01 三轨公式
多数视频模型生成的是画面，H3 生成的是一部片子——图片、环境音、配乐出自同一次生成。这改变了提示词的写法：一条好的 H3 提示词要覆盖看到什么、场景听起来是什么样、以及（可选）底下垫什么音乐。本章先立起这副骨架，再讲每个任务都绕不开的两个旋钮：分辨率与时长。
1.1 同时为眼睛和耳朵写作
从一句「主体 + 动作」起步，再按需叠加镜头、环境，以及 H3 特有的习惯——声音。因为音频与画面联合生成，你不写的部分模型会替你编。通常一句环境音加一句配乐就足以夺回控制权。自然语言直接可用；H3 还训练过一套更严格的结构化格式，第 3 章会见到它。
[主体] + [动作] + 可选 [风格] [镜头] [环境音] [配乐]
主体
这条镜头拍的是谁或什么——描述越具体，结果越稳定。
动作
主体在做什么，一次一个清晰的动作节拍。模糊的动词只会产出模糊的运动。
风格
开头就定下整体质感：实拍电影感、2D 动画、黏土动画、老胶片。
镜头
景别与运镜。H3 对明确的镜头语言响应很好——第 2 章给出完整词表。
环境音
场景本身的声音：雨声、车流、油锅的滋滋声。角色听得见这一层。
配乐
只有观众能听见的音乐。写乐器和节奏，不写情绪词。
深夜面摊
提示词
实拍，电影感。深夜的街边面摊在一只吊灯下发亮；摊主从翻滚的沸水里提起一笊篱面条，蒸汽涌满画面，他把面甩进等着的碗里。镜头保持中景，然后缓慢向碗推近。沸水翻滚作响，笊篱磕在锅沿上当啷一声，远处有电瓶车驶过。一段孤独的二胡旋律轻轻垫在场景下面。
一个主体、一个干净的动作、一次运镜——两层声音各自点名。这就是 H3 提示词的基准形态。
风暴中的灯塔
提示词
实拍，电影感，冷蓝灰色调。穿黄色雨衣的灯塔看守人在环廊上顶风前倾，紧抓栏杆，浪花炸起扑过他的身体；塔顶光束扫过两次。镜头以大幅度慢速向右横移，让他始终框在翻涌的海面前。风声怒吼，海浪砸在下方礁石上，雨衣被吹得啪啪作响。低沉的弦乐持续铺底，缓慢累积，悬而不决。
六个元素全部到位——风格开头，然后是主体、动作、一次明确的运镜，环境音和配乐各占一句。
1.2 分辨率与时长：768p 打样，2K 交付
两档分辨率——768p 与原生 2K——加一根 4–15 秒的连续刻度尺，接受任意整数。工作节奏：在 768p 上迭代，每秒成本只有 2K 的一小部分；构图和节奏过关后，同一条提示词换 2K 重跑出成片。动作量要和秒数匹配：每 4–5 秒一个动作节拍最稳；15 秒能装下一个三拍的微型场景。H3 全档位 24fps 输出立体声。
2K 锦鲤池
提示词
实拍，微距纪录片风格。雨后的锦鲤池：橙白相间的锦鲤在布满水珠的水面下滑行，鱼身掠过时睡莲叶微微颤动，一片枫叶在水流里缓缓打转。镜头先以慢速下摇，然后保持固定机位，三尾锦鲤向一粒漂浮的面包屑聚拢。雨声渐弱，水轻拍石岸，一尾锦鲤破水时溅起一声水花。没有音乐。
预载 15 秒 2K——水面、鳞片、枝叶这类纹理密集的主体，正是原生 2K 肉眼可见回本的地方。注意「没有音乐」本身就是一条指令：它让配乐轨保持空白。
02 多镜头时间线
H3 原生建模剪辑——你可以导一段剪好的序列，而不只是一个长镜头。约定是：以 [Shot 1] 开场，之后每个镜头都以镜头号加时间码起头，如 [Shot 2] At 00:04.000。时间码必须严格递增，且落在视频时长之内。本章讲分镜清单，以及镜头内部的运镜词表。
2.1 分镜清单：镜头号 + 时间码
把每个镜头写成独立的句块：镜头号、切换时间、然后是新镜头拍到什么。切镜要引入真正的新信息——新主体、新空间、新视点；如果只是距离变了，用运镜代替切镜。诚实地分配秒数：12 秒的视频装三个镜头很从容，五个就勉强了。
