01 三軌公式
多數影片模型生成的是畫面，H3 生成的是整支片子——畫面、環境音、配樂出自同一次生成。這改變了提示詞的寫法：一條好的 H3 提示詞，要覆蓋我們看到什麼、場景聽起來是什麼樣，以及（可選）底下墊什麼音樂。本章先立起這副骨架，再講每個任務都繞不開的兩個旋鈕：解析度與時長。
1.1 同時為眼睛和耳朵而寫
從一句「主體 + 動作」起步，再依序疊上鏡頭、環境，以及 H3 特有的習慣——聲音。因為音訊與畫面是聯合生成的，你沒寫的部分，模型會替你編。通常一句環境音加一句配樂，就足以奪回控制權。自然語言直接可用；H3 也受過一套更嚴謹的結構化格式訓練，第 3 章會見到它。
[主體] + [動作] + 可選 [風格] [鏡頭] [環境音] [配樂]
主體
這條鏡頭拍的是誰或什麼——描述越具體，結果越穩定。
動作
主體在做什麼，一次一個清晰的動作節拍。模糊的動詞只會產出模糊的運動。
風格
開頭就定下整體質感：實拍電影感、2D 動畫、黏土動畫、復古底片。
鏡頭
景別與運鏡。H3 對明確的鏡頭語言響應得很好——第 2 章給出完整詞表。
環境音
場景本身的聲音：雨聲、車流、鍋裡的滋滋油響。角色聽得見這一層。
配樂
只有觀眾聽得見的音樂。寫樂器和節奏，不要寫情緒詞。
深夜麵攤
提示詞
實拍，電影感。深夜的街邊麵攤在一顆吊燈下發著光；攤主從滾沸的鍋裡提起一笊籬麵條，蒸氣湧滿畫面，他把麵甩進等著的碗裡。鏡頭先保持中景，再慢慢向碗推近。沸水咕嘟作響，笊籬在鍋沿噹啷一響，遠處機車駛過。一段孤單的二胡旋律輕輕墊在場景底下。
一個主體、一個乾淨的動作、一次運鏡——兩層聲音各自點名。這就是 H3 提示詞的基準形態。
風暴中的燈塔
提示詞
實拍，電影感，冷藍灰色調。穿黃色雨衣的燈塔看守人頂著風站在環廊上，緊抓欄杆，浪花迎面炸開撲過他；塔頂光束掃過兩次。鏡頭以大幅度、慢速向右橫移，把他框在翻湧的海面前。風聲怒吼，海浪砸在下方礁石上，雨衣啪嗒甩動。低沉的弦樂持續鋪底，緩慢堆疊，始終懸而不決。
六個元素全部到位——風格開頭，然後是主體、動作、一次明確的運鏡，環境音與配樂各佔一句。
1.2 解析度與時長：768p 打樣，2K 交付
兩檔解析度——768p 與原生 2K——加上一根 4–15 秒的連續刻度，接受任意整數。工作節奏：在 768p 上疊代，每秒成本只有 2K 的一小部分；構圖和節奏過關後，同一條提示詞換 2K 重跑出成片。動作量要跟秒數匹配：每 4–5 秒一個動作節拍最穩；15 秒能裝下一個三拍的微型場景。H3 全檔位都是 24fps 立體聲。
2K 錦鯉池
提示詞
實拍，微距紀錄片風格。雨後的錦鯉池：橙白相間的錦鯉在綴滿水珠的水面下滑行，魚游過時荷葉輕輕顫動，一片楓葉在水流裡慢慢打轉。鏡頭先以慢速下搖，然後固定機位，三尾錦鯉向一片漂浮的麵包屑聚攏。雨聲輕輕淡出，水拍石岸，一尾錦鯉破水濺起一聲水花。沒有音樂。
預載 15 秒、2K——水面、鱗片、枝葉這類紋理密集的主體，正是原生 2K 最有感的地方。注意「沒有音樂」本身就是一條指令：它讓配樂軌保持空白。
02 多鏡頭時間線
H3 原生建模剪接——你能執導一支剪好的序列，而不只是一個長鏡頭。慣例是：以 [Shot 1] 開場，之後每個鏡頭都以標籤加時間碼起頭，例如 [Shot 2] At 00:04.000。時間碼必須嚴格遞增，而且落在影片總時長之內。本章講分鏡清單，以及每個鏡頭內部的運鏡詞表。
2.1 分鏡清單：標籤 + 時間碼
把每個鏡頭寫成獨立的句塊：標籤、切換時間、然後是新鏡頭拍到什麼。用切鏡引入真正的新資訊——新主體、新空間、新視角；如果只是距離變了，就用運鏡代替切鏡。老實分配秒數：12 秒的影片裝三個鏡頭很從容，五個就勉強了。
[Shot 1] 開場鏡頭 … [Shot N] At MM:SS.mmm, the camera cuts to …
鏡頭標籤
