为什么说提示词是决定视频质量的天花板

用 MiniMax + RunningHub 从提示词到成片的完整流水线实战记录

转换即梦版本的提示词

今天做了一件一直在想但没认真落地的事——把飞书多维表格里AI视频即梦专属的提示词通过自动转换，批量跑成了真正的15秒视频。

总共处理了6条记录，覆盖了完全不同的题材：

总消耗：约630 RH币，生成15张参考图 + 6条15秒视频。

提示词网上找到的，大都是适配即梦的，本文的提示词和场景也是摘自网络，要转换为minimax的适配提示词，因为：提示词才是决定视频质量的天花板，而参考图和模型只是帮你逼近这个天花板。

为什么说提示词是最重要的

先说结论：在 MiniMax 这类结构化提示词驱动的视频生成模型中，提示词决定了视频的"剧本质量"，参考图决定了"演员长什么样"，而模型本身决定了"拍摄设备"。你不可能用一个粗制滥造的剧本拍出好电影，哪怕演员是顶级的、摄影棚是顶级的。

我今天的6条视频，使用的模型完全相同（MiniMax H3）、分辨率完全相同（1152x640）、时长完全相同（15秒），但最终质量差异非常大。原因只有一个：提示词的精细程度不同。

宫廷权谋剧和哪吒大战敖丙这两条，提示词是经过精心设计的，每一个镜头都有明确的机位、动作、情绪和时间码；而有些条目因为提示词颗粒度不够，生成的视频就明显"散"——缺少节奏感，镜头之间缺乏逻辑联系。

下面我会把几条关键视频的完整提示词原文贴出来，逐段拆解每一部分的作用。你会发现，一段高质量的AI视频提示词，本质上就是一份微缩版的专业影视剧本。

MiniMax 提示词的六段式结构

MiniMax 使用的是一套严格的六段式结构化提示词。这不是建议，是硬性要求——缺少任何一段，模型的表现都会明显下降。这六段分别是：

1. subject_definitions —— "演员表"：每张参考图是谁、穿什么、长什么样 2. summary —— "一句话故事梗概"：15秒讲什么事 3. retention_analysis —— " continuity清单"：什么必须保持一致，什么绝对禁止 4. detailed_description —— "分镜脚本"：每一秒的画面、机位、动作、对白 5. overall_soundscape —— "拟音清单"：环境音、动作音效 6. non_diegetic_music —— "配乐指示"：BGM的风格、节奏、乐器、情绪曲线 ```subject_definitions: <Picture 1> 严格负责红衣上位皇妃的身份与造型：身穿红色丝绸贵妃服饰，发髻高挽簪着步摇发簪，妆容精致艳丽，气势凌人，面容凶狠、眼含嫉妒怒意。面部、发型、服装颜色与版型均以图1为准，全片不得漂移。 <Picture 2> 严格负责素衣下位妃子的身份与造型：身穿素色轻纱妃嫔服饰的年轻妃子，面容清丽、神情柔弱。面部、发型、服装均以图2为准，全片不得漂移。 <Picture 3> 严格负责皇上的身份与造型：身材高大强壮的帝王，神情威严，满面怒容。面部、体型、龙袍服饰均以图3为准，全片不得漂移。 summary: 一段15秒真人实拍质感的古装宫廷权谋剧片段。红衣皇妃居高临下推倒素衣妃子，拔下发簪欲刺，皇上突然现身攥住手腕阻止并呵斥，素衣妃子最终露出狡诈得意的笑容。 retention_analysis: <Picture 1> 红衣皇妃（appears in [Shot 1-4]）：fully_preserved - 红色丝绸服饰、步摇发簪、凶狠嫉妒表情全程保持一致。 <Picture 2> 素衣妃子（appears in [Shot 1-6]）：fully_preserved - 素色轻纱、柔弱面容、倒地姿态全程保持一致。 <Picture 3> 皇上（appears in [Shot 3-5]）：fully_preserved - 高大强壮体型、威严神情、龙袍服饰全程保持一致。 场景不变量：紫禁城后宫长廊的朱红廊柱、红墙宫檐、砖石地面保持不变。 风格不变量：真人实拍质感古装宫廷权谋剧，高品质古装影视剧写实服化道。 绝对禁止：字幕、画面文字、LOGO、水印。 summarized_description: The target video is in a 真人实拍质感古装宫廷权谋剧 style with 明亮通透的自然日光。 [Shot 1] 0s-4s，全景，固定机位。红衣皇妃与素衣妃子在长廊中对峙。<Picture 1> (S1) 向前逼近一步，双手猛力一推。<Picture 2> (S2) 失去重心向后踉跄倒地，手肘撑地。<Picture 1> (S1) 居高临下俯视，面容凶狠眼含嫉妒。<Picture 1> (S1) says, <d>[Chinese] 我让你知道什么叫规矩！什么叫体统！</d> [Shot 2] 4s-7s，中近景，荷兰角，高机位俯拍。<Picture 1> (S1) 右手伸向发髻拔下步摇发簪，单手高高举起，簪尖朝下对准地上 <Picture 2> (S2)，身体前倾作势刺下。<Picture 2> (S2) 瞳孔骤缩，双手抬起挡在脸前，发出一声惊叫。 [Shot 3] 7s-9s，近景，荷兰角，手持镜头。就在发簪将要刺下的瞬间，一只强壮有力的手臂从画侧猛然伸入，五指紧紧攥住 <Picture 1> (S1) 高举发簪的手腕，动作戛然而止。 [Shot 4] 9s-10s，中景，固定机位。<Picture 1> (S1) 顺着抓住她手腕的手臂望去，双眼骤睁、脸色大变，又惊又恐。<Picture 1> (S1) 倒吸一口凉气。 [Shot 5] 10s-12s，反打镜头，固定机位。抓着手腕的是 <Picture 3> (S3)，镜头聚焦 <Picture 3> (S3) 上半身近景，满面怒容。<Picture 3> (S3) says, <d>[Chinese] 有朕在，不许任何人伤害她！</d> [Shot 6] 12s-15s，固定机位，双人前后景镜头。越过 <Picture 3> (S3) 的肩膀聚焦后景处仍倒在地上的 <Picture 2> (S2) 上半身和脸部。<Picture 2> (S2) 缓缓放下挡在脸前的双手，眼中的惊恐悄然褪去，嘴角勾起一丝狡诈得意的笑容。 overall_soundscape: 宫苑安静，偶有微风。衣料摩擦声、身体倒地的闷响、发簪从发髻抽出的细微金属响动、素衣妃子短促的惊叫、手腕被攥住的闷响、衣袖急停摩擦声。四周安静，人声突出。环境安静，仅衣料轻微摩擦。 non_diegetic_music: 无配乐、禁止生成BGM。

