h3-prompt-director

H3 Prompt Director · Historia → MiniMax H3 Video Prompts

Convierte un texto narrativo en un archivo de entrega Markdown: tabla general + tabla de activos + bloques por segmento. Los prompts de cada bloque se pueden copiar directamente al flujo de trabajo local Ref2VA (R2V) de ComfyUI, utilizando MiniMaxH3AddGuide para la continuidad entre segmentos.

Por defecto es completamente automático: desde la historia hasta la entrega sin detenerse para confirmación creativa; la calidad está garantizada por la lista de verificación de la fase ⑥. El único límite de turno es el punto de control de prevención de truncamiento en 00-workflow.md §6.11 (después de la fase ④ se termina el turno actual; cuando el usuario responde "continuar", se pasa a las fases ⑤⑥). No es una espera de aprobación, solo un informe de progreso.

Límite: Si solo se modifica la sintaxis de un prompt existente, se completan campos o se preguntan detalles gramaticales, consulta directamente references/official/ y 01-grammar.md, sin necesidad de recorrer las seis fases; solo cuando se parte de un texto narrativo para llegar a storyboard, segmentación, activos y prompts por segmento se sigue el proceso completo.

Primer uso: Los tres documentos oficiales no se distribuyen con el repositorio. Primero ejecuta bash scripts/fetch-official.sh (Windows usa scripts/fetch-official.ps1) para descargarlos en references/official/; si no se han descargado, la skill aún puede funcionar, pero los detalles gramaticales carecerán de la máxima prioridad.

Orden de inicio

La autoridad del flujo es references/00-workflow.md (seis fases, reglas de empaquetado, estructura de entrega, lista de verificación completa). Al inicio, léelo completo primero, luego lee las secciones correspondientes según la tabla de enlaces a continuación. No leas por adelantado las secciones 03–10 al inicio; cada sección se lee solo una vez antes de que comience la fase en la que es efectiva.

Fase	Qué hacer	Lecturas de esta fase
① Análisis de historia	Tabla de personajes (un ancla de apariencia por persona), tabla de escenas, ritmos de trama, diálogo original, curva emocional; decidir alcance de adaptación	00; 08-dialogue.md (tres destinos del diálogo)
② Storyboard y presupuesto de tiempo	Desglose de lista de tomas: plano/encuadre/movimiento de cámara/imagen/sonido/presupuesto de tiempo; completar cadenas de acción, origen de objetos, continuidad de estado, lista blanca de utilería	03-camera.md, 04-emotion.md, 05-rhythm.md, 06-sound.md, 07-style.md, 09-transition.md
③ Empaquetado en segmentos	Empaquetar tomas en segmentos en orden; ajustar a la cuadrícula de 24 FPS; tres atomicidades; lista de conexión por segmento; modo B de conexión	05-rhythm.md (§3 algoritmo de un solo paso), 08-dialogue.md, 09-transition.md
④ Activos consistentes	Tabla de activos: imágenes de personajes/escenarios/utilería/audio de timbre; cada imagen tiene un prompt de generación o una marca de usuario	02-assets.md
⑤ Redacción de prompts	Redacción de seis secciones por segmento en Ref2VA; continuidad de apertura; estructura de declaraciones; redacción de acciones	01-grammar.md (lectura obligatoria), 05-rhythm.md §4, 08-dialogue.md
⑥ Control de calidad y entrega	Revisar punto por punto según la lista de 00 §5; solo anotar desviaciones y conclusiones entre segmentos; entregar según estructura de 00 §4	00 §4–§6

Después de la fase ④, guarda todos los planes en disco y termina el turno actual con un resumen de una línea (número de segmentos/duración total/número de activos/ruta del archivo); cuando el usuario responda "continuar", pasa a las fases ⑤⑥ para escribir incrementalmente por segmento. Esta es una restricción dura para evitar el truncamiento de tareas largas por la interfaz; el punto de control no pregunta sobre decisiones creativas y no entra en conflicto con la "automatización completa".

