MODUL 30 – ENGINE-ADAPTER MINIMAX H3
Version 8.1 / Guide Consolidation 1.1

AKTIVIERUNGSBEREICH
Dieses Modul gilt ausschließlich, wenn MiniMax H3 als aktive Engine bestätigt wurde. Es basiert auf den bereitgestellten Guides „Video Prompt Writing Guide (T2VA / I2VA / FL2VA / L2VA)“ und „Full-Reference Mode Rewrite Output Format Guide“ sowie dem bestätigten ComfyUI-Workflowprofil.

1. WORKFLOW-STANDARDPROFIL
Wenn der Workflow `minimaxH3Ref2vaAllInputsTurboMode_01Beta.json` verwendet wird und keine abweichende bestätigte Konfiguration vorliegt:
- maximale Generierungsdauer: 15 Sekunden
- Standard-Schnittreserve: exakt 1 Sekunde am Clipende
- maximal nutzbare Schnittdauer: 14 Sekunden
- Bildreferenzen: maximal `<Picture 1>` bis `<Picture 9>`
- Audioreferenzen: maximal `<Audio 1>` bis `<Audio 3>`
- Videoreferenzen: maximal `<Video 1>` bis `<Video 3>`
- aktive Slots je Typ lückenlos ab 1
- `VIDEO DURATION (seconds)`: vollständige H3-Generierungsdauer einschließlich Reserve
- `VIDEO RESOLUTION`: passend zum bestätigten Seitenverhältnis
- `BASE PROMPT`: aktuelle freigegebene H3-Promptversion
- Workflow-Modus Standard oder Turbo vor Generierung bestätigen

Der Workflow-Dateiname bestätigt nicht automatisch Modus, Auflösung oder Referenzbelegung. Nutzerangaben beziehungsweise ein aktueller Workflow haben Vorrang vor diesem Standardprofil. Technische Frame-Überhänge sind weder Filmzeit noch kreative Reserve und enthalten keine unverzichtbare Handlung.

Für dieses Standardprofil ist kein separates H3-Negativpromptfeld bestätigt. Gib deshalb `N/A` aus, solange der tatsächlich verwendete Workflow nicht ausdrücklich einen separaten Negativprompt unterstützt.

2. AUFGABENART AUSWÄHLEN
Base Format:
- T2VA: vollständige audiovisuelle Timeline aus Text; keine Alignment Instruction.
- I2VA: `<Picture 1>` ist der tatsächliche First Frame bei 0.00 Sekunden.
- FL2VA: Picture 1 ist First Frame, Picture 2 ist Last Frame; beschreibe einen kontinuierlichen Pfad.
- L2VA: `<Picture 1>` ist der tatsächliche Last Frame; konstruiere einen plausiblen Vorzustand und lande auf dem Bild.

Full-Reference Format:
Verwende Full Reference, wenn mehrere Referenzinhalte kombiniert werden oder wenn wiederverwendbare Subjects, konkrete Keyframes, Videoquellen oder Audioreferenzen mit expliziten Erhaltungsbeziehungen beschrieben werden müssen.

First-/Last-Frame-Bilder allein erzwingen noch keinen Full-Reference Mode. T2VA/I2VA/FL2VA/L2VA verwenden das Base Format, solange keine zusätzlichen Full-Reference-Beziehungen benötigt werden. Erfinde keinen Modus; kläre zweifelhafte Workflowbelegung.

3. GEMEINSAME H3-REGELN
3.1 Sprache
Der vollständige H3-Prompt wird auf Englisch verfasst. Nur Dialog, Gesang, Lyrics und sichtbarer Text bleiben in bestätigter Originalsprache.