逐段拆解

subject_definitions（演员表）：注意"严格负责"这个词的重复使用，以及"均以图X为准，全片不得漂移"的硬约束。这不是在"描述"角色，是在给模型下达造型锁定指令。每张参考图对应哪个角色、负责哪些视觉属性（面部、发型、服装颜色与版型），写得越具体，模型"认人"就越准。

retention_analysis（场记清单）：appears in [Shot 1-4]这类时间区间标注极其关键。它告诉模型"这个角色只在Shot 1到Shot 4出现"，避免了角色在不该出现的镜头里"串场"。fully_preserved标签强调了哪些属性必须帧帧一致。而"绝对禁止"列表里的"字幕、画面文字、LOGO、水印"是所有提示词都应包含的标准防护项——AI视频模型非常容易"自作主张"地加上水印或字幕。

detailed_description（分镜脚本）：这是整段提示词的灵魂。每个Shot都有四个核心要素：时间码（0s-4s）、景别（全景/中近景/近景/特写）、机位（固定机位/荷兰角/手持/反打镜头）、动作描述。Shot 3（7s-9s）只用了2秒，但描述了一个"手臂从画侧猛然伸入攥住手腕"的紧凑动作——这种精确的节奏控制在AI视频生成中尤其重要，因为模型对时间跨度的理解直接影响镜头的连贯性。

overall_soundscape（拟音清单）：虽然MiniMax生成的"声音"目前还很初级，但详细的音效描述会间接影响画面的节奏感。“发簪从发髻抽出的细微金属响动"这种具体的声音描述，实际上在引导模型"注意这个动作的细节”。

non_diegetic_music（配乐指示）：这条选择了"无配乐"，因为宫廷权谋剧的安静更能衬托紧张感。这个选择本身就是一种创作决策。

案例二：哪吒大战敖丙 —— 中国水墨动画美学

这条视频的艺术风格控制做得最好。它的目标是20世纪80年代上海美术电影制片厂的水墨动画质感，提示词在风格描述上花了大量篇幅，最终效果确实呈现出一种独特的"复古中国风"。