[Shot 1] 开场镜头 … [Shot N] At MM:SS.mmm, the camera cuts to …
镜头号
[Shot 1] 开场不带时间码；之后每个镜头都有自己的编号。
切换时间
每个后续镜头开头的 MM:SS.mmm——严格递增，始终在总时长之内。
切镜措辞
"the camera cuts to" 是主力；"the shot transitions to" 等同类写法也可以。叠化、淡入淡出只在真的需要时才写。
新信息
这次切镜揭示了上个镜头给不了的什么——新主体、新空间、新视点。没有新信息的切镜应该改成运镜。
三镜头的早市
提示词
实拍，电影感，温暖的晨光。[Shot 1] 大全景：有顶棚的市场正在醒来，摊贩卷起卷帘门，一箱箱橙子码成金字塔，阳光从棚顶缝隙间切进来。[Shot 2] At 00:04.000, the camera cuts to 鱼贩双手的特写：油亮的青花鱼被码上碎冰，水珠四溅。[Shot 3] At 00:08.000, the camera cuts to 一位上了年纪的顾客把橙子举到鼻尖，闭上眼，笑了。卷帘门哗啦作响，碎冰咯吱，人群的嘈杂渐渐涨起来。轻快的原声吉他以散步的节奏弹着。
12 秒三个镜头——全景交代、特写给细节、面孔给反应。场景音和配乐两句放在分镜之后，覆盖整条视频。
2.2 运镜词表：类型 × 幅度 × 速度
H3 听得懂一套精确的运镜词表——摇镜（pan）、横移（truck）、俯仰（tilt）、升降（pedestal）、推近（push in）、拉远（pull out）、变焦（zoom）、环绕（arc）、跟拍（tracking）、固定（static）、主观视角（POV）、手持晃动（shake）、滚转（roll）——每种运动还带两个可选修饰：幅度（小/大）与速度（慢/快）。把运镜写成镜头里的自然动作，不要堆在句尾当标签。中等幅度、正常速度是默认值，只在需要时才写出来。
环绕雕塑家
提示词
实拍，电影感，一个连续长镜头。洒满窗光的落尘工作室里，雕塑家正在凿一尊大理石像的面部，停下来吹掉颧骨上的石粉。镜头以大幅度慢速环绕他运动，直到环绕完成，石像的脸才第一次完整入画。凿子敲在石头上叮叮作响，石粉簌簌落下，天窗上一只鸽子咕咕叫。没有音乐。
一个镜头、一次环绕——幅度与速度写明，揭示的时机绑在运镜路径上。这么克制的调度，正是三维运镜词表的用武之地。
03 执导原生立体声
H3 每次生成都输出立体声——没有音频开关，所以真正的问题是：声轨由你来导，还是任其自生。语音与画面联合生成、口型自动对齐。本章讲三种音频手法：画内台词、画外音旁白，以及场景音与配乐的双层分离。
3.1 台词：谁说、说什么、怎么说
可靠的配方分三步：先确立说话人（年龄、嗓音特点），再给出台词原文，最后执导语气。H3 的原生记法给每个说话人一个稳定编号如 (S1)，台词包在 <d>[Chinese] …</d> 里——标签标注所说的语言，内部的台词逐字保留。用引号也行，但带标签的写法最确定。台词要短：每 10 秒一到两句。要出现在画面里的文字——招牌、标签——则放进英文双引号。
旧书店的推荐
提示词
实拍，电影感，温暖的钨丝灯光。逼仄的二手书店里，店主——一位六十多岁、嗓音低沉不疾不徐的女性 (S1)——从高处书架抽出一本布面精装小说，在封面上轻敲两下，隔着柜台递过来，语气笃定而平静地说：<d>[Chinese] 人人都来找那本出名的。这本，才是他们留下的。</d> 镜头保持过肩中近景。书页沙沙，地板吱呀一声，雨点敲着店铺橱窗。没有音乐。
