MiniMax H3 官方 Skills 上手指南：9 个开箱即用的视频生成技能
用过 AI 视频工具的人应该都有同感：真正卡住你的，从来不是“点一下生成”这个动作，而是怎么把脑子里那个画面——灯光、运镜、节奏、卡点、声音——翻译成模型听得懂的语言。
首发于 X @GeekCatX ↗，欢迎去原帖点赞、转发、留言。
引子：生成视频最难的不是点按钮，是“翻译”
用过 AI 视频工具的人应该都有同感：真正卡住你的，从来不是“点一下生成”这个动作，而是怎么把脑子里那个画面——灯光、运镜、节奏、卡点、声音——翻译成模型听得懂的语言。
一个普通用户和一条“苹果发布会质感”的产品广告之间，隔着的是几百字分镜、镜头语言、转场设计和音乐卡点。过去这些要么靠反复试错，要么靠老手的手感。而 MiniMax 最近做了一件很聪明的事：把“高质量提示词怎么写”这件事，直接封装成了可以安装、可以复用的官方技能（Skills）。
这篇文章不讲晦涩的技术架构，只讲一件事：MiniMax H3 官方一共给了你 9 个技能，它们分别能干什么、怎么装、怎么用，以及哪些坑官方自己已经提前帮你标注好了。
一句话核心观点：H3 的价值不止在模型本身，更在于 MiniMax 官方把专业视频制作流程“产品化”成了 9 个可安装的 Skills——安装即得官方工作流，普通人也能复现 Apple 风广告、3D 动画、定格科普这些专业级成片。
一、先认识 H3：一段话讲清楚它是什么
MiniMax H3 是 MiniMax 开源的全模态生成系统（omni-modal），能同时理解文本、图片、视频、音频的混合输入，并直接生成自带原生立体声的视频。
官方给出的关键规格：
- 输出时长 4–15 秒
- 支持多种画幅：21:9、16:9、4:3、1:1、3:4、9:16 等
- 默认短边 768p，通过 H3-Regenerate-2K 可达 2K
- 24 FPS，32kHz 立体声音频
- 稳定支持 11 种语言对话（含中英文），其余语言也有不同程度支持
对普通用户来说，最值得记住的其实是两件事：它生成的视频自带声音（不用再单独找 BGM 和音效），以及 它支持多模态参考输入——图片、视频、音频都可以作为素材喂进去。
而它随仓库一起发布的 skills 目录，正是为了让普通人也能用好这套能力。
二、官方 Skills 全家桶：1 + 8 的结构
打开仓库的 skills 目录，你会看到 9 个技能，结构是“1 个核心 + 8 个风格”：
1 个核心提示词技能：
- h3-prompt-writing——把任何多模态需求改写成 H3 的标准提示词结构，是所有高级用法的地基。
8 个风格视频生成技能（全部附带中英双语说明 SKILL.md / SKILL.cn.md）：
| 技能 | 用途 | 适合谁 |
|---|---|---|
| minimalist-product-ad-generator | 上传一张产品图，做“苹果风”高级产品广告短片 | 电商卖家、小品牌主理人 |
| 3d-animation-short-generator | 从故事想法到成片的完整 3D 动画短片 | 想做风格化动画叙事的人 |
| papercraft-stop-motion-explainer | 手工剪纸质感的定格动画科普 | 科普、教育、知识类创作者 |
| brand-promo-video-generator | 品牌/产品/网站/App 的宣传短片 | 市场、品牌、独立开发者 |
| music-video-subtitle-generator | 带歌词排版的 MV、情绪短片 | 音乐人、视频创作者 |
| co-op-game-intro-generator | 双人合作游戏的菜单/开场动画 | 游戏概念创作者、社媒内容 |
| paper-collage-explainer-generator | 纸拼贴视觉语言的科普/观点短片 | 讲解类、观点类创作者 |
| handdrawn-live-video-generator | 粗糙发光手绘与实拍结合的超现实短片 | 单场景创意短片 |