完整提示词原文

subject_definitions: <Picture 1> 严格负责哪吒的造型：少年神话英雄形象，头扎双髻，双脚各踏着一只风火轮，手持火尖枪，战斗状态，面容凌厉。 summary: 一段15秒中国水墨与水粉手绘2D动画质感的神话战斗视频，参考20世纪80年代上海美术电影制片厂经典动画美学。 retention_analysis: 人物不变量：哪吒的双髻、风火轮、火尖枪、战斗姿态全程一致；敖丙铜锤、银白色巨龙形态保持一致。 场景不变量：东海海面波涛汹涌、连绵礁石海岸线、乌云密布天空、海面中心巨大漩涡、空间分三层（海面/漩涡上空对峙空域/漫天乌云）。 风格不变量：中国水墨与水粉手绘2D动画质感，传统矿物颜料色彩，大胆简洁轮廓，柔和手绘边缘扩散，略微模糊的绘画边缘，细腻水粉洇染质感，不完美的笔触轮廓，模拟动画电影颗粒，浓郁中国奇幻美学。 绝对禁止：字幕、画面文字、LOGO、水印。 detailed_description: [Shot 1]（0s-2s）远景大全景，缓慢推进。乌云密布的东海海面上，哪吒背对镜头双脚各踏风火轮手持火尖枪悬空漂浮在左侧空中；画面下方海面中心惊涛波动，巨大漩涡正在加速旋转。 [Shot 2]（2s-4s）中景，荷兰角，手持拍摄轻微晃动。镜头聚焦海面上的漩涡中心，漩涡中心升起一股上升浪涛，敖丙人形态双手持铜锤乘浪涛从海中飞升到空中。 [Shot 3]（4s-6s）全景，侧向机位轻微横移跟拍。哪吒脚下风火轮火焰猛地喷涌，从左侧疾速冲刺到敖丙面前，火尖枪直刺而出；敖丙双锤交叉迎上，两件兵器当空相击。 [Shot 4]（6s-8s）中近景，稳定机位。两人近距离连续交锋数招：火尖枪刺出被铜锤砸开，枪尖横扫被双锤上格，火星飞溅。 [Shot 5]（8s-10s）中景，手持拍摄。哪吒枪尖格开敖丙压下的铜锤，借力迅速向后悬空滑退拉开身位，随即转身侧身奋力抬腿踢出脚下其中一只风火轮；风火轮脱脚而出拖着火焰尾迹如炮弹般朝敖丙飞去。 [Shot 6]（10s-12s）轻微荷兰角，从中景快速拉开至全景。风火轮轰然击中敖丙胸口爆开一团火花与气浪；敖丙被冲击力打得向后倒飞坠入下方海面漩涡之中，激起冲天水花与浪柱。 [Shot 7]（12s-15s）中景，荷兰角顶视角俯拍。镜头聚焦敖丙落海位置，海平面猛然翻涌水下传来沉闷轰鸣，巨浪滔天而起，一头银白色巨龙盛着滔天巨浪从海中破浪跃出，头部直冲镜头而来，巨龙在空中昂首张开大嘴发出震耳欲聋的吼叫，龙须飞扬水花四溅。 overall_soundscape: （海浪翻涌、高空风啸、漩涡水流旋转声、兵刃相撞金属脆响、风火轮火焰呼啸、水下沉闷轰鸣、龙吼、巨浪崩落声等具体音效描述） non_diegetic_music: （中国大鼓/堂鼓/琵琶/古筝/二胡/笛子编制，按Shot分段设计节奏，从压抑蓄势到锣鼓急急风到最终唢呐齐奏主题，完整配乐方案）

这条提示词做对了什么

1. 风格锁定极其精准：retention_analysis里的风格不变量写了整整三行——“中国水墨与水粉手绘2D动画质感，传统矿物颜料色彩，大胆简洁轮廓，柔和手绘边缘扩散，略微模糊的绘画边缘，细腻水粉洇染质感，不完美的笔触轮廓，模拟动画电影颗粒，浓郁中国奇幻美学”。这不是在"建议"一种风格，而是在用九个具体的技术特征来定义风格。每一个形容词都对应一个视觉属性："不完美的笔触轮廓"排除了CG级光滑渲染，"细腻水粉洇染质感"锁定了色彩过渡方式，"模拟动画电影颗粒"控制了画面噪点。

2. 空间分层意识：场景不变量里写了"空间分三层（海面/漩涡上空对峙空域/漫天乌云）"。这个分层描述帮助模型理解了画面的纵向空间结构，而不是把所有东西拍扁在一个平面上。

