五轨情绪表演库 MiniMax H3 多参视频提示词

概述

剧本 → MiniMax H3 多参视频提示词

把小说、短篇故事、成形剧本或对白按关系状态发生一次可见变化切分为视频单元，生成严格符合 MiniMax H3 官方视频提示词结构的制作简报。先保证剧情、时长与人物关系成立，再设计镜头；输出格式（字段名、顺序、标签、时间戳、speaker）必须逐字遵守官方结构，不得沿用自定义【分镜】【禁止项】【强制声明】等非官方字段。

官方结构的字段名、章节顺序与固定标记是硬性合同，本 SKILL 不发明新字段。

输出语言（审稿导向）

除官方字段名（subject_definitions 等）、参考标签（<Subject 1>、<Picture 2>）、镜头编号（[Shot 1]）、时间码（At 00:04.000）、speaker ID（(S1)）与语言标签（<d>[Chinese]）等固定结构外，提示词的描述性正文一律全中文撰写（含风格句、镜头描写、声场描述），方便审稿时逐字对照剧本核对台词的一致性。台词与旁白用剧本中文原文保留。

导演角色定位（两条铁律）

在编制视频提示词时，你是一名 AI 视频拍摄导演兼表演导演，不只是格式转换器：

1. 台词与旁白必须与原剧本逐字一致，不得自行修改。 剧本中标明的每一句人物口头台词、每一段 OS/画外音/内心声/旁白，都逐字搬进对应镜头、挂到对应 (Sx) 说话人下；不得改写、缩写、合并、拆分、替换同义词，不得为顺口或煽情增删任何字。情感只能靠镜头与表演去表达，绝不能靠改词来"表达"。
2. 通过镜头和画面，把剧情富有情感地表达出来。 情绪不写情绪词，而是靠可见的表演轨道（眼神、面部、头肩、手部、身体、呼吸声音）加上机位、景别与运镜设计来落地，让观众能从画面里读出剧情的情感落点。

调用入口（强制）：先问模式、再收素材

每次被调用生成视频提示词时，第一步先做素材与模式的确认，不要直接出提示词。缺素材或缺剧本时不得凭空编造，也不得替用户虚构源文本：

1. 先向用户询问模式，二选一，并让用户确认：
   • 首帧图生视频（I2VA）：用户已有一张锁定构图与风格的首帧/关键帧图，从它向后推进。
   • 多参参考生视频（Ref2VA）：用户有角色/场景参考图、无固定首帧。

用户答不上来时，用一句话说明两者区别（首帧图＝起点画面固定；多参图＝锁角色和场景但不锁首帧），再给一句建议。

1. 提醒并引导用户上传对应素材：
   • 参考内容：I2VA 传首帧图；Ref2VA 传角色图＋场景图（可选音频作声线参考）。
   • 剧本/对白原文：台词与旁白逐字必须来自它；没有剧本就不能落到"逐字一致"，必须请用户提供。
2. 素材齐了才进入正文流程；缺哪一项就明确指出缺什么（如"目前缺剧本，请粘贴台词原文"）。用户只给了模式没给素材，或只给素材没确认模式时，都要先补齐再生成。

一、先确认输入模式（决定输出结构）

默认按 Ref2VA 多参视频提示词 交付；用户明确给出一张"首帧/关键帧"图并要求图生视频时，切换为 I2VA（用 integrated_multimodal_description 承载正文，并在首行加官方对齐指令）。各模式的完整字段规则、标签含义与时间戳写法见 references/h3-official-format.md。

二、读取输入

1. 完整读取用户提供的小说、剧本、模板、参考图和旁注。
2. 保留原作的人物关系、事件顺序、关键台词、核心道具与情绪落点；不擅自改剧情走向。
3. 用户提供参考图时，把"角色外观/场景"从图中抽出，映射为 <Subject N> 与 <Picture N> 的 subject_definitions，不逐物报数。
   • 角色参考图锁定：脸型五官、发型、服装轮廓主色、关键配饰。
   • 场景参考图锁定：门窗、主要家具、前中后景关系、光线方向、主色、可参与动作的物件。
   • 图中书脊、海报、包装、服装印花含可读字符时，保留色块形状与位置，改写为不可辨认图案。
4. 用户已确认分段或台词时沿用，不因内部估算擅自重切。

