h3-image-prompt-writing

MiniMax-H3-Image のプロンプト作成

MiniMax-H3-Image は、完成画像の詳細な説明から最も優れた画像を生成します。画像の用途、何がどこにあるか、どのように見えるか、画像内に表示されるすべての言葉を説明してください。このスキルでは、テキストから画像を生成する場合も、最大16枚の参照画像を使って編集する場合も、短いリクエストをこうした説明に変換し、結果を MiniMax API に送信できます。

ワークフロー

1. タスクを選びます。 入力画像がない場合は、テキストから画像を生成します。ユーザーが変更、合成、または参考にする画像を提供した場合は、編集を選びます。プロンプトを書く前に、該当するガイドとその例を確認してください。
   • テキストから画像を生成する場合は、references/t2i-en.txt を参照してください。
   • 編集の場合は、references/edit-en.txt を参照してください。入力画像は、提供された順にすべて確認してください。
2. 次の順序で画像を計画します。 用途と成果物、全体のレイアウト、アスペクト比、被写体とその動作、ビジュアルスタイル、テキストです。不足する一般的な情報は自分で補ってください。短いアイデアだけでも十分です。依頼されたコピーは自分で作成し、例示データには例示であることを明記し、見えない素材は名前付きの参照として扱います。不足情報によってプロンプトが誤ったものになる場合に限り、質問してください。たとえば、ユーザー自身の数値が提示されていないのに、その数値を使ったグラフを作成する場合などです。
3. 以下のルールとガイドに従ってプロンプトを書きます。
4. 最終チェックに照らして、リクエストと一致しているか確認します。
5. 出力形式に従って提示します。 ユーザーが画像そのものを求めている場合は、レンダリングします。MINIMAX_API_KEY が設定されていない場合は、プロンプトを提示し、このキーを設定すればスキルで画像をレンダリングできることを伝えます。

作成ルール

基本的な説明

• スタイルより先にタスクを説明します。 まず画像の内容と用途を説明し、次に主な人物やオブジェクトと、その状態や動作を示します。スタイルはその後に説明します。
• 詳細より先にレイアウトを説明します。 被写体の数、位置、視点、空きスペースを伝えます。情報量の多い内容では、まず領域を示してから、それぞれの内容を説明します。「上部にタイトル、その下の左側に写真、右側に短い段落を3つ」のように記述します。
• 目に見える詳細でスタイルを表現します。 「高級感」や「ハイエンド」のような言葉ではなく、「柔らかなサイドライト、ブラッシュドメタルの反射、ゆとりのあるホワイトスペース」のように、色、素材、光、質感を記述します。重要な詳細は残し、矛盾するものは省きます。

テキストと情報

• 表示する言葉はすべて引用符で囲みます。 完全なテキストを、ユーザーが指定した言語と空白をそのまま保って引用符で囲み、位置、文字サイズの階層、改行も併せて指定します。ユーザーがコピーの作成を依頼した場合は、実際に表示する言葉を書きます。
• テキストがない場合は、そのことを明記します。 テキストから画像を生成するプロンプトには、モデルがタイトル、ラベル、装飾文字を追加しないよう、「画像にはテキスト、文字、数字を含めないでください。」と追加します。編集では、ソース画像内のテキストが維持されるよう、それ以外の文字は追加しないと伝えます。
• データを正確に扱います。 グラフ、学術図、教育用画像では、正確な値、単位、関係性を示し、経時的に変化するデータには対象期間も指定します。例示データには例示であることを明記し、作り出した数値を実データとして示さないでください。

参照画像と編集

• 入力画像に名前を付けます。 提供された順に、画像を <Picture 1>、<Picture 2>、…と表記します。
• 各参照画像の役割を明確にします。 各画像が何を提供するのか、何を一貫して保ち、何を変更してよいのかを示します。色だけを借りる場合は、参照画像の形状や素材は引き継がないことを明記します。
• 変更する部分と維持する部分を分けます。 位置や特徴で対象を特定し、何に変わるのか、変更がどこまで及ぶのかを説明してから、維持する要素を示します。「左側のカップを青色にします。形状、素材、位置、サイズはそのままです。」
• 完成結果を説明します。 何かを移動、複製、置換、削除するのか、削除したオブジェクトの跡を何で埋めるのかを示します。テキストやデータを変更する場合は、新しい内容をすべて記載し、元のレイアウトとグラフの構成を維持するかどうかを明記します。
• 1回の編集につき、目標は1つにします。 複数回に分けて編集する場合は、その回で使う画像、変更する内容、維持する内容を明記します。「前のもの」のような表現は避けてください。
• グリッドは行と列で表します。 「2 rows and 3 columns」または「3×3 (rows × columns)」と記載し、「2×3」とは書きません。不規則な配置は「上段に3パネル、下段に2パネル」のように直接説明し、セルは「row 2, column 1」のように指定します。

