甄宝园做视频这件事，最烦的从来不是画面，是声音。画面生成得再漂亮，回头还得自己找配乐、配环境音，对不上口型又得重来一遍。
MiniMax H3 想把它一次做完。它最特别的地方，是把文字、图片、视频和音频放进同一个上下文里理解——你在提示词里写下的不只是画面，还有风声、脚步、人说话的声音，生成出来的时候画面和声音是一起出来的，不用后期再缝。最长 15 秒，2K 分辨率，原生立体声。
写提示词这件事，各家模型的脾气不一样。H3 比较吃"具体"——与其写"氛围很电影感"，不如写清楚镜头怎么走、光从哪边来、画面里该有什么声音。中文写得越像在跟一个摄影师交代工作，出来的东西越接近你脑子里那一版。
生成方式有三种，挺好区分。一种是纯文字，输入提示词从零开始，还能顺手加平移、变焦、固定镜头这类指令；一种是首尾帧，上传开头和结尾两张图，让它把中间的运动补出来；还有一种混合参考，最多能同时挂几张图和视频，用自然语言说明哪个是角色、哪个是动作、哪个是场景，它就照着来。
网页上直接试用，不用装环境。免费额度就能跑几条验验效果。
我的习惯是先拿一小段试，看它对中文提示词的理解对不对，对了再往下做长的。