Invariantes inquebrantables

Estas reglas deben cumplirse incluso si no se lee alguna sección; en caso de conflicto con los tres documentos oficiales, prevalece el texto oficial.

1. Etiquetas de doble canal: <Picture N> / <Video N> / <Audio N> solo numeran los slots de entrada de referencia R2V; el número = orden de conexión real, con el mismo significado en los seis segmentos. Las imágenes/fragmentos del canal de guía AddGuide pasan por el vae hacia el conditioning, no ocupan número, no se escriben sus etiquetas en los prompts; la continuidad de guía solo se describe en lenguaje natural en la descripción de apertura, corroborándose con los anclajes de píxeles.
2. Modo B de conexión (por defecto): Los últimos 22 frames del resultado del segmento anterior → entrada image del AddGuide de este segmento, frame_idx=0; el audio final correspondiente a esos 22 frames → entrada audio (anclaje de audio activado por defecto). La apertura de este segmento escribe "Continuar el movimiento y sonido del final del segmento anterior"; en la entrega, al indicar la unión, recortar los primeros 22 frames (si el ejecutor recorta automáticamente el prefijo, exento).
3. Último segmento utilizable: Los últimos 22 frames de cada segmento (0.92 s, aproximadamente el último 1 s) deben caer dentro del mismo plano, con la imagen clara y legible; no se requiere inmovilidad, los movimientos naturales de cierre o movimientos lentos son aceptables; solo se prohíben movimientos rápidos de cámara y cortes de plano dentro de los últimos 22 frames.
4. Cuadrícula de tiempo: La duración total del segmento se ajusta a la cuadrícula de 17k+5 frames a 24 FPS (3.75–14.38 s, ver 01-grammar.md §6). Todas las marcas de tiempo [Shot N] At MM:SS.mmm deben ser estrictamente crecientes, estar dentro de la duración del segmento y coincidir con la tabla general; los puntos de corte dentro del segmento no necesitan ser valores de la cuadrícula.
5. Atomicidad de empaquetado: Los planos no cruzan segmentos; el diálogo continuo (una frase o un grupo de conversación) no cruza segmentos; por segmento, referencias ≤9 imágenes / 3 videos / 3 audios (recuento = imágenes de personajes presentes + escenario + utilería; la referencia de timbre ocupa slot de audio, el audio de guía final no ocupa). El slack de redondeo se absorbe con tomas de transición/enlace, en orden: toma de transición → toma de ambiente final → toma de establecimiento; no mover tomas de acción ni tomas emocionales.
6. Imagen de escenario: Por defecto, imagen dividida en 12 casillas, sin ningún objeto móvil; las 12 casillas deben cubrir diferentes áreas/ángulos, no 12 ángulos similares. Al citar, se debe declarar la naturaleza de la cuadrícula; los objetos móviles se muestran por separado como imágenes de utilería, indicando el plano de aparición y el sujeto interactivo.
7. Diálogo: <d>[idioma] texto original</d> conserva cada carácter, no se traduce, no se reescribe, no se pule; (Sx) se numera independientemente en orden de emisión sonora dentro del segmento, cada segmento adjunta una tabla de mapeo personaje→(Sx) (para el usuario, no pertenece a los prompts); la narración usa una frase fija de voz en off y declara labios cerrados.
8. Idioma: El texto narrativo por defecto es chino (interruptor de proyecto, se puede cambiar a inglés). Los tokens fijos siempre son en inglés: nombres de campos de seis secciones, [Shot N], At MM:SS.mmm, etiquetas de referencia, <d>[idioma], <scenetrans>, <cutoff>, marcadores de retención, prefijo de tipo de tarea de summary, N/A.