3.2 Interne Shots
MiniMax-Marker `[Shot 1]`, `[Shot 2]` usw. sind lokale Promptsegmente und keine Produktionsshot-IDs.
- `[Shot 1]` hat keinen Zeitstempel.
- Spätere Shots erhalten strikt steigende Cut-Zeiten innerhalb der vollständigen Generierungsdauer.
- Base-Beispiel: `[Shot 2] At 00:03.500, the camera cuts to...`
- Full-Reference-Beispiel: `[Shot 2] At 00:03.500, the shot cuts to...`
- Ein Cut muss neue Information über Subjekt, Raum, Zustand, Perspektive oder Zeit liefern.
- Für geringe Distanz- oder Winkeländerungen nutze Kamerabewegung statt Cut.
- Cross-dissolve, Fade oder Wipe nur bei ausdrücklichem Wunsch.

Alle H3-internen Zeitangaben beziehen sich auf die vollständige Generierungsdauer einschließlich bestätigter Reserve. Pflichtaktion, kompletter Dialog, Pflichttext und musikalisch nötige Aktion müssen bis zum Ende der Nutzdauer abgeschlossen sein.

3.3 Kamera
Beschreibe Kamerabewegung natürlich im Shot. Verwende Typ plus Amplitude und Geschwindigkeit nur, wenn relevant. Mittlere Amplitude und normales Tempo müssen nicht genannt werden.

Zulässiges Leitvokabular aus dem Guide:
- Zoom In / Zoom Out: Brennweite ändert sich, Kamerakörper bleibt stehen.
- Push In / Pull Out: Kamera bewegt sich vor/zurück.
- Pan Left / Pan Right: Kamera schwenkt horizontal vom festen Punkt.
- Truck Left / Truck Right: Kamera verschiebt sich horizontal.
- Tilt Up / Tilt Down: Kamera neigt sich vertikal vom festen Punkt.
- Pedestal Up / Pedestal Down: gesamte Kamera bewegt sich hoch/runter.
- Arc Shot: Bogenbewegung um das Subjekt.
- Tracking Shot: folgt bewegtem Subjekt.
- Static Shot: Position und Optik bleiben still.
- Shake Slightly / Shake Strongly.
- POV.
- Roll Clockwise / Roll Counterclockwise.
- Amplitude: `with small amplitude` / `with large amplitude`.
- Tempo: `at slow speed` / `at fast speed`.

Beispiele:
`The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.`
`The camera pans right with large amplitude at fast speed, revealing the open doorway.`
`The camera holds a static shot as the runner exits the frame.`

3.4 Sprecher, Dialog und Gesang
- Konkrete menschliche Stimmquellen erhalten stabile IDs `(S1)`, `(S2)` usw. in Reihenfolge ihrer tatsächlichen ersten Vokalereignisse.
- Mehrere gemeinsam sprechende bereits nummerierte Sprecher verwenden `(S1,S2)`.
- Eine ID bleibt über alle Shots stabil.
- Figuren ohne Vokalereignis erhalten keine Sprecher-ID.
- Identität, Sprecher-ID, Handlung und Delivery stehen außerhalb von `<d>`.
- Innerhalb `<d>` stehen ausschließlich Sprach-Tag und exakter Wortlaut.
- Nutzerwortlaut und Interpunktion werden nicht übersetzt oder umgeschrieben.

Beispiel:
`The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>`

Voice-over verwendet exakt `says in an off-screen voiceover`. Direkt nach dem `<d>`-Block muss bei einer sichtbaren zugehörigen Figur stehen, dass ihre Lippen geschlossen bleiben:
`The man (S1) says in an off-screen voiceover: <d>[English] I still remember that road.</d> while his lips remain completely closed.`

Wenn dieselbe Zeile einen Cut überspannt, verwende `<scenetrans>` an den Verbindungspunkten beider Teile und beschreibe, dass das Audio unterbrechungsfrei weiterläuft. Verwende `<cutoff>`, wenn Sprache absichtlich durch das Videoende abgeschnitten wird.

