MiniMax 3 视频参考替换实战：精准提示词教程

视频参考（Video Reference）功能听起来简单——上传一段参考视频，让模型照着生成即可。但实际操作过 MiniMax 3（也称 Minimax H3）的用户会发现，真正把参考视频里的动作、镜头切换准确迁移到新角色上，比想象中难得多。一位 Reddit 用户分享了完整的实战流程，核心结论只有一句话：光上传参考视频远远不够，你必须像写分镜脚本一样把每一个场景描述清楚。

视频参考替换的核心难点

很多人对视频参考功能的期待是「一键换脸/换角色」，但现实是模型并不会自动理解你想要保留什么、替换什么。原作者指出，如果只是上传一段参考视频，模型很容易把参考视频的画面直接当作帧或姿势来复制，甚至连原视频的美术风格一起搬过来。

要避免这种情况，关键在于给模型明确的边界指令。作者在提示词中反复强调两点：一是「仅将参考图像作为角色设计的指引」（Use the provided images ONLY as a guideline for character design），二是「不要将图像当作帧或姿势」（Do not use the images as frames or poses）。这种限定性表述，本质上是在告诉模型「学动作、别抄画面」。

另一个实用经验是时长控制。作者明确表示，视频参考替换在 10 秒左右效果最好，最多 12 秒。超过这个长度，动作连贯性和角色一致性都会明显下降。这与目前主流视频生成模型在长片段上普遍存在的漂移问题一致。

这种「风格污染」现象背后有技术层面的原因。当前主流视频生成模型（包括 MiniMax H3）通常通过注意力机制同时处理参考帧的外观特征和运动特征，模型并不像人类导演那样天然地区分「我要借鉴这个动作」和「我要保留自己的画风」。参考视频的颜色调色板、笔触风格乃至构图习惯都可能以隐式方式渗入输出结果。因此，所谓「风格指令」本质上是在用语言对注意力权重施加软约束——告诉模型优先从角色参考图而非运动参考视频中汲取视觉风格信息。这也解释了为什么否定指令（Do NOT copy the art style）往往比正向描述更有效：明确排除某类特征，比笼统要求「保持风格一致」给模型更清晰的优化方向。

提示词结构：像分镜脚本一样拆解

这份教程最有价值的部分，是它展示了一套可复用的提示词组织结构。作者把整个提示词拆成了几个清晰的层级：

角色定义（Subject 定义）

开头先用 <Subject 1>、<Subject 2> 的方式为每个角色建立标签，并逐条列出外观特征。例如角色一的描述精确到「凌乱的珊瑚粉色波波头、蓝眼睛、校服、长袖、一个红色发结」。这种颗粒度极细的外观锚定，是保证角色跨镜头一致性的基础。

场景总述与风格约束

在 summary 部分，作者给出整体场景（昏暗蓝光房间、书架背景）和一条至关重要的风格指令：不要复制原视频的美术风格，只把它当作角色表情、动作和镜头切换的参考，严格使用参考图像的美术风格。

这一步是「动作迁移」与「风格保留」分离的关键。视频参考提供的是运动信息（表情、动作、运镜），而角色参考图提供的是视觉风格。把两者的职责分清楚，才能避免风格污染。

逐镜头（Shot-by-Shot）描述

真正体现专业度的是 detailed_description 中的分镜拆解。作者把 10 秒左右的片段拆成了 7 个镜头（Shot 1 到 Shot 7），每个镜头都标注了：

• 景别与机位（如「中近景，平视」「脚部特写」「背面头部特写」）
• 角色的具体动作与表情变化
• 连续镜头（continuous shot）的衔接要求
• 道具与物理细节（如笔落地、脚步后退的时机）

值得学习的是他对物理连贯性的把控，例如明确要求「只有那支笔掉落」「脚步在第一帧后退、随即落地」，甚至规定了两个角色的身高比例和身体比例要「基于参考图像在所有镜头中保持合理」。这种精确到帧的描述，正是让模型输出可控的核心。

将长片段拆成逐镜头描述，还有一个关键的工程原因：视频生成模型在处理较长序列时存在「时序漂移」（temporal drift）问题——随着生成帧数的增加，模型对早期提示词的遵循程度会逐渐衰减，角色外貌和场景细节可能悄悄偏移。逐镜头结构相当于在时间轴上设置多个「锚点」，每个镜头切换都是一次对提示词的重新激活，使模型在整个片段中持续受到描述约束。这也是作者在片段末尾再次复述角色外观的内在逻辑——用显式的文本锚定对抗末尾帧的漂移倾向。

一致性控制的实用技巧

综合这份教程，可以提炼出几条保持角色一致性的通用做法：

首尾呼应的外观复述。 作者在最后一个镜头再次完整复述了两个角色的外观特征（发型、发结、校服、鞋子颜色），以此在片段结尾强化角色识别度，防止长片段末尾出现角色漂移。

环境融合而不改变外观。 提示词要求角色「在光线、色彩和阴影上融入场景，但不改变其外观」。这是一种在写实光照与角色 ID 一致性之间取得平衡的思路。

明确否定项。 大量使用「Do NOT copy...」「Do not use...」这类否定指令，主动堵住模型可能走偏的方向，比单纯的正向描述更有效。

本地部署与云端平台

作者提到这段成片是在 Kinovi AI 平台上生成的，但强调「任何 Minimax H3 都同样适用」。对于没有强力显卡或缺乏技术背景的用户，云端平台是一个可行的替代方案，且据作者说其内容尺度与本地运行相当。

需要提醒的是，以上仅为单一 Reddit 来源的经验分享，具体效果会因平台实现、模型版本和参数设置而异。这份教程的真正价值不在于示例本身，而在于它揭示的方法论：视频参考生成的质量，取决于你能把分镜脚本写得多精确。 与其把它当成一键工具，不如把它当成一个需要详细导演脚本的执行引擎。