scenario-minimax-video

Scenario MiniMax Video

概述

Scenario 上的 MiniMax Hailuo 视频系列包含三类成员。H3（Hailuo 3.0）将文本、关键帧和参考条件整合到一个模型中，并在同一次处理中生成立体声。H3 Max 系列将这些能力拆分为单一模式成员（文本、图像、参考、口型同步），其中前两种各有一个速度更快的 Turbo 版本。三个 Max 成员用于编辑已有片段，而不是生成片段：Extend Video（有 Turbo 版本）、Insert Video 和 Recast。较早的 Hailuo 2.3 双版本在编写时带有 deprecated 标签，注明 H3 是后继版本。使用 search 发现成员，并将 model_schema_get 视为接口规范：各成员的参数几乎没有一致之处，甚至连分辨率的拼写都不相同。

连接方式和核心流程：请参阅此仓库中的 scenario skill；与模型无关的视频工作：请参阅 scenario-video skill。如果此处提及的同级 skill 不在你可用的 skills 中，请让用户安装（npx skills add scenario-labs/skills --skill <name>）；若无人值守，请根据工具架构继续操作，并指出这一缺失。

快速参考

H3 的模式由输入决定（名称来自实时架构）：

模式	输入	行为
文本	prompt	遵循 aspectRatio（21:9 至 9:16，默认值为 adaptive）
首帧	firstFrameImage（+ prompt）	形状遵循图像；忽略 aspectRatio
首帧 + 尾帧	firstFrameImage + lastFrameImage	只有与 firstFrameImage 一同使用时，lastFrameImage 才有效
参考	referenceImages、referenceVideos、referenceAudio	引导主体、风格、动作和声音，不会强制采用参考帧；aspectRatio 仍然适用

关键帧和参考内容互斥：任一帧都不能与任何参考数组组合使用。referenceAudio 不能单独使用；它至少需要一个图像或视频参考。即使只有一个素材，参考参数也必须是数组。编写时，H3 支持 9 张参考图像、3 个视频和 3 个音频文件（视频和音频各为 2 至 15 秒，总时长为 2 至 15 秒），输出时长为 5 至 15 秒，分辨率为 768P 或 2K。

2.3 成员只接受 prompt 和 firstFrameImage，另有一组耦合参数：编写时，只有在 768p 下才可使用 10 秒的 duration，而 1080p 仅支持 6 秒。它们的 promptOptimizer（默认值为 true）会在生成前改写提示词：提示词较简略时保持开启；必须逐字保留精心设计的措辞时则将其关闭。H3 没有此开关，H3 和 2.3 都不接受 seed。

选择成员

H3 是唯一能在单次调用中混合多种模式的成员；除口型同步外，它也是唯一支持 2K 的生成器；但它速度慢、成本高，且参考媒体会增加费用（参考视频按上传素材的秒数计费）。Max 文本和图像成员的分辨率上限为 768P，并接受 seed 和 promptExpansionMode（disabled、balanced、quality）；必须逐字保留精心设计的措辞时，请将其设为 disabled。它们的 Turbo 版本输入相同，适合迭代：先用 Turbo 以 480P 起草，再用成本较高的成员生成最终选定版本。草稿用于检查构图和动作，并非最终像素的预览：即使使用相同的 seed，更换成员或分辨率也会生成新内容。批量处理前，对草稿和最终载荷都执行 dry_run。为新工作指定 2.3 成员前，请重新发现该成员：已弃用的成员可能会从目录中消失。

编辑已有片段

这些成员以现有视频作为 video（任意视频资源 ID，无论是生成还是上传），只对它们制作或处理的部分计费，因此请用真实源视频通过 dry_run 为每项定价。

成员	功能	编写时的关键输入和上限
Extend (+Turbo)	在源视频后添加 1 到 15 s	源视频时长为 1.625 到 60 s，最大 50 MB，宽高比为 0.4 到 2.5；output 为 extended 时返回源视频加新片段，为 continuation 时返回新片段，前面带有从源视频复制的引导片段（参见常见错误）；referenceAudio 会替换源视频的音轨，作为音频参考；aspectRatio 不是 auto 时会进行裁剪；480P 到 2K
Insert Video	插入一个 5 到 13 s 的新场景，然后接回原视频	源视频中的 startTime 和 resumeTime（均必填）；duration 仅指新场景；最多 9 张 referenceImages 和 3 个 referenceVideos，按参考令牌计费；colorMatch 默认开启；480p 或 768p，小写
Recast	将最多 4 个人替换为照片中的新人	源视频时长为 5 到 30 s，单个镜头不超过 15 s，按源视频秒数计费；referenceImages 每人一张照片，必填，默认按从左到右的顺序映射；prompt 可选，用于说明谁变成谁；保留动作、摄影机、剪辑和音频；768P 或 1080P

