MiniMax-H3 T2VA Prompt Rewriter LoRA

lightx2v团队开源的MiniMax-H3 T2VA Prompt Rewriter LoRA是一款基于Qwen3.6-27B微调的LoRA适配器，专为将简短文本提示转换为MiniMax-H3文本生成音视频（T2VA）任务所需的结构化描述而设计。该适配器接收原始提示词、宽高比和时长参数，输出包含镜头结构、时间轴、摄影机运动、物理动作、剧情内声音及非剧情音乐的完整integrated_multimodal_description、overall_soundscape和non_diegetic_music字段。作为学习得到的近似方案，它并非官方H3-Context-IR服务的精确复制，但为本地工作流提供了关键的前置处理环节，需配合LightX2V推理框架及官方MiniMax-H3权重使用。

核心功能与工作流集成

该LoRA的核心价值在于自动化扩展人类简略创意为机器可执行的结构化指令：

输入输出规范

输入：短提示词 + 宽高比 + 时长
      ↓
处理：Qwen3.6-27B + Prompt Rewriter LoRA
      ↓
输出：
  integrated_multimodal_description: [镜头1] ... [镜头N]
  overall_soundscape: 环境音/音效描述
  non_diegetic_music: 背景音乐风格/情绪

增强维度

• 镜头结构：自动拆分长描述为多镜头序列，定义每个镜头的起止时间与内容
• 时空细节：补充构图、摄影机运动（推拉摇移）、物理动作连续性
• 音频同步：生成与画面匹配的剧情内声音（对话/环境音）及非剧情音乐建议
• 意图保留：在扩展细节的同时锚定原始提示词的核心语义

完整本地工作流

短提示词 → Prompt Rewriter LoRA → 结构化H3提示词
                                      ↓
官方MiniMax-H3权重 → LightX2V推理 ←─┘
                          ↓
              同步视频+音频输出

LightX2V提供优化的本地推理能力，包括内存卸载、张量/序列并行、量化检查点、优化内核及特征缓存，是此LoRA的推荐配套推理入口。

技术组件与依赖关系

关键依赖说明

• LoRA仅负责提示词重写，不直接生成音视频；必须与MiniMax-H3权重及LightX2V配合使用
• 基础模型固定为Qwen3.6-27B，不可替换为其他LLM
• LightX2V需提供MiniMax-H3兼容的推理优化，其他框架可能无法正确解析重写后的提示词结构

使用限制与风险管控

尽管该LoRA显著降低了H3提示词编写门槛，但存在明确边界：

• 纯文本T2VA限定：不支持图像/视频/音频参考输入；如需多模态参考，需使用其他专用工具
• 近似非精确：作为学习得到的近似方案，输出可能与官方H3-Context-IR服务存在差异，不保证100%兼容
• 幻觉风险：可能添加原始提示词未明确的细节（如虚构角色对话、不存在的环境元素）；当身份/时间/构图需精确控制时，必须人工审核重写结果
• 质量双重依赖：最终效果同时受提示词重写质量与LightX2V推理设置影响；低质重写或不当推理参数均会导致失败
• 许可约束：MiniMax-H3使用权受官方仓库许可条款限制，商用前务必确认合规性