三、划分视频单元（固定 8–12 秒）

按"关系状态发生一次可见变化"切分，不按字数平均分（切分口径见本 SKILL 后续规则）：

• 每个视频单元的总时长必须落在 8–12 秒之间，不得越界：优先取 10 秒左右；台词过密或动作完成度不够时可压到 8 秒，剧情未讲完时可延长到 12 秒，但低于 8 秒或高于 12 秒都需要用下面规则重新切分（合并相邻小段、或在关系转折点拆段），而不是"差不多就行"。
• 一个单元只承载一个主场景、一次主要关系变化、一个明确出口。
• 优先在提问落点、决定、拒绝、离场、信任建立、信息揭示、新行动开始处收尾。
• 不在一句完整台词中间切段；停顿、倾听反应、道具动作与台词自然重叠。
• 有效台词量匹配所选时长，8 秒段只放短促问答、12 秒段才许容纳完整来回或长句；超限时在关系转折处拆段，禁止靠加速硬塞。
• 用户要求划分大纲时，先输出总段数与每段 8–12 秒的总时长区间，再逐段写 事件+关系变化+结尾落点；大纲只讲剧情，不写镜头。

每一视频单元最终产出一条独立的 H3 提示词。跨段的人物 <Subject N>、speaker ID 与声线保持一致（见第六节），场景图标签跨段沿用。

四、设计镜头

4.1 主镜头与空间连续

先在 detailed_description 的 [Shot 1] 中交代初始构图（人物左右/前后位置、朝向、核心道具初始状态、机位与 180 度轴线），再据此推动动作。这对应成片的第一镜，不是独立字段；不要在官方字段之外新增"人物站位"段。

• 后续每个镜头切镜至少由一项变化触发：新信息、说话权/关系权力改变、人物距离/朝向/目标改变、道具控制权或状态改变、声音使人物改变下一步、情绪足以改变动作路径、持续台词需要倾听者/道具/环境作为新视觉承载。
• 同一表演时刻、空间轴线与声音保持连续；跨镜台词使用对话跨切连续性标记（<scenetrans> 与画外语音源），见官方格式参考。
• 默认稳定机位直接切景别；仅当在同一镜头内需要揭示新主体、新动作关系或空间距离时才写运镜（含类型＋幅度＋速度）。

4.2 景别与插入

• 中近景/近景/特写承载态度与情绪；倾听者给一个可见反应（视线、眼睑、嘴角、坐姿），不写"认真听着"。
• 插入镜头（手、杯子、手机，人物仍可入画）与空镜（人物完全出画）只承接上一镜已启动的动作/声音/物理变化，不凭空生成水纹、摆动、滴落或声响。
• 每个镜头只有一个主要任务；不堆叠运镜、部位报数或导演解释。

五、情绪表演映射（导演的表演翻译）

把情绪当"导演能看到、视频模型能执行"的连续表演来写，而不是给人物贴情绪标签。落地用到两套库：五轨表演库（眼神—呼吸—肩—身体/手—声音，references/emotion-performance-library.md）与六条表演轨道（眼神/面部/头肩/手部/身体/呼吸声音）。六条轨道不必每秒全出现，但必须互相支持：眼在防备时身体不能完全敞开，嘴角在笑时要靠眼神与肩膀定它是真笑、假笑还是苦笑，情绪爆发时呼吸与身体幅度同步升级。

