用 MiniMax H3 生成自带声音的视频

文生视频只需要一段提示词，是试想法最省事的方式：先粗略写个场景，听听声音出来是什么效果，再一点点改。画幅选择也最全，从手机竖屏的 9:16 到宽银幕感的 21:9 都能选。

上传一张首帧，视频就从这张图开场，再按提示词的描述动起来。开场构图很关键的时候就用它：已经定稿的人像、电商拍摄的产品图，或者分镜里想让它动起来的那一格。

只给尾帧也可以。画面会一路走向你提供的那张图，特别适合「揭晓」式的镜头：瓶子最后稳稳落到主图的位置，房门推开露出装修好的房间，或者运动最终停在一张排好版的画面上。

同时给首帧和尾帧，中间怎么运动交给模型去补。剪辑时用来衔接两个镜头、做前后对比，或者把两格分镜连成一个连贯的运镜，都很顺手。输出的画面形状和你上传的图片保持一致。

参考图模式最多接收 5 张图，它们用来引导画面，而不是充当固定的首尾帧。可以放角色、服装、产品或场景，动作则在提示词里自由描述。除了六种固定画幅，这个模式还多一个「自适应」选项。

每段视频都带一条与画面一起生成的立体声音轨，不是事后再叠上去的。把对白、音乐或音效写进提示词，它们就会成为结果的一部分。音轨始终开启，所以哪怕只需要画面，也要提前想好声音怎么处理。

时长可以是 4 到 15 秒之间的任意整数，能贴合剪辑里的某个节拍或者平台的时长要求，不必被固定档位凑整。调整时长时，生成按钮上的积分数也会跟着变化。

768P 适合测试和发社交平台，2K 留给最终交付的版本。生成按钮上的积分会随分辨率变化，你可以自己对比两档的差别，把 2K 留给真正值得多花一点的那一条。

把已经定稿的产品图作为尾帧上传，再描述前面的铺垫：盒盖掀开，光线扫过标签，一声轻柔的「嗖」，最后一声清脆的提示音。视频停在客户已经确认过的那张图上，最终版可以用 2K 生成。

做手机端的内容，就写一个 9:16 的短场景，配一句台词和一段背景音乐，时长设成 8 到 10 秒，用 768P 生成。出来的视频声音已经齐了，发布前要补的东西会少很多。

把两格分镜分别作为首帧和尾帧，中间的运动交给模型补齐。先用 768P 做，团队在敲定拍摄档期或决定上 2K 之前，就能检查节奏、运镜和大致的声音效果。

准备一组最多 5 张的参考图，包括角色本身、服装和常出现的场景，每一集都复用这组图，只改提示词。每次都从同一组图出发，有助于让整个系列一条接一条地保持辨识度。

从剪辑时间线上导出上一个镜头的最后一帧和下一个镜头的第一帧，作为首尾帧上传，生成连接两者的那段运动。因为首尾帧模式跟随图片的形状，过渡片段正好贴合你剪辑项目的画幅。

用 21:9 或 16:9 的宽画面拍黄昏的城市、雨后的森林或安静的咖啡馆，各自配上相应的环境声，很适合做片头、演示文稿和视频随笔的背景。后面要配旁白的话，就写明只要环境声、不要音乐。

先把画面描述写完，再另起一句专门写声音，比如：「声音：雨点持续打在铁皮屋顶上，远处有雷声，没有音乐。」画面和声音分开写，提示词更好读，哪几句是在说音轨也一目了然。

台词放进引号里，并交代是谁、用什么语气说的，例如：老渔夫压低声音说：「要起风暴了。」台词要短到能在这段视频里说完，6 秒的镜头放一句话就够了，别写成一篇演讲稿。

只写一个曲风名称太笼统。可以试试「缓慢的大提琴独奏」「带黑胶底噪的温暖 lo-fi 节拍」或「明亮的合成器流行乐加拍手声」，再说清楚音乐是轻轻进来、结尾渐强，还是一直压在人声下面。

音效和画面里的动作挂上钩，更容易落在对的位置：门被推开时吱呀一声，两个朋友碰杯时玻璃叮当作响，自行车轮压过碎石沙沙作响。把声音和动作写在一起，也等于告诉模型它该在什么时候出现。

没有关闭音频的开关。想要接近安静的效果，与其在提示词里完全不提声音，不如写「安静的室内底噪」或「轻微的风声」；如果成片需要完全静音，再到剪辑软件里把音轨关掉。

上传了首尾帧，画面长什么样就已经定了。提示词应该用来写什么在动、镜头怎么走、观众听到什么，而不是把画面再描述一遍。用参考图模式时，用直白的话说明每张图分别代表什么。