3.5 Sichtbarer Text
Tatsächlich sichtbarer Text steht in englischen doppelten Anführungszeichen. Originaltext und Interpunktion bleiben unverändert:
`A red neon sign reading "营业中" glows above the doorway.`

3.6 Soundkategorien
Die shotgenaue multimodale Beschreibung enthält visuelle Handlung, Dialog/Gesang und diegetische Audioereignisse.

`overall_soundscape`:
- 1–4 englische Sätze als ein Absatz.
- Umgebungsgeräusche, physische Aktionsgeräusche und nonverbale menschliche Laute.
- Dialog, Gesang und diegetische Musik nicht wiederholen.
- `N/A` nur, wenn ausdrücklich vollständige Stille verlangt wird.

`non_diegetic_music`:
- 1–3 englische Sätze.
- Nur Musik, die ausschließlich das Publikum hört.
- Instrumentierung, Tempo, Rhythmus und Dynamik beschreiben.
- Keine abstrakten Stimmungswörter oder Erklärung der emotionalen Funktion.
- Diegetische Musik gehört in die multimodale Beschreibung.
- `N/A`, wenn keine non-diegetische Musik vorhanden ist.

4. BASE FORMAT – T2VA/I2VA/FL2VA/L2VA
4.1 Verbindliche Endstruktur
T2VA beginnt direkt mit exakt drei Kernfeldern:

`integrated_multimodal_description: [Shot 1] ...`

`overall_soundscape: ...`

`non_diegetic_music: ...`

I2VA, FL2VA und L2VA beginnen mit der passenden Alignment Instruction. Danach folgt genau eine Leerzeile und anschließend dieselbe Drei-Felder-Struktur.

4.2 Alignment Instructions
I2VA – exakt:
`For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.`

FL2VA – exakt:
`How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.`

L2VA – exakt:
`How the reference pictures align with the target video — <Picture 1> (from [Shot N]) aligns with the S.SS-second mark of the target video.`

Ersetze N durch den tatsächlichen letzten internen Shot. Ersetze S.SS durch die vollständige Ziel-/Generierungsdauer mit exakt zwei Nachkommastellen. Bei einem einzigen FL2VA-Shot lautet sowohl First- als auch Last-Frame-Zuordnung `Shot 1`.

4.3 Entwicklungslogik
T2VA:
Konstruiere die vollständige Timeline aus Text und füge nur konsistente, notwendige Szenen-, Handlungs- und Sounddetails hinzu.

I2VA:
First-Frame-Anker → Handlungsbeginn → kontinuierliche Entwicklung → Ergebnis/Reaktion.
Bewahre Erscheinung, Kleidung, Farben, Objekte, Komposition und Raumbeziehungen aus `<Picture 1>` entsprechend der bestätigten Rolle.

FL2VA:
First-Frame-Zustand → beobachtbare Zwischenänderungen → zunehmend genaue Annäherung → Last-Frame-Zustand.
Bevorzuge einen kontinuierlichen Shot. Mehrere Shots nur bei ausdrücklicher Vorgabe. Beschreibe den Bewegungspfad statt zwei statische Bilder zu wiederholen.

L2VA:
Plausibler Vorzustand → explizite Handlung/Übergang → schrittweise Konvergenz → exakte Last-Frame-Landung.
`<Picture 1>` gehört zum tatsächlichen letzten `[Shot N]`, nicht automatisch zu Shot 1.

4.4 `integrated_multimodal_description`
Zu Beginn von `[Shot 1]` stehen Gesamtstil und initiale Komposition. Beschreibe ausschließlich sicht- oder hörbare Informationen: Stil, Einstellungsgröße, Subjekte, Positionen, Umgebung, Requisiten, Licht, Handlung, Reaktion, Kamera, Dialog/Gesang und synchrones diegetisches Audio.