说话人带年龄与嗓音特征、标注 (S1)、台词包进 <d>[Chinese] …</d>、语气用「笃定而平静」执导——一条提示词集齐台词配方的全部要素。
3.2 画外音：盖在画面上的旁白
写旁白时，H3 有一个值得逐字照用的固定措辞：说话人 "says in an off-screen voiceover"，后接台词——并且紧跟着声明画面中角色的嘴唇保持闭合。最后这个从句不是装饰：它就是阻止模型把旁白口型对到画面里那个人脸上的开关。
山里的信
提示词
实拍，电影感，低饱和色调。年轻人沿着之字形山径向上走，山谷里灌满雾气，他呼出的气在冷空气里清晰可见。一个苍老沙哑的男声 (S1) says in an off-screen voiceover：<d>[Chinese] 你爷爷每年秋天都走这条路。现在你知道为什么了。</d> while the hiker's lips remain completely closed. 镜头从背后以小幅度慢速跟拍，然后上摇到山脊线。风穿过枯草，登山靴碾过碎石，远处一声鹰唳。稀疏的钢琴音符，慢速，在视频结束前淡出。
画外音措辞加「嘴唇保持闭合」这一对搭配，是旁白与画内台词的分界线——丢掉后半句，登山者可能就开始对口型了。
3.3 双层分离：场景音 vs 配乐
H3 把音频分成两层来理解。场景音是角色能听见的一切——环境声、动作声、呼吸。配乐是只有观众听见的音乐——用乐器、节奏、力度变化来描述，永远不用情绪词。在 H3 的原生结构化格式里，这就是字面意义上的字段：时间线写在 integrated_multimodal_description，场景音写在 overall_soundscape，配乐写在 non_diegetic_music（静音写 N/A）。Molyin 会把你的提示词原样透传，所以完整的三字段格式可以直接粘进提示词框——下面的示例就是一条，可直接提交。
integrated_multimodal_description: [Shot 1] … ⏎ overall_soundscape: [环境音 + 动作声] ⏎ non_diegetic_music: [乐器 + 节奏 + 力度，或 N/A]
环境音
场景持续的声音底床：雨声、室内底噪、车流。1–4 句覆盖整条视频。
动作声
会发声的物理事件——脚步、碰撞、衣料摩擦。台词留在时间线字段里，不写在这。
配乐规格
乐器、节奏、力度走向——「稀疏钢琴，慢速，弦乐渐强」。不写「有情绪的音乐」。N/A 表示无配乐。
天台雨夜，完整原生格式
提示词
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.
这就是完整的原生三字段格式，原样粘进提示词框即可。需要帧级精度时用它；日常任务，第 1 章的流畅写法就够。
04 图生视频
给 H3 一张首帧图，它会从这张图向前发展出场景——人物身份、服装、布局、风格全部锚定在你上传的画面上。输出比例跟随源图，所以先把静帧构图在你要发布的画幅里。再加一张尾帧，H3 会插值出两帧之间的完整旅程。
4.1 首帧：先锚定，再发展
经过验证的结构：先锚定，后运动。开头确认图片已经确立的东西——主体、位置、氛围——然后描述接下来的动作、镜头的行为和声音。不要把画面里的每个像素再描述一遍，更不要和图片唱反调；这场争论首帧已经赢了。小而具体的物理运动命中率最高。
老自行车醒了
提示词
从这一帧开始，画面活了：自行车前轮开始缓缓转动，辐条上夹着的扑克牌越打越快，车把上的彩色飘带在渐起的风里扬起来。镜头以小幅度慢速向旋转的辐条推近。扑克牌的嗒嗒声密集成一片轻响，风穿过小巷，远处一声狗吠。没有音乐。
