正文
MiniMax H3 的 H3-Base-Ref2VA 可以同时参考图片、视频和音频，但“把所有素材一股脑上传”通常会让主体、镜头和声音之间互相抢占控制权。先给每份素材一个角色，再明确哪些内容必须保留、哪些内容只提供风格或动作参考，输出会比不断加长提示词更稳定。
Ref2VA 适合需要多模态参考的音视频生成：人物或产品外观来自图片，运镜来自视频，氛围或音色来自音频。它和 FL2VA 不同，FL2VA 只适合文本、首帧、尾帧或首尾帧控制；需要多份参考材料时才选择 Ref2VA。
先确认 Ref2VA 的输入上限
官方给出的限制不是建议值，而是请求能否被正确处理的边界：
音频不能作为唯一输入，必须同时提供至少一张图片或一段视频。输出视频的时长为 4 到 15 秒、帧率 24 FPS，默认较短边为 768 像素。本地 H3-Base 成功生成 768P 音视频，不代表已经复现官方 2K 成品；2K 仍需官方 Context-IR 与 Regenerate-2K 流程。
| 图片 | 9 张 |
| 视频 | 3 段 |
| 音频 | 3 段 |
| 全部文件 | 12 个 |
每份素材只负责一种控制目标
一套可审查的参考包通常只需要三到五份素材。用下面的角色划分，而不是按文件名猜测：
不要用两段素材给出互相冲突的主体身份。例如图 1 要求保留产品外观，视频 1 却出现另一个产品且没有说明“只参考运镜”，模型就没有明确的优先级。
| 主体身份与外观 | 一张清晰人物或产品图片 |
| 场景与构图 | 一张场景图或短视频 |
| 动作与运镜 | 一段短参考视频 |
| 声音氛围或音色 | 一段有授权的音频 |
| 生成目标 | 文本说明 |
提交前先写一份素材清单
素材清单不需要放进模型请求，但应在本地或项目任务中保留。它让团队能快速发现“音频为什么被当作背景”“人物为什么变了”这种问题。
这份清单的价值在于可复现：换一个操作者、重跑一个任务或排查审核拦截时，都能确认每份素材原本应承担什么作用。
ref2va_package:
target: "8 秒产品展示视频，带新的中文旁白"
files:
- id: image_1
role: "主体外观"
preserve: "保留瓶身比例、白色标签和绿色盖子"
- id: video_1
role: "镜头运动"
preserve: "只参考由近到远的平移镜头，不复用画面中的人物"
- id: audio_1
role: "声音参考"
preserve: "参考轻快节奏，不复用原始人声或音乐"
exclusions:
- "不出现原视频中的人物、文字和商标"
rights: "确认拥有全部素材的生成与传播授权"提示词把“保留”和“参考”分开写
Ref2VA 的提示词要显式描述素材之间的关系。先声明素材身份，再写生成目标，最后说明不可复用的内容。下面是一个结构示例，不含真实人物、品牌或受限素材：
如果要生成对白，应将“谁说话、何时说、使用哪种语言、是否只参考音色”写明。不要把没有授权的真人语音说成“参考一下”；声音和肖像同样需要明确的使用权。
<Picture 1> 是目标产品的外观参考，瓶身形状、白色标签和绿色盖子必须保留。
<Video 1> 只提供镜头运动参考：镜头从近景平稳拉到中景；不要保留视频中的人物、文字或场景。
<Audio 1> 只提供轻快节奏的氛围参考；目标音轨生成新的无歌词背景声。
生成一个 8 秒、16:9 的产品展示视频。开始时产品位于画面中央，镜头缓慢后移，暖白色灯光照亮标签。画面中不出现人物、原视频文字或额外品牌标识。先跑最小参考包，再逐项增加控制
第一次请求只放主体图片和文本目标，确认外观是否稳定；第二次加入运镜视频；最后再加入音频。每次只增加一种控制变量，才知道问题来自哪份素材。
测试时先用 4 到 8 秒片段。较短样本更容易比较主体一致性、运镜、声音和时序，也能减少无效素材反复进入生产队列。
| 第一轮 | 1 张主体图片 + 文本 |
| 第二轮 | 第一轮 + 1 段视频 |
| 第三轮 | 第二轮 + 1 段音频 |
参考失控时怎样判断原因
一次可交付的 Ref2VA 验收
Ref2VA 的价值不是多传几份素材，而是让多份素材形成一个没有冲突的生成意图。素材角色、提示词关系和可复现的最小测试都清楚后，H3 的多模态控制才会真正可用。
- 素材数量、时长与总文件数不超过官方限制。
- 每份素材都有单一角色，并能说明它是“保留”还是“仅参考”。
- 文本明确主体、运镜、声音和不可复用内容的关系。
- 通过最小参考包逐轮增加素材，而不是一次堆满输入。
- 对图片、视频、音频、人物肖像和品牌内容持有相应授权。
- 生成结果通过主体一致性、镜头关系、声音和分辨率四项检查。