我最近研究了一下H3模型的提示词，开源视频模型还是复杂

我最近不是看了下那个H3模形的提示词嘛。一开始我真没当回事，心想不就是写个视频描述吗，能有多难。结果打开一看，好家伙，字段一堆，模式一堆，英文缩写还一堆，什么T2VA、I2VA、FL2VA、L2VA，还有个Ref2VA，我当场就有点晕。

它这个跟平时那种“帮我生成一个很美的画面”真不太一样。你不能用那种特别虚的话去糊弄，比如什么“电影感拉满”“氛围很绝”“超级震撼”，H3好像不太吃这套。你得写具体一点。就是画面里到底有啥，人在干嘛，镜头怎么动，声音从哪来，几点几秒发生啥，都得讲明白。

我一开始最烦的是它模式分好多。

T2VA就是纯文本搞视屏，啥参考都没有，全靠你一张嘴说。这个看着简单，其实挺难，因为你得自己把整个时间线编出来。不能只写一个结果，比如“一个人站在雨里”，然后就没了。那模型咋知道前面发生啥后面发生啥。

I2VA好像是给第一帧，然后往后发展。这个我理解成“图片接龙”。你给了开头那张图，后面就得接着写。比如图里有个门，那这个门后面是开还是不开，人是进去还是站着，镜头是推还是拉，这些你最好说清楚。

FL2VA更麻烦，首帧尾帧都有，你得写中间过程。这个真的像填空题，A点到B点，中间不能断。我试过脑补得太离谱，就感觉不太对，画面逻辑会飞。

L2VA是只有尾帧那种吧，大概意思是你得自己猜一个开头，然后最后落到给的那张图上。这个也挺烦，因为开头不能瞎来，不然跟结尾接不上。属于是既要自由发挥，又不能太自由。

然后还有个Ref2VA，全参考模式。这个我看完只有一个感受：麻烦是真麻烦，但好像也挺强。就是你又有图，又有视频，又有音频，它要参考很多东西。这个时候标签就特别重要。什么 <Picture 1>、<Video 1>、<Audio 1>，你前面定了，后面就别乱改。我这种粗心的人真的很适合在这里翻车。

我有一次差点把 <Picture 1> 一会儿写成人，一会儿写成背景，后来想想算了，模型不懵我才懵。标签这个东西，真的得从头到尾一致。

基础模式里面，经常会写这几个字段：

integrated_multimodal_description

overall_soundscape

non_diegetic_music

我第一次看这几个英文的时候，真的有点烦。你说写中文不好吗，非要整这么长一串。但看多了发现也还好。第一个大概就是写整体画面和事件，就是视频里发生了啥。第二个是整体声音，现场有啥声。第三个是那种背景配乐吧，不是画面里人物听到的那种。

比如你写一个夜市，别只写“很热闹”。你得写烤串滋滋响，旁边有人吆喝，塑料袋被风吹得呼啦呼啦，远处还有摩托车声音。这样才像真的。BGM你可以单独写，比如有点低音、有点慢、带点潮湿的感觉。反正别写“很好听”，好听没用。

Ref2VA那边字段更多，什么：

subject_definitions

summary

retention_analysis

detailed_description

overall_soundscape

non_diegetic_music

我看到 retention_analysis 的时候直接停住了，心想这啥啊。后来大概理解成，你得分析一下哪些参考内容要保留。比如参考视频里的动作要保留，参考图里的脸要保留，参考音频里的节奏要保留。不能只说“参考这个视频”，得说清楚参考它哪里。

这个模式还挺强调别写剧情梗概。就是你别上来就“他的一生很惨，最后救赎了自己”。这种写小说可以，写H3提示词就有点跑偏。它更像镜头说明。你得写第几秒到第几秒，谁在画面里，镜头怎么拍，声音怎么配合。

我后面学乖了，写的时候会故意把时间切开。比如0到2秒干嘛，2到4秒干嘛，4到6秒干嘛。虽然这样写有点笨，但真的不容易乱。H3这个好像一般是4到15秒，别写太长。你要是整了个三分钟大戏，结果视频只有6秒，那不现实。

还有一个点，对白和歌词最好别乱翻。比如画面里有人唱英文歌，你就保留英文。招牌上是日文，也保留日文。这个我一开始没注意，后来才发现，硬翻成中文会怪怪的，少了那个现场感。

我现在的感受就是，写H3提示词不像写作，更像在做一种很细的说明书。你得告诉模型：这里有什么，那里有什么，声音怎么来，镜头怎么走，参考素材什么时候出现。真的不能太随性。

但话又说回来，太死板也挺烦。有时候你写得太干，又没味道。所以还是得加一点画面感。比如“她站在便利店门口，头发有点湿，手里那杯热饮冒着一点白气”，这种就比“一个女人站着”强很多。

我总结一下下，H3提示词大概就是：

先搞清楚你是什么模式，别上来就瞎写。然后把那几个字段顺序放对，字段名也别改。画面要具体，声音也要具体，时间别超。参考标签要统一，别前面一个样后面一个样。少写抽象词，多写能看见能听见的东西。

反正我看完之后，感觉这玩意门槛是有点，但也不是学不会。就是一开始会觉得烦，写多了可能会顺手一点。H3这个模形吧，感觉你越认真给它讲清楚，它越不容易给你整活。你要是只丢一句“来个帅的”，它可能真不知道咋办。

就这样吧，写得我也有点乱了。下次要是实际跑出来效果，我再回来补一下。