十二种运镜怎么写进 MiniMax H3 提示词：Zoom 与 Push 到底差在哪

2026-08-09

写 AI 视频提示词时，“镜头怎么动”是最容易糊弄过去的一层。很多人习惯在句子后面挂一串标签——push in, slow, cinematic——然后指望模型自己领会。MiniMax H3 官方给的写法不是这样的。

截至 2026-08-09 的 MiniMax-AI/MiniMax-H3 仓库里带了一个专门的提示词写作 skill，安装命令 README 写得很直白：

npx skills add https://github.com/MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing

它是仓库附带的九个 skill 之一（另外八个是风格化的视频生成 skill）。h3-prompt-writing 目录下带两份提示词指南：references/base-en.txt 管文本与关键帧模式，references/ref-en.txt 管全参考的 Ref2VA 模式。本文讲的运镜规则，全部来自 base-en.txt 与 SKILL.md 的原文口径。

一、先搞清楚运镜写在哪个位置

H3 提示词的三个核心字段顺序固定：integrated_multimodal_description、overall_soundscape、non_diegetic_music。SKILL.md 的 Output Rules 明确要求保留字段名、章节顺序、标签与时间标注法，所以这三个名字一个字母都不能改。

运镜属于第一个字段。integrated_multimodal_description 的职责是沿时间线描述画面、动作、镜头、说话人、对白、演唱与场景内音频——镜头运动是它内部的一部分，不是另起一行的参数。SKILL.md 还要求每个镜头都要从构图、主体、环境、动作、镜头运动、声音，以及被引用内容出现的确切时点去描述，并明确列出三条要避免的写法：剧情梗概式写法、悬空未定义的参考标签、与请求时长不匹配的时间标注。

第一条”剧情梗概式写法”就是运镜写不进去的常见后果——只交代发生了什么事，不交代摄影机在做什么。

二、十二种运动类型的原表

指南把运镜拆成三要素：运动类型 + 幅度 + 速度。运动类型的原表如下，成对的写法（如 In/Out、Left/Right）算作同一类：

运动类型	官方给的含义
`Zoom In` / `Zoom Out`	机位不动，焦距变
`Push In` / `Pull Out`	机身前后移动
`Pan Left` / `Pan Right`	机位不动，镜头水平摇
`Truck Left` / `Truck Right`	机身水平平移
`Tilt Up` / `Tilt Down`	机位不动，镜头垂直摇
`Pedestal Up` / `Pedestal Down`	整机升降
`Arc Shot`	绕主体做弧线运动
`Tracking Shot`	跟随移动的主体
`Static Shot`	完全不动
`Shake Slightly` / `Shake Strongly`	轻微／强烈晃动
`POV`	主体视角
`Roll Clockwise` / `Roll Counterclockwise`	绕镜头轴滚转

这张表的价值不在于它列了多少个词，而在于前六项里藏着三组两两对应的概念，官方是把它们分开写的。

三、三组必须分清的写法

Zoom 与 Push：焦距变 vs 机身动

这是最常被混着写的一组。官方对 Zoom In / Zoom Out 的定义是”机位不动、焦距变”，对 Push In / Pull Out 的定义是”机身前后移动”。

判断依据其实只有一个问题：摄影机的位置有没有变？ 没变、只是把画面拉近拉远，那是 Zoom；机器整个往前顶或者往后退，那是 Push / Pull。两者在真实拍摄里的成像差别是常识层面的——变焦不改变机位与被摄体的空间关系，移机会改变。所以当你想表达”逼近某个东西”这种带空间纵深感的动作时，写 Push In 比 Zoom In 更贴合意图；想表达”取景范围收紧”这种纯构图动作时，才是 Zoom In。

中文里”推镜头”这个词恰恰同时被用来指这两件事，这是混淆的源头。写英文提示词时没有这个歧义空间，得自己先选定。

Pan 与 Truck：镜头摇 vs 机身平移

Pan Left / Pan Right 是”机位不动、镜头水平摇”，Truck Left / Truck Right 是”机身水平平移”。

同样一个判断问题：机器是在原地转，还是整体挪了位置。原地转就是 Pan——想象一个架在三脚架上的机器左右转头；机器沿着轨道横向走就是 Truck。两者拍出来的东西差别很大：Pan 是站在一个点上扫视环境，Truck 是跟着走过一段空间。

Tilt 与 Pedestal：镜头垂直摇 vs 整机升降

Tilt Up / Tilt Down 是”机位不动、镜头垂直摇”，Pedestal Up / Pedestal Down 是”整机升降”。这一组是上一组的垂直版本：Tilt 是原地抬头低头，Pedestal 是整台机器往上升或往下降，机位高度真的变了。

想表达”从脚扫到头”用 Tilt，想表达”镜头从地面高度升到齐眼高度”用 Pedestal。

把这三组归纳成一句：先问机位动没动，再问是位移还是转动。 六个词就此各归其位。

四、幅度和速度：默认值就是不写

幅度只有两个词：with small amplitude、with large amplitude。速度也只有两个：at slow speed、at fast speed。

