，不是创作上的。 判断文字，要在没有东西在动的那一帧上判断。抽封面图的时候，要等卡锁定之后再抽——不然这个瑕疵就是你自己发出去的，然后被别人截图。

你把字串写出来，MiniMax H3 就会把它拼对

下面这个发现，会改变你写提示词的方式。

下面这张图的上下两半，来自同一条片、同一次生成，相隔十秒：

上半是清楚的。MINIMAX、RIGHT ARM EQUIPMENT、PHANTOM GRIP、CHRONOS CLAW——全对，而且那些面板在滑动，镜头也在动。

下半是一整条挂满霓虹招牌的街，上面没有一块牌子是个词。同一个模型、同一条片、同一个种子，十秒之后。

提示词把这件事解释得干干净净。它点了十个字串的名，回来的结果是这样：

十个中十个。至于那条街，提示词只要了一座赛博朋克城市，一个字都没说牌子上该写什么——所以模型做了它唯一能做的事：画出牌子形状的纹理。

对手那些教程量到的，就是这同一个行为。他们只是从来没把两种情况分开。「文字是被当纹理渲染的，不是当符号」，用来形容一片提示词从没为它写过文案的背景，是准确的。用来形容一个你亲手交给模型的字串，就不是了。

同一条片里还有第三种情况。提示词要了一个网格，「显示手部、前臂、肘部、上臂各组件」。它描述的是组件，从头到尾没给过一个标签字串——回来的网格是一排图标，下面一个字都没有。不是糊，是没有。

到这里为止，规律看起来是「点了名的会拼对，没点名的不会」。我一直是这么认为的，直到我去看了一条产品片，然后发现这条规律是错的。

那些没点名、却完全正确的文字

再看两条片。它们都没有点名你即将读到的那些字：

上面这帧来自一条夏日饮料广告。它的整条提示词就是一句话——一个骑手穿过山城，「打开一瓶柠檬气泡饮」，漫画画风。没有品牌。没有标签文案。引号里什么都没有。

模型自己造了 BRIGHTSIP，把它印在瓶子上，然后在同一帧里四个不同角度的四张标签上全部拼对，九秒之后的英雄镜头上还是对的，尾卡上又出现一次——而且那张尾卡上它还自己造了 TASTE THE SUN 这句标语，同样拼对。曲面玻璃、尺寸在变、镜头在动，这个词一次都没崩。

下面这帧是一条照片级的座椅广告。它的 HUD 注记是不可读的糊块——而同一条片的尾卡上，八个汉字一个不差。

两半都是没点名的文字。一半完美，一半是噪音——所以，点名足以让一个字串被拼对，但点名不是决定它会不会被拼对的那个东西。决定它的是：这个字串在这一镜里有没有职务。一场产品揭示，瓶子上没有牌子就不成其为产品揭示，所以模型自己补一个，并且认下它。而一片技术读数是布景，里面没有哪个词单独有意义，所以模型画的是「读数的纹理」。背景里四十块霓虹招牌，和 HUD 是同一种情况。

点名不是打开拼写的那个开关。点名是你把选择权从模型手里拿回来的方式。 放着不管，H3 会替你的产品起名——BRIGHTSIP 是一个相当不错的发明，只是它不是你选的，你没法给它下 brief，下一条片也不会再给你同一个。

同一件事，在照片级画面里又发生了一次，而且整份文案都是模型写的

BRIGHTSIP 是一条漫画风片子里的一个词，很容易被一句「那是画出来的」打发掉。所以下面这个案例是不好打发的——一条烤鸭产品片，上面每一个字都是模型自己写的：

这不是画出来的。这是一条照片级的食品广告——影棚灯、湿润的高光、一块带反射的石板。而它的提示词是 655 个字符，一个字串都没点名。它点名的是一门语言：

Use clean, lightweight sans-serif typography throughout, with generous negative space and a consistent visual system. All Bahasa Indonesia text must be spelled and rendered correctly.