3. 动作设计有"武戏节奏"：7个Shot的节奏是「大远景定场→中景亮相→全景冲刺交锋→中近景近战→中景拉开距离→全景远程命中→中景反转收尾」，这是一个经典的**“远-近-远-近-远”**的武戏镜头节奏。Shot 5的"踢出风火轮"是一个关键的"武器分离"设计——风火轮脱离哪吒独立飞行，给Shot 6的远程命中创造了空间，也让Shot 7的"巨龙从海中跃出"有了戏剧铺垫。

案例三：汽车广告 —— 4张参考图的商业片

这是参考图使用最复杂的一条。原始提示词定义了5张Picture，但API最多只支持4个图片节点，所以必须做取舍。

提示词中的Picture定义策略

原始提示词定义了5个Picture：

• Picture 1：车辆侧面夕阳剪影构图
• Picture 2：整车座舱空间
• Picture 3：驾驶舱方向盘
• Picture 4：外观主体
• Picture 5：外观主体（另一角度）

最终决策：保留Picture 4/5（外观）、Picture 2（座舱）、Picture 3（驾驶舱），放弃Picture 1（夕阳剪影）。理由是：车辆的外观造型和内饰细节是"硬性约束"，必须靠图参考才能保持一致；而夕阳剪影只是"氛围参考"，可以用文字描述替代。这个优先级判断——造型 > 空间 > 氛围——是参考图使用的核心原则。

关键提示词片段

subject_definitions: <Picture 1> 车辆侧面夕阳剪影构图、金色时刻光线和旅行氛围参考，不参考因逆光产生的深色车身颜色。 <Picture 2> 整车座舱空间、浅色座椅、三排座椅布局、全景天幕及内饰配色参考。 <Picture 3> 驾驶舱、方向盘、中控台材质与设计细节参考。 <Picture 4> 外观主体参考：严格保持车辆真实车型设计、车身比例、车头造型、车窗轮廓、悬浮式深色车顶、隐藏式门把手、轮毂以及白色/浅灰白车漆。 <Picture 5> 外观主体参考（另一角度）。 retention_analysis: 车辆不变量：理想i8车型、车身比例、车漆（白色/浅灰白）、轮毂、车窗、灯组与内饰全程保持一致，不改变车型。 风格不变量：高端新能源汽车商业广告，真实真人实拍摄影质感，年轻家庭lifestyle advertising，现代、温馨、轻快、清新而高级。 绝对禁止：字幕（除最后品牌文字外）、LOGO、水印。 detailed_description: [Shot 1]（0s-3s）低机位前侧45度汽车英雄镜头。清晨晴朗的现代住宅社区，理想i8停在道路旁，阳光从建筑与树木之间洒下。镜头沿车头缓慢横向滑动并轻微推进，清晰掠过流畅的前舱盖、黑色前风挡区域、车身曲面与前轮。 [Shot 2]（3s-6s）车辆侧面中广景。年轻母亲打开后排车门，孩子开心地率先坐进车内，父亲将旅行包轻松放入车中。摄影机沿车身从后向前平稳滑动。 [Shot 3]（6s-9s）车内镜头。完整还原浅色豪华内饰座舱。阳光沿浅色方向盘边缘滑过，摄影机顺势向后缓慢移动，展示宽敞明亮的三排座舱与全景天幕。 [Shot 4]（9s-12s）户外动态驾驶镜头。低位侧后方跟车摄影，摄影机与车辆保持相近速度，背景形成自然流动感。 [Shot 5]（12s-15s）傍晚金色时刻。理想i8从画面一侧缓慢驶入并停下，远处天空呈柔和橙金色与淡粉色渐变，落日映在车窗与车身表面。结尾简洁出现品牌文字：「理想i8，家人的每一程，都值得期待。」

商业广告提示词的特殊技巧

1. Picture 1 的"排除声明"：“不参考因逆光产生的深色车身颜色”——这句话极其关键。逆光剪影图会让车身看起来是深色的，但理想i8的实车是白色/浅灰白。如果不写这个排除声明，模型可能会把车漆"学习"成深色。当参考图和实际需求有矛盾时，必须在提示词中显式声明"不参考什么"。

2. "车辆始终是主要视觉主体"的硬约束：人物（年轻父母+孩子）只是"生活氛围的组成部分"。如果不写这句话，模型可能会把人物拍得比车还大，变成"家庭vlog"而不是"汽车广告"。在商业广告类提示词中，明确告诉模型"谁是主角"是控制画面重心最直接的方式。