5. FULL-REFERENCE FORMAT
5.1 Verbindliche Endstruktur
Schreibe alle sechs Sektionen auf Englisch und in exakt dieser Reihenfolge:
1. `subject_definitions:`
2. `summary:`
3. `retention_analysis:`
4. `detailed_description:`
5. `overall_soundscape:`
6. `non_diegetic_music:`

`detailed_description` muss detailliert und explizit sein. Für Generierungsaufgaben sind normalerweise 350–500 englische Wörter vorgesehen. Dialogdichte und Quellenkomplexität haben Vorrang vor mechanischer Wortzahl. Ein einzelner Shot ist kein Grund für eine bloße Kurzfassung.

5.2 Referenzlabels
`<Subject N>`:
Wiederverwendbarer sichtbarer Inhalt, zum Beispiel Person, Tier, Objekt, Umgebung, Kleidung, Effekt, Stil, Handlung, Ausdruck oder Pose. Ein Subject bezeichnet die tatsächlich verwendete Inhaltseinheit, nicht die Quelldatei. Mehrere Assets dürfen ein Subject definieren; ein Asset darf mehrere Subjects liefern.

`<Picture N>`:
Nur als eigenständiges Label, wenn das Bild ein konkreter First Frame, Keyframe, Last Frame, bearbeiteter Keyframe, Kompositionsanker oder Storyboard-/Shotplananker ist. Dient ein Bild nur zur Definition eines Subjects, zitiere es innerhalb der Subject-Definition und erzeuge keine separate Picture-Zeile.

`<Video N>`:
Nur für eine Ganzvideo-Beziehung: direkte Bearbeitung, Fortsetzung oder Referenz der Kamera-, Cut-, Rhythmus- oder Zeitstruktur. Eine aus einem Video übernommene Person, Szene, Aktion oder Wirkung bleibt ein `<Subject N>`; `<Video N>` ersetzt keine Subjects.

`<Audio N>`:
Eigenständige Audiodatei oder aktivierte synchronisierte Audiospur aus einem Referenzvideo. Mögliche Rollen: vollständige/teilweise Kopie, Musikstil, Stimme/Delivery, Dialog/Lyrics, SFX-Textur, Beat/Rhythmus oder Audio-Continuity.

Video- und Audioindizes sind unabhängig. Ein Video erzeugt nicht automatisch ein `<Audio N>`, nur weil es Ton enthält. Ein Label behält in allen sechs Sektionen exakt dieselbe Bedeutung.

5.3 `subject_definitions`
Definiere jedes getrennt zu verfolgende Referenzelement in einer eigenen Zeile mit Rolle, Hauptmerkmalen und nötiger Quellenherkunft. Wenn ein Audio explizit zu einem Zielsprecher gehört, verwende dessen bereits durch die tatsächliche Vokalreihenfolge bestimmte Sprecher-ID:
`<Audio 1> is the voice-timbre reference for <Subject 1> (S1).`

Die Audio-Definition vergibt keine unabhängige neue Sprecher-ID.

5.4 `summary`
Ein kurzer englischer Absatz. Beginne mit einem oder mehreren nicht doppelten Task-Typen in eckigen Klammern:
- `keyframe completion`: konkreter Frame-Anker.
- `reference generation`: Generierungsführung ohne konkreten Frame und ohne direkte Videoeditierung/-fortsetzung.
- `video editing`: vorhandenes Quellvideo wird direkt bearbeitet.
- `video continuation`: neuer Inhalt setzt ein Quellvideo fort.
- `audio reuse`: dasselbe Audiosignal wird vollständig oder teilweise wiederverwendet.
- `audio reference`: nur Stil, Timbre, Textinhalt, Soundtextur, Beat oder Continuity wird referenziert.

Kombination mit ` + `, ohne Wiederholung. Die bloße Anwesenheit eines Assets erzeugt keinen Task-Typ. Bei Video Editing beginne nach dem Präfix exakt mit:
`The target video is an edited version of <Video 1>.`

Führe im Summary keine neuen Labels ein.

5.5 `retention_analysis`
Eine Zeile pro verwendetes Referenzlabel. Bedeutung muss zur Definition passen.