指南明说：中等幅度与常规速度通常省略不写，只在有意义的时候才加。

这条规则挺反直觉——写提示词的人本能是把能填的槽全填满，觉得写得越细越可控。但这里的设计是”两档 + 一个隐含的中间默认值”，你不写就是中间档。所以：

想要一个不快不慢、幅度正常的推镜，就写 The camera pushes in toward ...，不加任何修饰。
只有当这个镜头就是要慢、要轻，或者就是要猛、要大幅，才把 with small amplitude / at slow speed 之类补上。
每个镜头都挂满 with large amplitude at fast speed，等于把”强调”这个手段用废了。

判断依据可以简化为一句：这个幅度或速度是不是你要传达的信息本身？ 是就写，不是就删。

五、写成句子，不是堆标签

这是这套体系里最硬的一条格式要求：运镜要作为镜头内自然的英文动作来写，而不是把标签堆在句尾。

指南给出的示例句是：

The camera pushes in with small amplitude at slow speed toward the folded letter

拆开看它的构造：主语是 The camera，谓语是动词形式的 pushes in（不是名词标签 Push In），然后按”幅度 → 速度 → 对象”的顺序接下去。三要素被写进了同一个自然句里，读起来是一句英文，而不是一串参数。

所以从原表里取词的时候要做一次转换：表里给的是类型名（Push In），落到句子里要变成动词（pushes in），并明确”朝什么”。Tracking Shot 落到句子里是”摄影机跟随某个主体”，Arc Shot 是”摄影机绕着某个主体做弧线运动”——写清楚绕的是谁。Static Shot 也一样需要显式写出来，它表示完全不动，是一个明确的选择，不是省略。

六、什么时候该动镜头，什么时候该切一刀

运镜和切镜是一对替代关系，指南给了很清楚的取舍原则。

切换的措辞是五选一：the camera cuts to、the shot cuts to、the shot transitions to、the shot changes to、the shot switches to。交叉溶解、淡入淡出、划像这类特殊转场，只有用户明确要求时才用——不要自作主张给每个切点安排一个花哨转场。

取舍原则：一次切换应当带来新信息，也就是主体、空间、状态、视角或时间上发生了变化；如果只是距离或角度略有变化，优先用运镜而不是切镜。

这条规则实际用起来很好判断。你想让画面从中景变成特写——主体没换、空间没换、时间没走，只是离得更近了，那就不该切，该写一个 Push In。反过来，从室内切到室外、从一个人切到另一个人、从白天切到夜里，这才配得上一个切点。

顺带一提，这条原则会反向影响你的镜头数规划：一段十秒的视频如果切了六刀，多半有几刀是”只改了距离”的假切换，应该合并回运镜。

七、时间戳格式：第一个镜头不写时间

镜头的时间标注规则很具体，写错了属于 SKILL.md 明确列出的”与请求时长不匹配的时间标注”这类要避免的问题：

第一个镜头不加时间戳，直接 [Shot 1] 开头。
后续镜头用递增编号，且每一个都以切点时间开头，格式是：

[Shot 2] At 00:03.500, the camera cuts to...

时间必须严格递增，并且落在视频时长之内。

也就是说 [Shot 2] At 00:03.500 后面不能出现 [Shot 3] At 00:02.000，也不能在一段八秒的视频里写出 At 00:09.000。这两类错误写脚本时很容易犯——尤其是中途调整了镜头顺序、忘了同步改时间。

把前面几节拼起来，一个两镜头片段按官方规则组合大致长这样：

integrated_multimodal_description: [Shot 1] A medium shot of a wooden desk by the window. The camera pushes in with small amplitude at slow speed toward the folded letter.

[Shot 2] At 00:03.500, the shot cuts to a rooftop at dusk. The camera tilts up from the railing to the skyline.

以上是按官方 base-en.txt 的规则组合出来的示例（其中 The camera pushes in with small amplitude at slow speed toward the folded letter 一句是指南原文给的示例），未在本机验证过任何生成结果，具体以官方 skill 文档为准。注意这里的取舍：第一镜内部用了 Push In（只是靠近，不切），第二镜换了空间和时间（傍晚的天台），才用了切换措辞。

八、这套规则的边界

有两件事要说清楚，免得把预期放错位置。

第一，这些格式规则来自官方 h3-prompt-writing skill 的 references/ 文档，官方给的是写法规范，没有给任何效果对比数据。所以不存在”这样写效果提升多少”的说法，本文也不提供这类结论。

第二，官方的完整链路里有一个 H3-Context-IR 模块负责把用户输入整理成这套结构化提示词，而这个模块未开源、只有 API。README 给的替代路径是按 “Prompting Guidance” 自己搭一套上下文处理系统——也就是照着本文这些规则手写或用别的模型生成。这是官方认可的路子，但它不等于能得到与官方 API 相同的结果，这层限制得自己心里有数。

真正可复用的收获其实就三条：机位动没动决定了你该用 Zoom 还是 Push、Pan 还是 Truck、Tilt 还是 Pedestal；中等幅度和常规速度不写；只改距离或角度时别切镜。剩下的是把它们写成通顺的英文句子。

延伸阅读

本文依据 MiniMax H3 官方仓库（github.com/MiniMax-AI/MiniMax-H3）的 README、模型配置文件与官方 h3-prompt-writing skill 文档整理，核对日 2026-08-09。本文内容为官方仓库口径，未在本机部署或调用过 H3。模型、部署方式与许可条款以官方最新说明为准。