Las reglas de escritura más fáciles de pisar

Las reglas completas están en 01-grammar.md y 00-workflow.md; aquí solo se listan las que más a menudo causan errores y que, al fallar, requieren rehacer:

• Seis secciones, orden fijo: subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music. No se puede intercambiar, no se pueden omitir (sin música escribir N/A).
• Entrada independiente de <Picture N> solo para anclajes de frame/composición (primer frame/último frame/frame clave/anclaje de composición). Las imágenes que solo definen personajes, escenarios, utilería o estilo no se enumeran como entradas independientes, se referencian dentro de la definición del <Subject N> correspondiente. Pero cada imagen que entra en el canal de referencia ocupa un número <Picture N>, numeradas consecutivamente según el orden de conexión de este segmento (cada segmento comienza en 1); "no se enumeran como entradas independientes" solo afecta la escritura, no la ocupación del número y el recuento.
• Barcos, coches, vehículos grandes se tratan como objetos móviles: salen como imágenes de utilería, no entran en la imagen de escenario (línea roja de la imagen de escenario: no contiene ningún objeto móvil).
• Frase de declaración de imagen de escenario: <Subject 2> es el entorno de este patio, cuya forma se toma de <Picture 2>; <Picture 2> es una cuadrícula de referencia de 12 vistas de múltiples ángulos del mismo entorno, cada casilla es una zona y ángulo diferente del mismo lugar, no son planos continuos ni storyboards, las 12 casillas juntas constituyen un panorama completo, y no contienen ningún objeto móvil.
• Frase de declaración de imagen de utilería: <Subject 3> es la utilería de la cesta de bambú, cuya forma y tejido se toman de <Picture 3>; aparece en [Shot 6], [Shot 7], sostenida con ambas manos por <Subject 1>.
• Prefijo de summary del modo B: usa [reference generation] (cuando haya otras referencias, usa + para combinarlas); video continuation solo se usa cuando existe un video de referencia <Video N> real.
• Idioma del summary: el prefijo del tipo de tarea entre corchetes siempre en inglés; el resumen después del prefijo sigue el idioma del texto del proyecto (por defecto chino). La "descripción general en inglés" de 01-grammar.md §2 es la expresión predeterminada oficial, que es anulada por el interruptor de idioma del proyecto; ambos no son contradictorios.
• El summary debe cubrir todas las etiquetas: el summary debe mencionar el rol de cada etiqueta de referencia de este segmento, incluido el timbre vinculado a <Audio N> (ej. "<Audio 1> solo proporciona la referencia de timbre de..."); escribir solo la imagen sin el audio = la relación de referencia está incompleta.
• La definición de <Subject N> debe tener un anclaje textual: al menos escribir 2–3 características verificables (edad/figura/vestimenta/material), no solo escribir "apariencia tomada de <Picture N>"; la imagen de referencia es responsable de los píxeles, el texto es responsable de las restricciones; ambos son necesarios, de lo contrario se producirá deriva.
• Declarar en la primera frase del hablante (identidad/edad/género/si está en escena/tono, etc. + (Sx)), después reutilizar sin redeclarar; en retention_analysis está prohibido que aparezca (Sx).
• Frase completa de diálogo: <etiqueta del hablante> (<Sx>) + verbo de habla + <d>[idioma] texto original</d>. <d> sigue inmediatamente al verbo de habla, ocupando una sola frase; está prohibido incrustar <d> en frases descriptivas como "la boca y... están sincronizados".
• Presupuesto de diálogo según el margen más amplio: 05-rhythm.md §2 "número de caracteres÷3 (sosegado÷2.5) + 2–2.5 s" tiene prioridad sobre la línea base de +1.5–2 s de 00-workflow.md; los puntos de corte pueden desplazarse, el margen debe ser más amplio que estricto.
• No añadir diálogo que no esté en el texto original: por defecto, solo se realizan tres destinos: "conservar / cambiar a narración / eliminar"; cuando el usuario solicita explícitamente rellenar, escribir la decisión frase por frase en el registro de decisiones, manteniendo el tono del personaje y el vocabulario de la época.
• Escribir el movimiento de cámara como frases de acción natural dentro del plano (tipo + amplitud + velocidad, estos dos últimos solo si tienen significado), prohibido apilar tokens.
• Las acciones tienen estado inicial y estado final; cada vez que se toma/deja un objeto, escribir la fuente y el destino; del mismo objeto solo aparece una instancia; los objetos sobre la mesa se nombran uno por uno; las acciones centrales ocupan un plano exclusivo y escriben el resultado visible.
• Los cambios de forma se colocan en los límites del segmento: el segmento antes del cambio cuelga la imagen de la forma antigua, el segmento después del cambio cuelga la imagen de la forma nueva; el segmento que contiene la acción de cambio solo cuelga la imagen de la forma nueva; el estado inicial antes del cambio es anclado por la guía de los últimos 22 frames del segmento anterior. Si el cambio ocurre en medio del segmento, priorizar dividir el segmento o mover el cambio al principio del segmento, evitando dos imágenes de referencia mutuamente excluyentes en el mismo segmento.
• Alcance de la referencia de timbre: los segmentos que tienen voz cuelgan la referencia de timbre de ese personaje; los segmentos sin voz no la cuelgan, evitando <Audio N> sin dueño; el mismo personaje a través de segmentos siempre usa el mismo archivo.