Für `<Subject N>`, `<Picture N>`, `<Video N>` ausschließlich:
- `fully_preserved`
- `partially_preserved`
- `attribute_transfer`
- `weak_reference`

Beispiele:
`<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - ...`
`<Picture 2> ([Shot 1] first frame): fully_preserved - ...`
`<Video 1> (cut and pacing structure): weak_reference - ...`

Für `<Audio N>` ausschließlich:
- `fully_copy`: vollständiges Quellaudio ist vollständiger finaler Zielton.
- `partially_copy`: nur Zeitbereich oder Layer wird kopiert beziehungsweise nach Kopie verändert.
- `reference`: Signal nicht kopiert; nur konkrete Eigenschaften oder Inhalt referenziert.
- `weak_reference`: nur breite Kategorie-/Atmosphärenähnlichkeit.

Neue Handlung, Hintergründe oder Storyereignisse sind nicht automatisch ein Verlust der Referenztreue.

5.6 `detailed_description`
Stelle den Gesamtstil in ein oder zwei englischen Sätzen vor `[Shot 1]` her. Danach beschreibe Wiedergabereihenfolge Shot für Shot.

Für jeden Shot, soweit relevant:
- Komposition und Einstellungsgröße
- Subject-Erscheinung und Position
- Umgebung und Licht
- Aktionen und Zustandsänderungen
- Kamerabewegung
- aktueller Sound/Dialog/Gesang
- Zeitpunkt und Wirkung von Referenzen

Setze ein wichtiges `<Subject N>` bei der ersten klaren Erscheinung mit Merkmalen, Position und Handlung ein. Später dasselbe Label verwenden, ohne es neu zu definieren.

Natürliche Frame-Anker:
- `the shot begins from <Picture 1>`
- `the shot's keyframe corresponds to <Picture 2>`
- `the shot ends on <Picture 3>`

Zitiere `<Video N>` dort, wo Quellzustand, Struktur oder Fortsetzung wirkt. Zitiere `<Audio N>` in der Shot-/Audiophase, in der seine Rolle aktiv ist.

Wenn ein Referenzsubject physisch spricht:
`<Subject 2> (S1) turns toward the woman and says, <d>[English] ...</d>`

Wenn verbaler Inhalt nur als Cue innerhalb direkt wiederverwendeter Hintergrundmusik oder eines kompletten Soundtracks existiert und keine konkrete Person/Stimmquelle ihn im Zielvideo produziert, verwende `<Audio N>` und erfinde keine `(Sx)`-Quelle.

Bei direkt wiederverwendetem oder ausdrücklich neu performtem Dialog/Lyricstext bewahre exakte Wörter und Originalsprache in `<d>`. Schreibe `[unclear]` für unverständliche Stellen statt zu raten. Entferne nur dekorative Interpunktion wie wiederholte Tilden, Emojis oder Bulletzeichen, wenn der Guide dies für transkribierte Referenzaudios verlangt; bestätigter Nutzerwortlaut bleibt ansonsten unverändert.

Wenn nur Timbre, Rhythmus, Emotion oder Delivery referenziert wird, übernimm nicht automatisch den Originaldialog.

Schreibe keine Sprecher-IDs in `retention_analysis`.

5.7 Full-Reference Soundfelder
Referenzbeziehungen stehen nur in der passenden hörbaren Schicht:
- Ambience und SFX aus `<Audio N>` in `overall_soundscape`.
- Publikumsmusik aus `<Audio N>` in `non_diegetic_music`.
- Dialog und Lyrics vollständig nur in `<d>` innerhalb `detailed_description`, nicht in den beiden Soundfeldern wiederholen.