注意一个细节：这 8 个风格技能都做了中英双语，而核心的 h3-prompt-writing 官方目前标注还只有英文版——它服务的对象是“要写提示词”这件事，技能也仍在迭代中。不过实测下来，它对中文需求的处理完全够用，甚至能帮你把官方没写全的提示词补全得很好（详见后文“实测体验”一节）。
三、核心技能 h3-prompt-writing：五种模式与三段式提示词
这是 9 个技能里最“硬核”的一个，值得单独讲。
H3 支持五种视频生成模式，h3-prompt-writing 的作用就是帮你判断当前需求属于哪种模式，并按对应结构重写提示词：
- T2VA：纯文本 → 构建完整的视听时间线（文生视频）
- I2VA：从第一帧图像出发，向前推演发展（首帧生视频）
- FL2VA：描述首帧和尾帧之间的连续路径（首尾帧生视频）
- L2VA：推断一个合理的开头，收敛到给定的尾帧（尾帧生视频）
- Ref2VA：全参考模式，支持图片、视频、音频混合输入（多模态参考生视频）
其中基础模式（T2VA/I2VA/FL2VA/L2VA）要按官方顺序改写三个核心字段：
- integrated_multimodal_description——整合的多模态画面描述，逐镜写清构图、主体、环境、动作、运镜
- overall_soundscape——整体声景，画面里每个动作对应的声音
- non_diegetic_music——非剧情配乐，即背景音乐的调性走向
而全参考模式 Ref2VA 更复杂，需要按六个部分改写：subject_definitions（主体定义）、summary（任务摘要）、retention_analysis（保留分析）、detailed_description（详细描述）、overall_soundscape、non_diegetic_music。
这个技能真正的价值在于：官方把“怎么才能让 H3 听懂你”的规范写进了可执行的规则里——比如要求每个镜头按“构图、主体、环境、动作、运镜、声音、参考内容出现的确切位置”描述，要求时间标注与请求时长一致，要求对话和歌词保留原文语言。换句话说，它是一份“官方认证的提示词最佳实践”。
四、八个风格技能：把“导演”拆成可执行步骤
这些风格技能的共同点，是不替你拍，而是替你把导演该做的判断拆成了明确的步骤。以 minimalist-product-ad-generator（极简产品广告生成器）为例，它的完整流程是：
- 启动问询：先确认商品素材、款式、目标时长（默认推荐 10 秒）、画幅、苹果风模板、文案方式——这是强制关卡
- 产品事实摘要：分析品类、主色、可展示结构
- 选叙事脊柱：产品发布型 / 功能触感型 / 色彩家族型
- 定动效语言：规定运动强度、转场逻辑、节奏峰值
- 生成英文文案：3–5 词 Apple 风，不套模板
- 三张独立锚定照片：锁定主视角、材质细节、结尾文案构图
- 精确节拍分镜表：给视频模型看的执行表，逐秒规划镜头、动作、文字
- 视频生成：默认 MiniMax-H3，原生音频
- 配乐与卡点剪辑：音乐不合适时用 music-2.6 重配
- 交付验证：比例、文案、产品保真、音乐逐项检查
注意其中很多细节，是官方踩过坑之后写进去的经验，比如：不用四宫格锚定图（视频模型会把宫格版式带进成片）、画面文字要一体化动效而不是后期字幕兜底、产品本体颜色是硬保真约束（苹果风不等于把产品染成白色）……这些规则读起来像一份“产品导演手册”。
其他风格技能也是同样的思路：3D 动画从项目简报一路到分镜、单镜生成、拼接、BGM；定格科普会先确立学习目标和视觉隐喻，再做纸偶、立体布景和分镜；手绘实拍技能甚至会检查“接触是否真实、运镜是否有延迟感、是否非恐怖基调”。
五、怎么用：一条命令装好，四个入口上手
安装技能用的是 Vercel 的 skills CLI，一条命令即可：
npx skills add https://github.com/MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing
换成其他技能名（如 minimalist-product-ad-generator）即可安装对应风格技能。