Archivo de entrega

Escribe estrictamente según el esqueleto de assets/delivery-template.md, la definición de estructura está en 00-workflow.md §4:

1. Tabla general (número de segmento｜composición de planos incluyendo registro de slack｜valor de cuadrícula de duración del segmento｜slots de referencia｜fuente de guía) + parámetros globales de generación
2. Tabla de activos (número global｜nombre｜descripción de anclaje｜prompt de generación de imagen o marca de usuario)
3. Diagrama de conexión general—omitido por defecto, la lista de conexión por segmento es la versión operativa; solo se genera mermaid cuando el usuario lo solicita explícitamente
4. Bloques por segmento: parámetros → lista de conexión (canal de referencia + canal de guía + mapeo de hablantes + cálculo de líneas de diálogo) → prompts de seis secciones → instrucciones de unión

Las tablas de las fases ①–④ (tabla de personajes / tabla de escenas / tabla de planos / tabla de cambios de forma / tabla de cálculo de líneas de diálogo frase por frase) se colocan al principio del archivo de entrega, todas en formato de tabla; los resultados del empaquetado se escriben en la columna "número de segmento" de la tabla de planos, no se hace una tabla de empaquetado separada; si no hay cambios de forma, esa tabla se escribe como "ninguno".

Escribir archivos de forma incremental: primero escribe la tabla general + el esqueleto de la tabla de activos, luego añade una llamada de herramienta por segmento. Prohibido meter el archivo de entrega completo en un solo mensaje de chat; en el chat solo se dejan las notas de progreso, el resumen final y la ruta del archivo.

Disciplina de ejecución

• Completamente automático: no esperar confirmación entre fases. Las decisiones (alcance de adaptación, posición de la narración, costuras, si mostrar o no la utilería) se escriben en el momento en el «registro de decisiones» de la entrega; al recuperarse de un fallo, ejecutar según el registro, no volver a sopesar.
• Idioma A/B: el registro de la biblioteca de normas muestra que el texto en chino ha completado la validación A/B en un proyecto real y se mantiene como predeterminado (ver 10-troubleshooting.md §1). Por defecto, no se produce una versión bilingüe; solo se vuelve a probar cuando el usuario lo solicita explícitamente.
• Finalización de atributos no especificados: la edad/género/apariencia del personaje no escrito en el texto original se finaliza en la fase ① de análisis y se escribe en el registro de decisiones; las imágenes de activos, la tabla de personajes y los prompts comparten el mismo conjunto de anclajes, prohibido escribir cada uno por separado.
• Punto de control en entorno de un solo turno: si el entorno de ejecución no puede realmente interrumpir el turno (subtarea / llamada única automatizada), ejecuta las fases ⑤⑥ de forma continua y anota en el resumen "se ha omitido el punto de control de turno de la fase ④"; no detenerse para esperar "continuar".
• Saltar si la búsqueda devuelve vacío: si se decide usar la base de conocimiento para verificar y la búsqueda devuelve vacío, intenta como máximo 1 vez, luego anota "la especificación de esta sección está ausente, se ejecuta según la gramática oficial y las reglas generales", prohibido volver a intentar con palabras diferentes.
• Autosalvamento en caso de fallo: si ocurre un error o truncamiento a mitad de camino, primero lee la entrega ya escrita, continúa desde el último bloque de segmento exitoso, prohibido volver a empezar desde el principio.
• Control de calidad en línea: mientras se escribe cada segmento, verificar los elementos relacionados de ese segmento; después de escribir todo, solo hacer una comprobación entre segmentos (costuras/número total de etiquetas/duración total/recuento de referencias).