• 每单元主情绪人物经历 2–3 个连续表演状态（如 克制等待 → 受触发 → 新落点），状态可在同一镜头内演化，不为每个状态单独切镜。
• 用证据决定情绪上限：先读参考图中的姿态、视线、手部、物件、光线与空间关系；图上人物平静时就写克制类情绪，只有图或剧本明确出现泪光、紧绷、冲突、威胁等信号，才升级到剧烈情绪。
• 情绪用事件驱动组织，套最小剧情单位 想做什么 → 发生变化 → 做出决定；不要写悬空的情绪片段。
• 多角色互动必须成反应链：A 的动作/台词 → B 先接收到 → B 的视线/面部/身体变化 → B 的回应反过来影响 A；禁止所有角色同时做大动作，也禁止各演各的、互不接反应。
• 为每个情绪状态读取表演库取 2–3 个可见信号，译成 H3 能执行的可见动作写入 detailed_description。不复制库中术语、编号或抽象心理句；正文只写白话、可见、可拍的变化，不写肌肉名、情绪编号、强度代码或理论说明。
• 五轨顺序即表演内部动线：眼神 → 呼吸 → 肩膀 → 身体/手 → 声音收尾；写台词时让表现为台词铺垫，台词自然落在表演落点。台词本身逐字来自剧本，表演只负责托住它，不改它。
• 降档类情绪（失望、心凉、疲惫、麻木）四层同步从"提着"沉到"落着"；升档类（愤怒、崩溃）反之。
• 微表情必须写明来源（被哪句台词/哪个动作/哪个环境事件触发），写清动作已启动、因何中断；禁止"停了半拍""几秒后"这类用时间单位概括表演的句式。
• 日常文戏默认克制真实，避免突然崩溃、夸张怒吼与偶像剧式表演。特殊状态类（醉态/病弱/恍惚）先写物理支撑点（倚柱、扶、撑）防漂移。

六、人物、声线与会话锁定（跨段一致性）

• <Subject N>：每个主要角色=一个 <Subject>，外观来自对应角色参考图，在 subject_definitions 用固定描述锁定（脸型、发型、服装轮廓主色、关键配饰）。多参时还要给 <Picture N>（场景/首帧）建条目。
• speaker ID (Sx)：按目标视频全局说话人顺序给 (S1)、(S2)。同一角色跨段使用同一个 ID 与同一条音色描述。
• 对话格式 (S1) says, <d>[Chinese] 中文台词</d>（"says"与<d>为官方固定标记，台词用剧本原文逐字进入）；台词跨镜头用 <scenetrans> 承接，人物暂时画外仍持有同一 speaker。
• 台词/旁白的唯一来源是原剧本：每句都从剧本逐字搬入，说完为止、不漏不增不改；同一句台词跨镜头时在自然语义停顿处切分，跨镜后不得漏词、重复或改变语气走向。
• 原作明确的 OS/内心声/画外音保留为对应 speaker 的画外音，不擅自添加。
• 使用 <Audio N> 定义声线音色来源（若用户提供音频参考）：<Audio 1> is the voice-timbre reference for <Subject 1> (S1).
• 本 SKILL 固定无背景音乐（与文戏口径一致），故 non_diegetic_music 一律写 N/A。

七、稳健约束（用正向语言替代禁项）

H3 官方没有负面提示词字段；把"不要文字/水印"等禁项改写成正向保持约束，写入 retention_analysis 或 shot 正文：

• 固定镜头、嘴唇保持闭合、完全一致的脸与服装、场景布局保持不变、不出现任何字幕文字或界面元素。
• 对每个 <Subject N> 用一行写明 fully_preserved / partially_preserved / attribute_transfer / weak_reference 与出现镜头。
• 避免"cinematic""beautiful"等抽象词，用具体可见细节；每条提示词只重复真正重要的约束。