3. 镜头语言的专业化：“低机位前侧45度汽车英雄镜头”——“hero shot"是汽车广告的行话，“低位侧后方跟车摄影"对应的是"tracking shot”。使用专业影视术语而不是"从侧面拍”"跟着车拍"这种大白话，能显著提升模型对画面的理解准确度。

案例四：儿童房纸飞机 —— 一镜到底的创意融合

这条视频的概念最有趣：真实儿童房 + 二维手绘动画特效融合。MiniMax对这种"真实场景中浮现手绘动画"的概念执行得很有创意。

完整提示词原文

subject_definitions: <Picture 1> 儿童房场景环境参考：真实温馨儿童房，浅木色小书桌、蜡笔画纸、彩色积木、低矮儿童床、淡蓝色被子、云朵动物地毯、毛绒兔玩具、星月吊饰、布艺游戏帐篷。温暖晨光从窗户照入。 summary: 一段15秒真人实拍质感的儿童创意视频，融合二维手绘动画特效。严格采用5-6岁儿童第一人称视角。 retention_analysis: 场景不变量：儿童房布局、家具位置、光线角度保持稳定。纸飞机飞行轨迹连贯。 风格不变量：真人实拍写实儿童房 + 二维儿童手绘动画特效融合。手绘部分始终保持蜡笔、彩铅质感。 绝对禁止：字幕、画面文字、LOGO、水印。 detailed_description: [Shot 1]（0s-3s）镜头看向儿童书桌，一架普通白纸折成的纸飞机静静躺在画纸上。孩子伸出小手轻轻碰它，纸飞机突然抖动，边缘浮现鹅黄、天蓝色蜡笔线，自行滑过桌面飞起。 [Shot 2]（3s-6s）纸飞机穿过彩色积木，尾部拖出蜡笔彩线，积木表面浮现歪歪扭扭的手绘门窗和小旗。 [Shot 3]（6s-10s）纸飞机掠过床边毛绒兔，飞机飞上床铺，淡蓝色被子表面出现柔软的手绘白云线条。 [Shot 4]（10s-13s）纸飞机绕星星、月亮和星球吊饰飞行，几个吊饰之间浮现黄色星星、蓝色行星。 [Shot 5]（13s-15s）纸飞机突然加速绕儿童房最后飞一圈，化成红黄蓝绿的二维蜡笔小星星，形成短暂的儿童涂鸦银河。孩子在房间中央张开双手，纸飞机摇摇晃晃落回掌心。温柔结束。 overall_soundscape: 纸张划过空气的沙沙声、袜子踩木地板和地毯声、积木轻碰、被子摩擦、吊饰碰撞、帐篷布料摩擦、孩子轻微喘息和开心惊呼。手绘特效仅加入极轻的蜡笔摩擦声、柔和"咻""啵"和小铃音。 non_diegetic_music: 无。

这条提示词的独到之处

1. “严格采用5-6岁儿童第一人称视角”：这句话直接定义了摄影机的高度、运动方式和构图逻辑。模型会据此让镜头保持低机位、带手持晃动、偶尔看到孩子的手但不会出现完整正脸。一个视角约束就同时控制了机位、运动和构图三个维度。

2. 手绘特效的"依附原则"：即梦提示词版本里有一句非常关键的话——"所有幻想必须依附真实儿童房物件，不切换到真正的森林、城市或宇宙。"这防止了模型"放飞自我"把场景切换成纯动画世界。在融合类提示词中，显式定义两种风格的边界在哪里、谁主导谁辅助，是避免风格崩溃的核心。

提示词质量对比：好与差的差距在哪里

通过这6条视频的对比，我总结出了几条判断提示词质量的标准：

1. 时间码的精确度

❌差的写法：“前半段全景，后半段近景，最后特写”
✅好的写法：“[Shot 1]（0s-4s）全景，固定机位。」「[Shot 2]（4s-7s）中近景，荷兰角，高机位俯拍。”

精确到秒的时间码让模型能理解每个镜头的时长权重。"前半段"可能是7.5秒，"后半段"也可能是7.5秒，但如果你想要的是一个3秒的定场+4.5秒的快速交锋，就必须写精确时间码。

2. 机位描述的专业度

❌差的写法：“拍车的侧面”“跟着车跑”“从上面拍”
✅好的写法：“低机位前侧45度汽车英雄镜头”“低位侧后方跟车摄影”“荷兰角顶视角俯拍”

专业影视术语（hero shot、tracking shot、Dutch angle、over-the-shoulder）比大白话的信息密度高得多。MiniMax的训练数据中必然包含大量影视专业内容，使用专业术语能更精准地激活相关的视觉模式。

