MiniMax H3 Max Reference：多参考模式到底如何工作

图片提供人物外观、服装、产品或环境等视觉线索。选择清晰且一致的图片，并在提示词里说明每张图负责什么。参考图片影响新的构图，并不固定视频的第一帧。

视频提供动作与镜头运动线索，适合用短片段描述一个主要动作。音频提供声音或语音线索，必须与至少一张参考图片或一段参考视频一起使用，不支持纯音频参考。

供应商最多接受 9 张参考图、3 段视频和 3 段音频，参考文件合计最多 12 个。视频和音频每段必须为 2–15 秒，两种素材的总时长分别不能超过 15 秒；SongLee 还会按套餐限制可用数量。本站图片支持 JPG、PNG、WebP，最大 15 MB；MiniMax 视频请用最大 50 MB 的 MP4，音频请用最大 15 MB 的 MP3 或 WAV。

想让人物外观、动作或音频引导一个重新构图的镜头，选择多参考模式。上传参考素材，并说明它们各自的作用。一张参考图并不表示视频必须从这张图片开始。

希望图片成为起始画面，或需要首尾帧控制时，选择图生视频并上传一至两张首尾帧图片。在这个模式下，画面比例由图片决定，即使另选了比例也会跟随图片。

完全用文字描述场景时，选择文生视频。同一个 MiniMax 请求不能同时包含首尾帧和多参考图片、视频或音频。工具会分开这些工作流，并在预留积分前校验请求。

当前接入没有参考强度滑块。通过精简素材、明确参考图的职责控制结果。先使用一个清晰主体和一个动作，只在需要时添加动作视频或音频参考。

如果人物发生漂移，检查参考图是否使用同一个人、相同服装、光线与视角，并明确要求保留可见细节。冲突的人脸或衣服、过小的主体、快速变换的镜头都会增加难度。参考素材越多不一定越稳定。

如果视频没有从第一张图开始，检查模式：多参考允许重新构图；需要固定开场时请使用首帧图生视频。手部或动作不自然时，先缩短片段、减慢动作，再考虑提高分辨率。

1. 只收集自己拥有或获得授权的素材。选择清晰主体图，按需添加短动作片段和授权音频，所有输入都围绕同一个目标场景。

2. 按参考素材作用、主体、动作、镜头、光线的顺序写提示词。例如：图 1 提供人物，视频 1 只提供镜头运动，庭院背景保持稳定。优先描述一个可完成的动作，而不是多个复杂场景。

3. 选择模型、时长与支持的分辨率，生成前确认积分。参考视频会增加输入时长积分，额外图片也可能增加积分。提交时预留积分，任务失败后释放。发布前检查视频是否存在视觉错误。