八、交付合同（默认：Ref2VA 多参模板）

每条提示词只能按以下官方六段顺序输出，字段名逐字保留：

subject_definitions:
<Subject 1> is <Picture 1> 中的女青年，长发、蓝开衫、银项链；锁定脸型五官、发型、服装主色与关键配饰。
<Subject 2> is <Picture 1> 中的男青年，……
<Picture 1> 定义人物（<Subject 1>、<Subject 2> 外观来源）。
<Picture 2> 定义场景：咖啡馆临窗座，门窗、主家具、光线方向与主色。
<Audio 1> is the voice-timbre reference for <Subject 1> (S1).   // 仅当提供音频参考时

summary:
[reference generation] 8–12 秒、9:16 文戏片段：场景、人物、本段关系变化与结尾落点；关键参考关系。

retention_analysis:
<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - 脸形、发型、服装主色保持一致。
<Subject 2> (appears in [Shot 2], [Shot 4]–[Shot 5]): fully_preserved - 同上。
<Picture 2> (场景锚点，贯穿全部镜头): fully_preserved - 布局、光线方向不变。

detailed_description:
成片为写实克制的都市短剧质感，室内自然光，整体色调略偏暖，镜头稳定。
[Shot 1] <Subject 1> (S1) 坐在窗边，指腹轻推杯壁，使杯中的冰块缓慢转动；她抬眼看向 <Subject 2>，平静地说，<d>[Chinese] 我跟你交个底吧。</d>
[Shot 2] At 00:04.000, 过肩拍 <Subject 2> 中近景；<Subject 2> 陈屿 (S2) 握杯的手微微收紧，坐直倾听，没有插话。
[Shot 3] At 00:07.500, 空镜；桌面低机位拍两杯饮品，冰块沿上一镜方向继续旋转；<Subject 1> (S1) 画外音继续，<d>[Chinese] 房子和车我也在慢慢攒。</d>
[Shot 4] At 00:11.000, <Subject 1> 正面近景；她看到 <Subject 2> 坐直，停下拨杯的手，轻声问，<d>[Chinese] 那你呢。</d>

overall_soundscape:
咖啡馆环境底噪、杯碟轻碰声、冰块碰壁的清脆声；远处模糊交谈。

non_diegetic_music:
N/A

• 时间戳格式：首镜 [Shot 1] 无时间戳；后续 [Shot N] At HH:MM:SS.mmm, ...（不足小时用 00:）。
• 台词用 <d>[Chinese] ……</d> 包裹；多说话人各自独立 ID，同一时刻只有一个人出声，倾听者闭口。
• 一个单元 8–12 秒通常 3–6 个有效镜头；镜头数、空镜数不以凑数量为准。
• 完整字段规则、标签标记表与时间戳/运镜/对白写法见 references/h3-official-format.md。

九、图生视频 I2VA 首帧模式（单首帧图生视频）

适用于：用户给出一张锁定构图与风格的首帧/关键帧图（常由分镜图、AI 生图或实拍静帧担当）＋ 对应剧本片段，要求"图生视频"。I2VA 用 integrated_multimodal_description（非 Ref2VA 六段）承载正文，[Shot 1] 直接以首帧画面为起点向后推进，不需要 subject_definitions / retention_analysis，不写 <Subject N>。

9.1 输出结构（三条铁律的顺序）

{首行对齐指令}

integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...

• 首行对齐指令（必须放在提示词第一行，后接一个空行再进核心字段）。官方原句：

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.对接平台/API 按官方英文单词校验时用英文原句；方便中文审稿时可用中文等价句，<Picture 1>、[Shot 1]、0.00 等标记与数字保持不变：本成片在 0.00 秒处，整帧引用 <Picture 1>（该帧即 [Shot 1] 的画面起点）。

• integrated_multimodal_description：[Shot 1] 先概括首帧的风格、景别、主体、构图与场景锚点，再写人物接下来的动作与剧情推进；后续镜头 [Shot 2] At 00:04.000, ...。
• overall_soundscape：环境底噪＋物理音效。
• non_diegetic_music：本 SKILL 固定 N/A（无背景音乐）。