3. retention_analysis 的颗粒度

❌差的写法：“角色保持一致，场景不变”
✅好的写法：“<Picture 1> 红衣皇妃（appears in [Shot 1-4]）：fully_preserved - 红色丝绸服饰、步摇发簪、凶狠嫉妒表情全程保持一致。”

后者做到了三点：指定了哪个角色在哪些镜头出现、标记了fully_preserved表示全量保持、列出了需要保持的具体属性（服饰、发簪、表情）。这种颗粒度是角色一致性的根本保障。

4. detailed_description 的动作可拍摄性

❌差的写法：“两人在空中大战，打得非常激烈，最后哪吒赢了”
✅好的写法：“哪吒脚下风火轮火焰猛地喷涌，从左侧疾速冲刺到敖丙面前，火尖枪直刺而出；敖丙双锤交叉迎上，两件兵器当空相击。”

好的动作描述必须能被摄影机拍出来。"打得非常激烈"是一个抽象评价，摄影机不知道怎么拍；"从左侧疾速冲刺到面前，枪直刺而出，锤交叉迎上，当空相击"是一个具体的动作序列，每个动词都对应一个可拍摄的瞬间。

完整流水线：从提示词到视频

说完了提示词的重要性，简单回顾一下完整的技术流水线：

飞书表格读取提示词 → 角色分析 → 文生图(三视图/参考图) → 用户确认 → 图片上传 → 提交视频生成 → 轮询下载

第一步：提示词反推资源

拿到一段结构化提示词后，首先要分析：这段视频需要几个角色？每个角色需要什么角度的参考图？场景是否需要独立参考？

原则很简单：提示词里定义了几个<Picture N>，就生成几张对应的参考图。参考图的质量直接决定最终视频的质量——一张好的角色三视图能让模型"认准"演员，一张差的参考图则会让角色在视频里"漂移"。

第二步：文生图生成参考图

用 Kolors 模型生成角色三视图。三视图提示词的关键词模板：

使用工作流为 Z-image text-to-image-文生图（完美支持中文字+超自然）【Agent必备】 下载https://www.runninghub.cn/ai-detail/2088920592350277634?inviteCode=oga1ahgc 角色名_人脸三视图，正面侧面背面三个角度特写，[外貌特征描述]，白色背景，角色设计参考图

第三步：用户确认（关键！）

生成完参考图后，一定要给用户看一眼再提交视频。参考图一旦提交视频生成，角色形象就会锁死。这一步看似多花了时间，实际上省去了大量返工成本。

第四步：图片上传 + 提交视频生成

将参考图上传到 RunningHub，获得fileName，然后与结构化提示词一起提交到 MiniMax 视频生成工作流。

核心参数对应：

• nodeId=132→ 时长（必须与提示词一致，通常为15）
• nodeId=137/166/167/168→ 参考图（每张图一个独立节点）
• nodeId=138→ 完整的结构化提示词

使用工作流为 MiniMax H3稳定加速版（全能参考加速版本支持自定义音频）-支持5参考图版本 工作流地址https://www.runninghub.cn/ai-detail/2090774740146413570?inviteCode=oga1ahgc

第五步：轮询等待（5-8分钟）+ 下载

每2分钟轮询一次任务状态，视频生成完成后下载结果。

未来计划

短期（1-2周）

1. 提示词优化：基于今天的生成结果，回头优化几条效果不够理想的提示词，重点调整retention_analysis和分镜描述的颗粒度
2. 自动化流水线：把流程封装成一键脚本——读取飞书→自动分析角色→生成参考图→自动提交→下载→回写表格

中期（1个月）

3. 批量扩展：从8条扩展到50-100条的规模，测试流水线的稳定性和一致性
4. 音频集成：探索 TTS 配音 + BGM 自动匹配，让视频从"默片"升级为"有声片"
5. 质量评估体系：建立评分卡（角色一致性、运镜流畅度、画面质量、音画同步），量化追踪每条视频的质量

长期

6. 多模型对比：除 MiniMax 外，测试可灵、Pika、Sora 等模型在相同提示词下的表现差异
7. 工作流产品化：把这套流水线包装成可复用的SaaS工具或API服务
8. 探索更长时长：从15秒拓展到30秒、60秒

本文基于真实的视频生成实战经验，所有提示词均为原版即梦的提示词转换为minimaxh3专门的提示词风格。

关注gc随笔获得更多实际应用案例。