MiniMax H3 Lite 参考生视频：该给它喂什么
MiniMax H3 Lite 参考生视频用你的图片、视频和音频生成片段。该喂什么，以及如何先低成本检查一组参考素材。
我们已经把 MiniMax H3 Lite 参考生视频跑了足够多次，可以下这个结论：提示词的重要性不如你放进参考位的内容。模型接收你的主体图片，也可以接收短视频和音频，然后围绕它们写出一个场景。输入对了，成片就能保持可辨认；输入错了，你就是在为一个陌生人的片段付费。这是我们希望一开始就能读到的上手指南，围绕两个问题展开：放进去什么，以及在昂贵的那次运行之前怎么检查。
各个输入到底接受什么
只有提示词是必填，但你还必须至少提供一张参考图片或一段参考视频，所以实际上它从来不是纯文生视频。下面是每个输入位的要求，直接来自模型页面。
- 参考图片： 最多九张。每条边必须在 256 到 5760 像素之间，宽高比必须在 0.4 到 2.5 之间，所以过细的横幅和过高的竖条都不行。
- 参考视频（高级）： 最多三段，MP4 或 MOV，每段不超过 50 MB。片段会被调整到一个较短的固定范围，整组共用一个总时长上限：较长的会被裁短，较短的会被延长。
- 参考音频（高级）： 最多三个 WAV 或 MP3 文件，每个 15 MB。音频不会替你裁剪，而且不能作为唯一的参考。
- 设置： 从超宽到竖版的画面比例，两种分辨率可选，时长按整秒选择。
把参考素材当作选角来搭配
把每张图片看作一个角色。一张干净的人像代表人物，一张照片代表物品，一张代表场景。模型页面上的示例正是这样做的：一张图里是糕点师，另一张图里是一只红色的鸟，提示词里把它们称作第一张和第二张图。因为参考图是有编号的，所以要在提示词里说明。“第一张图里的厨师”比“那个男人”好用得多。
在昂贵的那次运行之前先检查
- 先通读这组素材。 把图片并排摆开，问自己：每张是不是一个不同的角色，有没有哪张和另一张相矛盾（两件不同的外套、两种不同的光线氛围）？把落选的去掉。
- 用最便宜的设置跑一遍。 选较小的分辨率和最短的时长。“生成”按钮上的价格会随这两项变化，所以草稿只需成片的一小部分费用。
- 先看身份，再看动作。 如果脸、服装或标记在草稿里走样，就去改参考图，而不是改提示词。动作问题用措辞就能便宜地修好。
- 然后再放大： 更大的分辨率、更长的时长，以及你要发布的画面比例。
现成的提示词
使用图 1 里的咖啡师和图 2 里的陶瓷杯。保持她的脸、围裙和杯子的釉面与图中完全一致。咖啡馆吧台前的中景，她把杯子推向镜头，蒸汽升起，窗边柔和的晨光。图 1 里的运动鞋放在图 2 里的湿漉漉的街道上。镜头缓慢环绕这只鞋，雨珠挂在皮面上，霓虹倒影滑过水坑。图 1 里的狐狸小跑穿过图 2 里的雪林，停下来回头看向镜头。保持狐狸的花纹和尾巴。轻柔的手持感。什么时候该选别的
如果你已经有确切的首帧，同一家的图生视频是更直接的工具。如果你完全没有参考素材，就用文生视频。想做更全面的比较，视频模型指南和完整的模型列表会有帮助。我们关于参考图集的笔记在这里同样适用。
坦白说的局限
参考素材是引导结果，而不是保证复制。给了九张图，模型要同时处理很多条指令，印刷文字、标志和精细图案这类小细节可能会变模糊或改变。音频位也不会自行让说话与口型同步，所以把它当作氛围和节奏的参考，而不是配音。当某个细节必须做到像素级精确时，先在静态图里修好，再从那张图开始做动画。
常见问题
可以只用参考视频、不用图片吗？
可以。至少需要一张图片或一段视频，所以只给视频就够了。不过音频永远不能作为唯一的参考。
应该用多少个参考？
够覆盖场景中各个角色就行，越少越好。模型最多允许九张图片，但两三张整洁的素材通常比一堆拥挤的素材更忠实。
为什么我的参考图片被拒绝了？
检查它的尺寸和形状：每条边需要在 256 到 5760 像素之间，宽高比在 0.4 到 2.5 之间。