[Shot 1] 開場鏡頭不帶時間碼；之後每個鏡頭都有自己的編號。
切換時間
每個後續鏡頭開頭的 MM:SS.mmm——嚴格遞增，始終在總時長之內。
切鏡措辭
「the camera cuts to」是主力；「the shot transitions to」這類寫法也行。疊化、淡入淡出，只在真的需要時才寫。
新資訊
這次切鏡揭露了上個鏡頭給不了的什麼——新主體、新空間、新視角。沒有新資訊的切鏡，應該改成運鏡。
三鏡頭的早市
提示詞
實拍，電影感，溫暖的晨光。[Shot 1] 大全景：有頂棚的市場正在醒來，攤販捲起鐵捲門，一箱箱柳橙堆成金字塔，陽光從屋頂的縫隙間切進來。[Shot 2] At 00:04.000, the camera cuts to 魚販雙手的特寫：油亮的鯖魚被碼上碎冰，水珠四濺。[Shot 3] At 00:08.000, the camera cuts to 一位上了年紀的顧客把柳橙舉到鼻尖，閉上眼，笑了。鐵捲門嘩啦作響，碎冰咯吱，人群的嗡嗡聲逐漸漲起。輕快的木吉他節奏，散步般的速度。
12 秒三個鏡頭——全景交代、特寫給細節、面孔給反應。場景音與配樂兩句放在分鏡之後，覆蓋整支影片。
2.2 運鏡詞表：類型 × 幅度 × 速度
H3 聽得懂一套精確的運鏡詞表——搖鏡（pan）、橫移（truck）、俯仰（tilt）、升降（pedestal）、推近（push in）、拉遠（pull out）、變焦（zoom）、環繞（arc）、跟拍（tracking）、固定（static）、主觀視角（POV）、手持晃動（handheld shake）、滾轉（roll）——每種動作還帶兩個可選修飾：幅度（小/大）與速度（慢/快）。把運鏡寫成鏡頭裡的自然動作，不要堆在句尾當標籤。中等幅度、正常速度是預設值，只有在關鍵時才寫出來。
環繞雕塑家
提示詞
實拍，電影感，一個連續長鏡頭。塵土飛揚、灑滿窗光的工作室裡，雕塑家正在鑿一尊大理石像的面部，停下來吹掉顴骨上的石粉。鏡頭以大幅度、慢速繞著他環繞，直到整圈走完，石像的臉才第一次完整入畫。鑿子敲在石頭上叮叮作響，石粉從表面簌簌落下，天窗上一隻鴿子咕咕叫。沒有音樂。
一個鏡頭、一次環繞——幅度與速度都寫明，揭示的時機綁在運鏡路徑上。這麼刻意的調度，正是三維運鏡詞表的用武之地。
03 執導原生立體聲
H3 每次生成都輸出立體聲——沒有音訊開關，所以真正的問題是：聲軌由你來導，還是任它自生。語音與畫面聯合生成，嘴型自動和說話人對齊。本章講三種音訊手法：畫內台詞、畫外音旁白，以及場景音與配樂的雙層分離。
3.1 台詞：誰說、說什麼、怎麼說
可靠的配方分三步：先確立說話人（年齡、嗓音特質），再給出台詞原文，最後執導語氣。H3 的原生記法給每個說話人一個穩定編號，例如 (S1)，台詞包在 <d>[Chinese] …</d> 裡——標籤註明所說的語言，內部的台詞逐字保留。用引號也可以，但帶標籤的寫法最穩定。台詞要短：每 10 秒一到兩句。要出現在畫面裡的文字——招牌、標籤——則放進雙引號裡。
舊書店的推薦
提示詞
實拍，電影感，溫暖的鎢絲燈光。逼仄的二手書店裡，店主——一位六十多歲、嗓音低沉不疾不徐的女性 (S1)——從高處書架抽出一本布面精裝小說，在封面上輕敲兩下，隔著櫃台遞過去，語氣篤定而平靜地說：<d>[Chinese] 人人都來找那本出名的。這本，才是他們留下的。</d> 鏡頭保持過肩的中近景。書頁沙沙響，地板吱呀一聲，雨點敲著店鋪櫥窗。沒有音樂。
說話人帶年齡與嗓音特質、標註 (S1)、台詞包進 <d>[Chinese] …</d>、語氣用「篤定而平靜」執導——一條提示詞集齊台詞配方的全部要素。
3.2 畫外音：蓋在畫面之上的旁白
寫旁白時，H3 有一個值得逐字照用的固定措辭：說話人「says in an off-screen voiceover」，後接台詞——緊接著再聲明畫面中角色的嘴唇保持閉合。最後這個子句不是裝飾：正是它阻止模型把旁白對嘴到畫面裡那個人身上。