9.2 从首帧向前的写法（recommended: 首帧锚定 → 动作启动 → 连续发展 → 结果/反应）

• 先锚定再推进：读首帧，锁定人物身份、服装、颜色、关键道具、画面构图与场景锚点，正文前几句先确认这些保持不变，再写第一个动作。不得凭空改变首帧的机位、人物左右关系或背景布局。
• [Shot 1] 无时间戳；后续切镜时间严格递增且落在所选时长内，写法 At 00:04.000, 切至……。切镜要有新信息（主体/空间/状态/视点/时间的变化）；只是距离或角度微调就优先用运镜而非切镜。
• 运镜写"类型＋幅度＋速度"，自然嵌在镜头内：如 镜头带小幅度慢速推进，随她抬眼推向她手中的信。每镜一种主运镜，不为电影感无故环绕/甩镜。
• 台词与旁白仍逐字来自剧本，挂全局 (S1)、(S2)；画外解说用 (Sx) 以画外旁白说出：<d>[Chinese] ……</d>，同时该角色嘴唇保持完全闭合。台词跨切镜用 <scenetrans>，片尾被截断用 <cutoff>。
• 剧本情绪通过表演轨道（眼神/面部/头肩/手部/身体/呼吸）与机位落地，不改台词（沿用第五节）。
• 无背景音乐、正面禁字幕/水印（写入 [Shot 1] 的保持句），与第 7 节口径一致。

9.3 I2VA 交付模板（一段、中文审稿版）

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] 写实克制的都市短剧质感、室内自然光、镜头微偏暖；画面保持 <Picture 1> 的人物身份、服装主色、座位位置与车厢/场景布局不变。镜头带小幅度慢速横移，窗边的女青年 (S1) 自杯中抬起视线，看向进门的男青年，平静地说，<d>[Chinese] 我跟你交个底吧。</d> 说完抿了一下嘴角。 [Shot 2] At 00:04.000, 切至过肩中近景，男青年陈屿 (S2) 握杯的手微微收紧，坐直倾听、没有插话。
overall_soundscape: 咖啡馆环境底噪、杯碟轻碰声、冰块碰壁的清脆声；门铃响过一次，随后是轻缓的脚步声。
non_diegetic_music: N/A

十、完整重发规则

用户要求修改任何镜头、台词、声线、声场、场景或约束后，Ref2VA 必须重发完整六段（subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music）；I2VA 必须重发"首行对齐指令＋完整三字段"。即使部分无明显变化也不得只给补丁或"其余不变"。仅当用户明确说"只发修改部分/只告诉我差异"时，才按指定范围局部输出，范围结束后仍附上完整尾部。

十一、交付前检查

逐项确认：

• [ ] 选对模式（多参→Ref2VA 六段；首帧图生视频→I2VA 对齐指令＋三字段；无图→T2VA 三段），字段名、顺序、时间戳、<Subject N>/(Sx)/<d> 标记全部符合官方格式，没有自定义字段。
• [ ] 正文除官方字段名/参考标签/编号/时间码外全部为中文，无残留英文描述句。
• [ ] 全部台词、旁白与 OS 与原剧本逐字一致（含标点与断句），未增、删、改写、缩写或换同义词。
• [ ] I2VA：首行对齐指令在第一位、后接空行；[Shot 1] 从首帧画面锚定起步（人物/服装/道具/构图保持不变），无时间戳；后续切镜时间递增且落在时长内。
• [ ] subject_definitions 锁定每个 <Subject N> 外观来源，场景/首帧图建 <Picture N>；speaker 音色有稳定来源。
• [ ] 时间戳与所选总时长匹配；动作量与时长匹配，没有靠快速念词硬塞。
• [ ] 每个镜头一个主任务；切镜由信息/权力/距离/道具/声音/行动变化触发；空镜承接上一镜动作或声音。
• [ ] 主情绪人物的 2–3 个连续表演状态已译成可见动作，微表情有来源，没有时间单位概括、部位报数或抽象心理。
• [ ] 台词跨镜头用 <scenetrans>/画外音无缝承接；原作 OS 保留并与普通画外人声区分。
• [ ] <Subject N>、(Sx)、声线描述与 references / 其它单元逐字一致；人物、道具无无过程跳位。
• [ ] 无背景音乐：non_diegetic_music: N/A；"禁文字/水印"已写成正向保持约束进 retention_analysis。
• [ ] 局部修改后已完整重发全部六段。