出力形式

プロンプトをテキストブロックに記載し、その後にアスペクト比を記載します。

```text
<the prompt>
```

Aspect ratio: 3:4

• 説明は英語で記述します。画像内に表示されるテキストは、その言語のままにします。
• テキストから画像を生成するプロンプトは、1つ以上の流れるような段落にします。編集プロンプトは1段落とし、編集ガイドの順序に従います。まず参照元を定義し、次に対象と各参照画像の役割を説明してから、変更点を記述します。
• アスペクト比は幅:高さで1:3から3:1の範囲にします。ユーザーが指定した比率はそのまま使い、範囲外の場合は許容範囲内で最も近い比率を使用し、その旨を伝えます。それ以外の場合はレイアウトに合わせて選びます。入力画像のフレーミングを維持する編集では、入力画像の比率を使います。
• ユーザーが選択肢を求めた場合は、明確に異なる内容のプロンプトを最大3つ提示し、それぞれに独自のアスペクト比を指定します。

プロンプトの生成

MiniMax API

scripts/generate.py は MiniMax API にプロンプトを送信し、画像を保存します。Python 標準ライブラリのみを使用します。ユーザーはキーを MINIMAX_API_KEY に設定します。中国向けプラットフォームでは MINIMAX_API_BASE=https://api.minimax.cn を設定します。スクリプトのデフォルトは https://api.minimax.io です。どちらの変数も変更しないでください。

「Aspect ratio」の行を除いたプロンプトのテキストだけをファイルに保存し、比率は別に渡します。

# Text-to-image
python3 scripts/generate.py --prompt-file prompt.txt --aspect-ratio 3:4 --out poster

# Editing: images in <Picture N> order, as local files or URLs
python3 scripts/generate.py --prompt-file edit.txt --image room.jpg --image sofa.png \
  --aspect-ratio 4:3 --out room_edit

• テキストから画像を生成する場合、スクリプトは disable_prompt_enhanced: true を設定するため、API は指定されたアスペクト比で、記述どおりにプロンプトを描画します。短いプロンプトを API に拡張させるには --enhance を渡します。この場合、比率が指定されていなければ、API が比率も選択します。
• API は編集プロンプトを常に拡張します。編集でもアスペクト比を渡してください。指定しない場合は、API が比率を選択します。JPG、PNG、WebP、HEIC、HEIF の画像を最大16枚受け付けます。各画像のサイズは64 MiB以下、各辺は128～8192ピクセルです。
• 出力領域のデフォルトは、最良の結果が得られる 4K です。--area 2K または --area 1K を指定すると、処理が速くなります。
• --n は1回のリクエストで最大10枚の画像を要求します。文字量の多い画像、グラフ、図は実行ごとに結果が異なるため、2～4枚生成して最良のものを選んでください。
• 各画像は <out>_<i>.png として保存されます。API がプロンプトを拡張した場合、拡張後のテキストは <out>_<i>.revised.txt として同じ場所に保存されます。

独自のデプロイ

ローカルの SGLang サーバーでは、プロンプトを prompt として、アスペクト比に対応する size（WIDTHxHEIGHT）を指定します。サイズは Sizes table を参照してください。その他のフィールドについては Request Parameters を参照してください。vLLM-Omni では一部が異なるため、vLLM-Omni recipe を確認してください。ローカルサーバーはプロンプトを拡張しないため、このスキルを使って作成したプロンプトがその処理に代わります。

最終確認

• 表示されるすべての単語が、指定どおりに引用され、正確に綴られており、求められていない場合はテキストが追加されていません。
• 数、位置、左右、前景と背景、人と物の接触が、依頼どおりです。
• 値、単位、ラベルが正確で、漏れがありません。
• 各参照画像に役割があり、維持する要素が明記されています。
• アスペクト比がレイアウトに適しています。
• 具体的な視覚的詳細で示せる箇所に、曖昧な品質を表す言葉が残っていません。