山裡的信
提示詞
實拍，電影感，低飽和色調。年輕人沿著之字形山徑向上走，山谷裡灌滿濃霧，呼出的白氣在冷空氣裡清晰可見。一個歷經風霜的男性嗓音 (S1) says in an off-screen voiceover：<d>[Chinese] 你爺爺每年秋天都走這條路。現在你知道為什麼了。</d> while the hiker's lips remain completely closed。鏡頭從背後以小幅度、慢速跟拍，然後上搖到山脊線。風穿過枯草，靴子碾過碎石，遠處一聲鷹唳。稀疏的鋼琴音符，慢速，在影片結束前淡出。
畫外音固定措辭加上「嘴唇保持閉合」這個子句，是旁白與畫內台詞的分界線——少了後半句，登山者可能就會開始對嘴。
3.3 雙層分離：場景音 vs 配樂
H3 把音訊分成兩層來理解。場景音是角色可能聽見的一切——環境聲、動作聲、呼吸聲。配樂是只有觀眾聽得見的音樂——用樂器、節奏與力度來描述，永遠不用情緒詞。在 H3 的原生結構化格式裡，這就是字面上的欄位：時間線寫在 integrated_multimodal_description，場景音寫在 overall_soundscape，配樂寫在 non_diegetic_music（靜音寫 N/A）。Molyin 會把你的提示詞原樣傳遞，所以三欄位的完整格式可以直接貼進提示詞框——下面的範例就是一條，可以直接送出。
integrated_multimodal_description: [Shot 1] … ⏎ overall_soundscape: [環境音 + 動作聲] ⏎ non_diegetic_music: [樂器 + 節奏 + 力度，或 N/A]
環境音
場景持續的聲音底床：雨聲、室內底噪、車流。1–4 句覆蓋整支影片。
動作聲
會發出聲音的物理事件——腳步、碰撞、布料摩擦。台詞留在時間線欄位裡，不寫在這裡。
配樂規格
樂器、節奏、力度走向——「稀疏鋼琴，慢速，弦樂漸強」。不是「有情緒的音樂」。N/A 表示無配樂。
屋頂雨夜，完整原生格式
提示詞
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium shot frames a woman standing under a corrugated awning on an apartment rooftop as evening rain falls, holding a chipped mug of tea. She watches the city lights blur below, then closes her eyes and breathes out slowly. [Shot 2] At 00:05.000, the camera cuts to a close-up of the mug: steam curls up through the rain-light, a drop from the awning strikes the rim and splashes. overall_soundscape: Steady rain drums on the corrugated awning and hisses on the streets below. The mug clinks once against her ring, and a long exhale is audible under the rain. non_diegetic_music: A muted felt-piano motif at a slow tempo, repeating with a slight swell in the second half and no resolution.