编写 Extend 提示词时，应描述接下来发生的事情，而不是描述源视频：模型已经能看到源视频，并且 enablePromptExpansion（默认开启）会根据源视频改写提示词，使续接内容保持一致。Recast 适用于用不同的人重新拍摄相同表演；它会保留其他所有内容，因此不适合用于创建新场景或新风格。

用方括号标注摄影机运动，动作适度

整个系列都支持在提示词中以内联方括号指令标注摄影机运动：[Push in]、[Pull out]、 [Pan left]、[Tilt up]、[Truck right]、[Pedestal up]、[Zoom out]、[Shake]、 [Tracking shot]、[Static shot]。一个方括号中最多可组合三种运动 （[Pan left, Pedestal up]）；用多个方括号按顺序排列。每个镜头总共保留 2 或 3 个运动提示：堆叠过多动作会导致背景摇晃和纹理闪烁。图生视频即使没有提示词也容易出现偏移，因此要明确锁定静态画面（“摄影机静止、镜头锁定、安装在三脚架上”）。

其余内容使用自然语言，按摄影机、主体、动作、场景、光线与氛围、风格的顺序描述。 在 H3 中，声音也要写进提示词：以内联方式描述对白、音效和环境音，使其与动作同步；没有可用于切换音频的参数。

示例：根据参考静帧制作角色片段

1. 使用 search，设置 target="models"、query="minimax hailuo"、public=true。优先选择最新的、未弃用的结果，例如 model_minimax-h3（撰写本文时该模型仍可用；每次会话都要重新发现）。
2. 使用该 ID 调用 model_schema_get：首先查看模式、能力和允许值。
3. 上传两张干净、光线均匀的角色静帧（参见 scenario skill），通过 upload_asset 获取资源 ID。
4. 使用该 model_id 调用 model_run，设置 dry_run=true，并使用以下精确的 parameters={"prompt": "[Tracking shot] The scout from the reference images sprints across a rooftop at dusk, coat snapping in the wind, warm rim light, footsteps and distant traffic in the audio, cinematic realism.", "referenceImages": ["asset_a", "asset_b"], "duration": 8, "resolution": "2K", "aspectRatio": "16:9"} 估算费用；更改时长、分辨率或参考图数量后，需重新估算。
5. 再次调用 model_run，设置 wait=false，然后使用返回的任务 ID 调用 jobs_wait；超时后通过 pending_job_ids 再次调用，绝不要再次调用 model_run；H3 在 2K 下通常需要运行几分钟。
6. 使用 asset_display 查看输出，并在开启声音的情况下进行检查：对话和音效同步也是你付费购买的内容。

常见错误

• 将 firstFrameImage 与参考数组组合使用：关键帧和参考图不能混用。
• 单独传入 referenceAudio：它至少需要一张图像或一段视频作为参考。
• 发送 lastFrameImage 却不发送 firstFrameImage：这两个参数要么共同锚定起始和结束帧，要么都不使用。
• 认为 aspectRatio 会覆盖首帧：画面比例由图像决定。
• 把一个成员的取值用于另一个成员：H3 的分辨率写作 768P 和 2K；Max 生成器（口型同步除外）的上限是 768P；Insert 使用小写的 480p 和 768p；Recast 只提供 768P 和 1080P。
• 发送包含单个超过 15 秒或不足 5 秒镜头的片段给 Recast：请先剪辑（参见 scenario-video-editing skill）。
• 按 Recast 的输出计价：它按源片段的每一秒计费，因此请将源片段剪裁到需要替换人物的部分。
• 认为任一 Extend 输出都只有新素材：extended 会返回源片段加续接内容；continuation 会以源片段最后 1.625 秒的副本开场（撰写本文时进行的两次运行中，均为 24 fps 下的 39 帧），随后是比请求时长略长的新素材（请求 2 秒得到 2.1 秒，请求 3 秒得到 3.5 秒，但计费均按请求时长）。对于之后要拼接的片段（参见 scenario-video-assembly skill），请使用 continuation，并从 startTime 1.7 开始剪切：剪切工具以 0.1 秒为步进，而 1.6 会保留一帧源画面（参见 scenario-video-editing skill）。
• 叠加多个镜头运动：提示超过 2 或 3 个时，背景会抖动，纹理会闪烁。