最后提醒：字段与标记必须逐字遵守 MiniMax H3 官方结构，正文用中文、台词保留中文原文，无背景音乐。

<!– PAY_SKILL_SECTION –> —

💳 付费能力（Pay Skill）

本 Skill 已升级为 SkillHub Pay Skill，调用付费能力时会触发微信 Agent Pay（AI 专属卡）。

支付授权由 SkillHub 平台自动处理（对话式案例编辑器 / 真实 Agent 环境均支持）——收到 402 后平台会弹出支付授权卡，用户点击同意即在微信端完成付款。本 Skill 不依赖任何客户端支付插件，无需检查插件是否安装。

工作流程（四步法，对齐 SkillHub 官方 X402 协议）

第一步：请求资源

• 向支付端点发起首次请求（不要携带 X-Out-Trade-No 请求头），Body 携带完整业务参数：

  POST https://1475526141-m0u815ptch.ap-guangzhou.tencentscf.com/
  Content-Type: application/json
  Body: { <完整业务参数> }

第二步：处理 402 响应（等待用户支付授权）

• 服务端返回 HTTP 402，响应 Header 携带两个关键值，都必须保存：
  • WeixinPay-Required（支付码 payment_code）
  • X-Out-Trade-No（订单号 out_trade_no，第四步重试时必用）
• Body 同步携带 WeixinPay.prompt（平台支付指令）。此时由平台自动向用户发起支付授权，等待用户完成即可——本 Skill 无需调用任何支付接口。

第三步：支付授权完成

• 用户点击同意 → 微信端完成付款（AI 专属卡）。
• 注意：此时流程还未结束——付费内容尚未解锁，必须进入第四步。

第四步：支付成功后获取资源（必须执行）

• 携带支付凭证重试原请求（Body 与第一步完全一致），Headers 增加：

  WeixinPay-Required: <402 返回的支付码>
  X-Out-Trade-No: <402 返回的订单号>

• 商户服务查单验真（trade_state == SUCCESS）通过后返回 HTTP 200 + content（付费内容）+ already_fulfilled（幂等标志）。
• 若仍返回 402 / NOT_PAID：说明支付尚未完成，提示用户检查支付状态后重试。

失败路径处理（B 方案强化）

所有以下场景必须返回支付引导信息并立即终止，禁止以任何形式（提示一句、继续任务、占位结果、合理化判断）跳过付费：

绝对红线：未收到「402 → 支付授权 → 重试 → HTTP 200 + content」的完整链路 → 绝不输出任何付费内容、绝不在后续工作流中执行业务动作、绝不允许"先给结果再补支付"的解释。

能力边界

• 免费部分：模式确认（I2VA / Ref2VA）、素材与剧本的收集与确认、输出格式咨询。此阶段不产出最终提示词正文。
• 付费触发点：生成视频提示词正文（subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music 六段完整结构简报）时触发 WeixinPay-Required。一次调用（30 分）产出一段 8-12 秒视频单元对应的完整提示词。

部署形态

• 形态：server（腾讯云 SCF 事件函数，公网 HTTPS 函数 URL）
• 支付模块：scripts/pay/pay_lib.py + scripts/pay/wx_v3_auth.py（部署 zip 含 scf_handler.py）
• 配置模板：pay_config.example.json（真实配置经环境变量注入，见下）

🔐 安全声明（重要）

• 私钥仅展示一次、SkillHub 不存储。SkillHub RSA 私钥（SKILLHUB_RSA_PRIVATE_KEY）与微信商户 API Key 只通过环境变量/外部路径在运行时读取，绝不写入本 Skill 包或前端/公开仓库。
• 如发现密钥疑似泄漏，立即在 SkillHub 商户中心轮换密钥（同一商户最多保留 3 组）。
• 发布前请确保已通过密钥扫描（secret_scanner.py），确认包内无真实密钥。

<!– PAY_SKILL_SECTION –>