模型自己写了这支广告。五行，全部印尼语，全部正确：Memperkenalkan（隆重介绍）、Kulit Sempurna（完美脆皮）、Rasa Pro.、Bebek Panggang.（烤鸭）、Beli Sekarang（立即购买）。它连 brief 都一起译了——提示词里写的是英文的 "Peking duck"，尾卡上给的是 Bebek Panggang。

从这里掉出来两件事，而且它们比这条片本身更重要。

「照片级」不是那个变量。 我原本以为我量到的那些正确标签之所以正确，是因为它们是画出来的——平贴的字形，模型画上去就行，不用给它打光。可这条片和那条 HUD 糊成一片的座椅广告一样是照片级的，而它的文字是完美的。把两者分开的，不是渲染风格。

你可以只指定语种，不指定词。 这件事很要紧，因为你拿到的文种，不会自动就是你写的那个文种。那条座椅广告的提示词，是用英文点名它的尾卡的——"Inspiration and Comfort Online Simultaneously"——而模型给出的是 灵感与舒适同时在线，中文的对应说法，而且拼得完全正确。正确，但不是被要的那个。一行点明语种的话，就是这个问题的全部解法。

字号并不是大家以为的那道门槛

这个话题下被引用得最多的一个数字是：字高低于大约 40 px 就会糊，因为模型没有足够的像素去拼字。

在这六条片上量下来，这条不成立。MiniMax 那条预告片样例里的过场卡是 1280×720 画面里的 29 到 30 px 字高——在门槛之下——而 THE MISSION WAS A LIE 是拼对的。START NEW GAME 量出来 42 px，也是对的。

我找到的最小的正确字串还要更小，而且就在那条照片级的片子上：Rasa Pro. 是 1698×720 画面里的 22 px 字高，占画面高度的百分之三，干干净净。而且它也没人点过名。

小字确实更难。但在这个模型上，决定一个字串会不会被拼对的，不是它有多高。

怎么点名一个字串，它才会被写出来

具体是四件事，全部来自真正跑通过的提示词：

1. 加引号、用大写、原样写出你要的那几个字。 Cursor clicks "CONTINUE" 是能用的写法。把一个按钮描述成「一个继续按钮」，你给模型的是一个形状，不是一个词。
2. 说清它在哪。 "Right side displays game menu UI"、"Top left displays player profile"。有位置的文字是场景里的一个物件；没位置的文字是装饰。
3. 把字形处理和文字内容分开写。 MiniMax 那条预告片提示词花了 90 个词只讲处理——字距、辉光、「字体不是纯白」、怎么入场。这 90 个词一个字串都没点名，但正是它们让那些被点了名的字串看起来是被美术设计过的，而不是打上去的。
4. 就算不点词，也要点语种。 "All Bahasa Indonesia text must be spelled and rendered correctly" 就是那条烤鸭片里全部的文字指令，回来的每一行都是印尼语。不点，你拿到的就是场景暗示出来的那一种——英文 brief 出中文尾卡，就是这么来的。

还有一条推论，这条才是真正省钱的：一块没点名的招牌，从来不是中性的。 上面写了什么，总归是被什么东西决定了的；如果决定它的不是你，那就是模型——要么是一片你得靠构图避开的纹理，要么是一个你从此得跟着过日子的品牌名。

MiniMax H3 的文字渲染还在哪些地方会坏

三条诚实的限制，全都能在上面那几条片里看到。

能拼对不等于能排版。 再看一眼对比图的上半：CHRONOS CLAW 出现了两次，占了上下两行。每个字母都对，而这张列表是错的。这个模型是一个可靠的排字工，和一个不可靠的界面设计师，这是两个问题。