6. SLOT- UND LABELKONTROLLE
Vor Ausgabe:
- Aktive Picture-, Audio- und Video-Slots sind je Typ lückenlos ab 1 belegt, wenn der Workflow dies verlangt.
- Jedes Promptlabel entspricht dem realen Slot desselben Typs.
- Jedes aktivierte Asset hat eine konkrete Funktion.
- Ein Bild, das nur ein Subject definiert, wird im Full-Reference-Format nicht unnötig zusätzlich als eigenständiger Picture-Anker analysiert.
- `<Subject N>` ist ein Promptlabel und kein physischer Workflow-Slot. Es abstrahiert Inhalt aus Picture-/Videoquellen.
- Audio- und Videoindizes müssen nicht paarweise übereinstimmen.
- Nicht genutzte Referenzen werden nicht vorsorglich aktiviert.

6.1 MASTER-IDENTITÄT UND KLEIDUNGSREFERENZ
Wenn aus einer Master-Identitätsreferenz extern eine verlässliche Wardrobe-/State-Referenz mit neuer Kleidung erzeugt wurde, verwende für H3 normalerweise nur die vollständige Wardrobe-/State-Referenz als aktive Charakterreferenz. Lade die Master-Identitätsreferenz nicht zusätzlich, nur weil sie bei der Erzeugung der neuen Referenz verwendet wurde. Das spart Slots und verhindert konkurrierende Kleidungszustände.

Verwende beide Bilder nur als begründete Ausnahme, wenn die Wardrobe-/State-Referenz die Identität nicht zuverlässig trägt und nicht sinnvoll verbessert werden kann. Nutze dann Full Reference und trenne die Rollen ausdrücklich, zum Beispiel:
`<Subject 1> is the character whose facial identity, age, and body proportions come from <Picture 1>, while the current scene wardrobe and complete dressed appearance come from <Picture 2>. The clothing visible in <Picture 1> is not used in the target video.`

Konkrete First Frames, Last Frames und Keyframes behalten unabhängig davon ihre eigenen Picture-Rollen. Eine Wardrobe-/State-Referenz wird nicht automatisch zu einem Frame-Anker.

7. H3-PREFLIGHT
Prüfe vor jeder Generierung:
- Aufgabenart und korrektes Ausgabeformat
- vollständige H3-Dauer einschließlich Reserve
- korrekter Nutzschnittpunkt
- Seitenverhältnis und Generierungsauflösung
- aktuelle `BASE PROMPT`-Version
- Standard/Turbo bestätigt
- reale Slotbelegung stimmt exakt mit Labels überein
- Alignment Instruction und `S.SS` korrekt
- `[Shot 1]` ohne Zeitstempel
- spätere Shotzeiten strikt steigend und innerhalb der Gesamtdauer
- Pflichtinhalte vor Ende der Nutzdauer
- Dialog/Lyrics wortgetreu und korrekt in `<d>`
- `overall_soundscape` und `non_diegetic_music` sauber getrennt
- keine erfundene Audio-, Dialog-, Referenz- oder Editing-Fähigkeit
- technische Audio-/Videoreferenzen decken den verwendeten Zielbereich ab

Empfohlener Zweipass, wenn nicht anders bestätigt:
1. ressourcenschonender Testlauf nur mit benötigten Referenzen und ohne optionale Nachbearbeitung
2. nach inhaltlicher Freigabe finaler Lauf mit identischer Promptversion und bestätigten Ausgabeprozessen

8. H3-AUSGABE IM SCHNELLMODUS
Bei aktivem Modul 20 gib den fertigen H3-Prompt ohne Produktions-Clip-Metadaten aus. Ergänze nur Aufgabenart, Dauer, Modus, Auflösung und Slotbelegung als kompakte Einstellungen.

9. H3-AUSGABE IM VOLLPROJEKT
Bei aktivem Modul 42 steht der reine, exakt formatierte H3-Prompt im Feld `Videoprompt`. Produktionsmetadaten, Kameraübersicht, Continuity und Audiozuordnung stehen außerhalb des Promptblocks und dürfen die H3-Feldstruktur nicht verändern.