這就是完整的原生三欄位格式，原樣貼進提示詞框即可。需要幀級控制時用它；日常快速任務，第 1 章的流暢寫法就夠了。
04 圖生影片
給 H3 一張首幀圖，它會從那張圖往前發展出整個場景——人物身分、服裝、佈局、風格，全部錨定在你上傳的畫面上。輸出比例跟隨源圖，所以先把靜幀構圖在你打算發佈的畫幅裡。再加一張尾幀，H3 會插值出兩幀之間的完整旅程。
4.1 首幀：先錨定，再發展
經過驗證的結構：先錨定，後運動。開頭先確認圖片已經確立的東西——主體、位置、氛圍——然後描述接下來的動作、鏡頭的行為和聲音。不要把每個像素再描述一遍，也不要跟圖片唱反調；這場爭論，首幀已經贏了。小而具體的物理動作命中率最高。
老腳踏車醒了
提示詞
從這一幀開始，畫面活了：腳踏車的前輪開始慢慢轉動，夾在輻條上的撲克牌越轉越快，車把上的彩帶在漸起的風裡揚起來。鏡頭以小幅度、慢速向轉動的輻條推近。撲克牌的嗒嗒聲密集成一陣輕響，風穿過巷子，遠處一聲狗吠。沒有音樂。
上傳一張首幀圖。提示詞沒有花任何字描述腳踏車——畫面歸圖片管，運動與聲音歸文字管。
4.2 首幀 + 尾幀：描述那段旅程
兩幀都上傳後，提示詞的任務反轉：跳過起點與終點——它們已經定死——只寫兩幀之間的路徑。主體怎麼運動、姿態怎麼變化、構圖怎麼演進、兩幀的差異如何逐步收攏？保持單一連續鏡頭，模型才能乾淨地插值；視覺差距越大，給的秒數越多。
碗成形了
提示詞
轉動的拉坯輪上，濕黏土團在陶藝師拱起的雙手下升起：拇指往中心壓出凹槽，坯壁攀升、向外展開，泥漿順著她的手腕流下，坯體逐漸落進成品碗的輪廓。鏡頭全程對住輪盤，保持固定近景。輪盤穩定地嗡嗡轉動，濕黏土在掌心下咕啾作響，水珠從她指間滴進托盤。
用泥團當首幀、成品碗當尾幀——提示詞只敘述轉變本身。8 秒給插值留足空間；兩幀差距更大就再加秒數。
05 參考選角
H3 的招牌能力：統一上下文，一次請求讀入最多 9 張圖、3 段影片片段（每段 2–15 秒、合計不超過 15 秒）和 3 條音軌——再用一條提示詞告訴它每份素材貢獻什麼。素材按類型加上傳順序命名——Image 1、Video 1、Audio 1——並各自指派角色。這是選角，不是裝飾：外形取自一份素材，運動取自另一份，聲音取自第三份。
5.1 每份素材都點名，每個角色都指派
讓多參考真正有效的規則：每份上傳的素材都要點名、派活。「用 Video 1 的運鏡，讓 Image 1 的角色出鏡」——類型加上傳順序，角色直接說明。沒派活的參考，等於邀請模型自由發揮。圖片承載身分、場景與風格；影片承載運鏡、節奏與結構；音訊承載音色與音樂質感。前 5 張參考圖免費；從第 6 張起，每張有一筆小額附加費——送出前預估器會先顯示。
[Image/Video/Audio N] 提供 [角色] + 目標畫面描述 + 可選 [一致性鎖]
點名素材
Image 1、Video 1、Audio 1——類型加上傳順序。每個類型內部獨立編號。
角色
每份素材貢獻什麼：外形、場景、運鏡、節奏、音色、音樂風格。
一致性鎖
必須存活的特徵：髮型、服裝、色調、光線。即使圖片裡已經有，也要用文字再釘一遍。
風衣走秀
提示詞
讓 Image 1 裡的女人穿過雨夜的霓虹街道朝鏡頭走來，運鏡與節奏跟隨 Video 1——一個緩慢的倒退跟拍，讓她前進時始終居中。保持她的身分一致：銀色短髮、立起衣領的墨綠色風衣、從容不迫的步伐。靴子踩碎水窪，雨打在霓虹招牌上嘶嘶作響，合成器貝斯線以慢速脈動。
上傳一張角色圖和一段運鏡參考片段。每份素材都點名、各領一份差事，一致性鎖再用文字把不許漂移的特徵釘死。
5.2 角色一致，聲音借用
要打造常駐角色，參考圖幹重活，語言來上鎖：在圖片參考旁把身分特徵逐條寫明，它們就能跨鏡頭存活。音訊參考把這套邏輯延伸到聲音——讓某個說話人指向一條上傳的音軌，H3 會匹配它的音色與語感，而不是複製那段錄音。這就是給生成角色一把跨系列一致嗓音的方法。音訊參考不收附加費。
街頭歌手
提示詞
讓 Image 1 裡的街頭藝人——年輕男性、蓬鬆捲髮、白 T 恤外搭牛仔外套、一把彈舊了的木吉他——在黃昏的石拱門下演出。他刷了兩下弦，閉上眼，用 Audio 1 的音色和鬆弛的唱腔開口唱 (S1)：<d>[Chinese] 又一天落幕了，我還留在城的這一頭。</d> 鏡頭從全景慢慢推成中近景，路人放慢腳步停下來聽。琴弦在拱門的天然殘響中嗡鳴，硬幣叮噹落入敞開的琴盒，暮色裡遠方車流低語。
上傳一張角色圖和一條人聲音軌。(S1) 說話人映射到音軌的音色——錄音決定嗓音聽起來如何，<d> 裡的台詞決定他唱什麼。預載 12 秒、2K，把演出細節拉滿。