上传一张首帧图。提示词没花一个字描述自行车——画面归图片管，运动和声音归文字管。
4.2 首帧 + 尾帧：描述那段旅程
两帧都上传后，提示词的任务反转了：跳过起点和终点——它们已经定死——只写两帧之间的路径。主体怎么运动、姿态怎么变化、构图怎么演进、两帧的差异如何逐步收拢。保持单一连续镜头让模型干净地插值；两帧差异越大，给的秒数越多。
碗成形了
提示词
转动的拉坯轮上，湿泥团在陶艺师拱起的双手下升起：拇指向中心压出凹陷，坯壁攀升外翻，泥浆顺着她的手腕流下，坯体逐渐落进成品碗的轮廓里。镜头全程保持对轮盘的固定近景。轮盘匀速嗡嗡转动，湿泥在掌下咕叽作响，水珠从她指间滴进托盘。
泥团作首帧、成品碗作尾帧——提示词只叙述形变本身。8 秒给插值留足空间；两帧差异更大就再加秒数。
05 参考选角
H3 的招牌能力：统一上下文一次读入最多 9 张图、3 段视频（每段 2–15 秒、合计不超 15 秒）、3 条音频——再用一条提示词告诉它每份素材贡献什么。素材按类型加上传顺序命名——Image 1、Video 1、Audio 1——并各自指派角色。这是选角，不是装饰：外形取自一份素材，运动取自另一份，声音取自第三份。
5.1 每份素材都点名，每个角色都指派
让多参考真正生效的规则：每份上传的素材都要点名并派活。「用 Video 1 的运镜，让 Image 1 的角色出镜」——类型加上传序号，角色直接说明。没派活的参考等于邀请模型自由发挥。图片承载身份、场景与风格；视频承载运镜、节奏与结构；音频承载音色与音乐气质。前 5 张参考图免费，从第 6 张起有少量按张附加费——提交前预估器会显示。
[Image/Video/Audio N] 提供 [角色] + 目标画面描述 + 可选 [一致性锁]
点名素材
Image 1、Video 1、Audio 1——类型加上传顺序。每个类型内部独立编号。
角色
每份素材贡献什么：外形、场景、运镜、节奏、音色、音乐风格。
一致性锁
必须存活的特征：发型、着装、色调、光线。即使图里已经有，也要用文字再钉一遍。
风衣走秀
提示词
让 Image 1 中的女人穿过雨夜的霓虹街道向镜头走来，运镜与节奏参考 Video 1——一个缓慢的后退跟拍，让她始终居中前进。保持她的身份一致：银色短发、立起衣领的墨绿风衣、从容不迫的步伐。靴子踏碎水洼，雨点打在霓虹招牌上嘶嘶作响，一条合成器贝斯线以慢速脉动。
上传一张角色图和一段运镜参考视频。每份素材都点了名、各领一份差事，一致性锁再用文字把不许漂移的特征钉死。
5.2 角色一致，声音借用
打造常驻角色，参考图干重活，语言来上锁：在图片参考旁边把身份特征逐条写明，它们就能跨镜头存活。音频参考把这套逻辑延伸到声音——让某个说话人指向一条上传的音轨，H3 会匹配它的音色与语感，而不是复制那段录音。这就是给生成角色配上一把跨系列一致的嗓音的方法。音频参考不收附加费。
街头歌手
提示词
让 Image 1 中的街头艺人——年轻男性、蓬松卷发、白 T 恤外套牛仔夹克、一把用旧的木吉他——在黄昏的石拱门下演出。他扫了两下弦，闭上眼，以 Audio 1 的音色和松弛唱腔开口唱 (S1)：<d>[Chinese] 又一天折进夜里，我还留在城这头。</d> 镜头从全景缓缓推成中近景，路人放慢脚步驻足聆听。琴弦在拱门天然的混响里嗡鸣，硬币叮当落进敞开的琴箱，暮色里的车流在远处低语。
上传一张角色图和一条人声音轨。(S1) 这个说话人映射到音频的音色——录音决定嗓音听起来什么样，<d> 里的词决定他唱什么。预载 12 秒 2K，把演出细节拉满。