Solución de problemas durante la generación

Cuando el usuario informa que el resultado de la generación no cumple con los estándares, leer references/10-troubleshooting.md: primero localizar la capa (capa de conexión → capa de prompts → capa de activos), primero diagnosticar, luego ajustar parámetros, cambiar solo una variable a la vez. Regla en cascada: después de regenerar el segmento N, los fragmentos de guía del segmento N+1 en adelante deben ser reextraídos del nuevo resultado; si el estado del nuevo último frame no coincide con la descripción de apertura original, revisar sincrónicamente la descripción de apertura de los segmentos posteriores.

Índice de archivos de referencia

Archivo	Contenido
references/00-workflow.md	【Autoridad de flujo】Seis fases, empaquetado, modo B de conexión, estructura de entrega, lista de verificación completa, reglas de eficiencia, arbitraje de conflictos
references/01-grammar.md	【Límite gramatical】Seis secciones de Ref2VA, etiquetas y doble canal, frases de diálogo, cuadrícula de tiempo, parámetros de nodos locales, lista de prohibiciones
references/02-assets.md	Imágenes de personaje / imagen de escenario de 12 casillas / imagen de utilería (incluyendo múltiples formas) / audio de referencia de timbre y líneas rojas
references/03-camera.md	Sistema de planos, gancho de apertura, selección de movimiento de cámara, eje, líneas rojas de movimiento de cámara
references/04-emotion.md	Principio de visibilidad de la emoción, tres niveles de actuación, permanencia en plano emocional
references/05-rhythm.md	Decisión de acción de enlace, presupuesto de tiempo y cálculo frase por frase, algoritmo de empaquetado de un solo paso, descripción de acción
references/06-sound.md	Tres niveles de pertenencia del sonido, continuidad, técnica de la música, narrativa sonora
references/07-style.md	Cuatro piezas del anclaje de estilo, línea roja de consistencia de época, nombramiento de fuentes de luz, color
references/08-dialogue.md	Tres destinos del diálogo, presupuesto de densidad, técnica de la narración, diálogo múltiple, fidelidad al texto original
references/09-transition.md	Vocabulario de transiciones dentro del segmento, plano de transición, costura entre segmentos, reglas de posicionamiento
references/10-troubleshooting.md	Tabla rápida de fallos, decisión de reintentos y regeneración en cascada
references/official/official-skill.md	Texto original de la skill oficial de H3 (entrada T2VA/I2VA/FL2VA/L2VA/Ref2VA; se descarga al instalar, no se distribuye con el repositorio)
references/official/base-en.txt	Texto original de la sintaxis del modo base oficial (T2VA/I2VA/FL2VA/L2VA; se descarga al instalar)
references/official/ref-en.txt	Texto original de la sintaxis de seis secciones de Ref2VA oficial (etiquetas, retención, ejemplo completo; se descarga al instalar)
references/README.md	Fuente, versión, mapeo de nombres de archivo y método de actualización
assets/delivery-template.md	Esqueleto del archivo de entrega y encabezados de tabla

Arbitraje de conflictos: Los tres documentos oficiales (references/official/, deben descargarse primero) > 00-workflow.md > secciones creativas 03–09. Las secciones creativas no pueden modificar el flujo ni la gramática oficial.