布景会一直是乱码，而且「靠点名解决」是有上限的。 你可以点名那三块真正要紧的牌子。你点不了四十块，而一条密集的城市街道需要四十块。

只有一格我填不上：照片级画面里，曲面上的文字。 这里有两个变量在动，值得把它们分开，因为这个话题下的大部分说法都把它俩揉成了一个。

烤鸭片排除了「照片级是问题所在」。BRIGHTSIP 排除了「曲面是问题所在」。这两条都没有排除两者叠加，而且有一个物理上的理由让人预期这个组合才是难的那个：一张手绘标签是模型往玻璃上画的一个形状，而一张照片级的标签，模型得在每一个新角度上重新投影、重新打光。

我专门去找过这种案例，案例库里没有。102 条里，提示词真的写了「ultra-slow rotating close-ups」的那条照片级片子就是这只鸭，而鸭身上没有标签。做照片级瓶身镜头的创作者报告说，标签从第一帧起就在崩，图生视频和参考生视频都救不回来。我没有复现过，也不打算拿别人的截图去断言——但那确实是这条规律最可能停下来的地方，而且如果这个镜头是我的，那就是我第一个要测的东西。

这些都是精选过的样例。 六条里有四条是 MiniMax 自己的展示，另外两条是同一个库里的社区投稿，所以它们代表的是好的一天而不是平均的一天，22 比 22 也不是一个你该指望复现的数字。挺过这层选择偏差的是那个规律，不是那个分数——而它之所以挺得过来，一部分原因恰恰是那些乱码就摆在同一批精选片里。真要挑好的说，没有哪家会把那条街也一起发出来。

那一个必须每次都对的字串

点了名的字串会被正确写出来，但它们仍然是一次生成。这一条对，不代表下一条也对；而如果这个字串是你的品牌、你的产品名或者你真正的片名，「通常是对的」不是一份规格。

有一条路能把这个骰子拿掉：把字放进参考图里。这样模型拿到的是一个可以去匹配的现成版式，而不是一堆要去画的字母——它压根就不在渲染文字，也就没有东西可变。MiniMax 那条预告片样例里，全片唯一那张设计过的双行标题卡走的正是这条路：它就是那张输入图，片头出现一次，片尾再出现一次。

完整的做法在怎么用 MiniMax H3 做一条 AI 电影预告片里，那篇也讲了节拍表的时间怎么卡。

所以分工是这样的：

右边这一列有一条边界，和上面那条是同一条。一张标题卡是模型端得住的平面。而一张缠在会转的瓶子上的标签，是它每换一个角度就得重画一次的曲面，给它一张参考图并不能把这次重画取消掉。参考图这条路，对叠加层是定论，对任何曲面都还没被验证。

一分钟检查你自己那条片

别在播放器里判断。先把整条片一次性铺开，再回头把看着不对的地方按原分辨率抽出来：

# 大约隔帧抽一次，拼成一张总览图
ffmpeg -i clip.mp4 -vf "fps=2,scale=320:-1,tile=5x7" -frames:v 1 sheet.png

# 然后是可疑的那一刻，原尺寸，精确到帧
ffmpeg -i clip.mp4 -vf "select='eq(n,59)'" -fps_mode passthrough frame.png

如果某个字串在总览图上读起来不对，先把它前后两帧抽出来，再下结论。在这六条片里，第一遍看着像坏了的每一个字串，最后都是动画中途——而且，虽然没点名的文字不会自动就是坏的，但坏了的那些，全都是没点名的。

去试试

这个测试最快的版本：在提示词里写一行带引号的文字，跑 8 秒，然后一帧一帧看结果。

文生视频可以直接从一句话开始。如果那几个字必须每次都分毫不差，那就带上你自己的定帧去参考生视频，让图去承担这些字。

本文引用的片子、提示词和参考图都来自 awesome-minimax-h3-prompts， CC BY 4.0。其中四条署名 MiniMax；柠檬汽水广告和烤鸭片是同一个库里的社区投稿，分别署名 Hemanth 和 Feyber。烤鸭片的提示词是从作者原帖上逐字引用的，因为库里只收了摘要。上面所有的帧号、时间点、字高和字串，都是从文件里读出来的。