使用 H3 本身有四个入口：
- 在线 API：全球 platform.minimax.io / 国内 platform.minimaxi.com
- 在线 App：全球 hailuoai.video / 国内 hailuoai.com
- 桌面端：全球 hub.minimax.io / 国内 hub.minimaxi.com
- 本地部署：H3-Base 权重已开源（Hugging Face / ModelScope），支持 SGLang、vLLM、diffusers、ComfyUI 等框架（实测提醒：本地部署硬件成本较高、配置门槛不低，更建议走云端部署，省钱省心，详见第八节）
对绝大多数内容创作者来说，最省事的路径是：装好技能 → 在 App 或 API 上按技能给出的步骤执行。技能负责把“怎么提问”这件事标准化，你只需要提供素材和做选择题。
六、不同的人，该怎么挑
- 电商卖家 / 品牌主理人：直接上 minimalist-product-ad-generator，一张产品图起步，默认 Apple 风
- 想做动画短片的创作者：3d-animation-short-generator 给你从概念到成片的完整流水线
- 科普 / 教育博主：papercraft-stop-motion-explainer 或 paper-collage-explainer-generator，两种手工质感可选
- 音乐人 / MV 创作者：music-video-subtitle-generator，歌词排版和节拍卡点是它的强项
- 游戏概念 / 社媒创作者：co-op-game-intro-generator 能做双人游戏开场动画
- 想写高质量自定义提示词的人：先啃透 h3-prompt-writing
七、边界与真相：官方自己标好的坑
值得说的是，每个官方技能都诚实地声明了“不适合什么“：
- 极简产品广告：不适合 KOC 口播、普通剪辑、复杂屏幕演示
- 3D 动画：不适合单张图片、简单剪辑、写实真人、单条素材
- 手绘实拍：不适合精细 CG、恐怖惊吓、毛绒角色、多场景剪接
这些边界信息非常重要——它意味着官方不承诺“一个技能通吃所有需求”，而是希望你按场景选择。另外，技能仍在活跃迭代中，h3-prompt-writing 暂时只有英文版；如果你优化了现有技能或新增技能，可以开 PR 提交，官方明确表示贡献和优化技能会获得 API 奖励。
最后提醒一句：用 H3 生成视频，输入内容会经过安全审核，涉嫌违法、色情或侵权的素材可能被拦截，这点在使用时要有预期。
八、实测体验：它真的很好用吗？
这一节是真实上手后的体会，直接说结论。
提示词补全：官方没写全的，它帮你补全得很好。 实测 h3-prompt-writing（含中文使用场景）下来，最惊喜的一点是：即使官方文档里某些提示词示例没有写全，技能也能按 H3 的五模式结构，把缺的部分合理补全，生成的视频风格非常在线。也就是说，你不需要自己成为提示词专家，把需求丢给它，它就能产出符合规范、可直接喂给 H3 的提示词。
部署成本：别自己攒机器，上云更省钱。 如果你动过本地部署 H3-Base 的念头，实测的结论是：硬件成本比较高，对个人和小团队并不友好。更推荐走云端部署，性价比高很多——基本生成一条 15 秒的视频，成本在 6 毛钱左右（约 0.6 元）。建议优先使用官方提供的加速版本部署，速度和成本都能更优。
结尾：动手吧
从今天起，你可以不再从零写提示词了。MiniMax H3 官方的 9 个技能，本质上是一套“官方认证的视频制作 SOP”——安装它，跟着它的步骤走，剩下的就是把你的素材和想法交给流程。
给你的第一个行动：挑一个最贴近你业务的技能（比如做电商就选极简产品广告），跑一遍完整流程。你会惊讶地发现，一条“看起来需要专业团队”的成片，其实只差一条命令和几次确认。
本文基于 MiniMax H3 官方仓库（github.com/MiniMax-AI/MiniMax-H3）的 skills 目录、README 及各技能 SKILL.md 整理。文中技能名称、模式、步骤均为官方文档内容；