MiniMax H3 超大杯实测：200 条样本与提示词最佳实践

【导语】
MiniMax H3 是面向全模态的视频生成模型：同时理解文字、图片、视频与音频，并原生生成同步立体声（对白、环境音、音效、音乐）。支持文生视频、图生视频、首尾帧控制、参考图/视频/音频以及视频编辑等路径。本文基于创作者多机实测（口播称开了五台电脑、生成一百多条样本）整理能力边界、开源权重与官方演示落差原因，以及提示词最佳实践。

原视频：https://www.bilibili.com/video/BV1x8Mo6tESD/

【实测覆盖】
样本覆盖文生/图生视频，题材包括写实人物、汽车广告、武侠追逐、城市旅行、动物纪录片、中式美食、动漫机甲、双人中文对话与英文对白等。整体比预估更强，但也暴露关键落差与用法问题。

【为何本地效果常不如官方演示】
官方开放的主要是 H3-Base 权重。完整系统里还有关键的 H3-Context-IR 上下文预处理组件（此处按官方文档名称整理）：负责理解文字/图片/视频/音频关系，并把用户自然语言改写成模型易消化的结构化指令。官方明确该层对最终质量很关键，但依赖多阶段线上服务，未包含在本次开放权重中。因此「下完模型随便写一句提示词」与官方演示差很多，差距不一定在权重本身，也可能在进入主干前少了结构化预处理。

【两条主要路线】
1）文生 / 图生主路线（口播 FL2VA 一类）：单图可作首帧或尾帧生视频；双图可作首尾帧生成。本轮跑通的文生与图生主要在这条。
2）多参考混合路线：可同时参考多张图片、参考视频与参考音频。官方上限口播提及最多约 9 张图、3 段视频、3 段音频，混合素材上限约 12 个——人物参考、动作迁移、镜头参考、视频编辑与声音参考等想象力主要在这条。

【本地推理配置与耗时（口播实测）】
本地使用面向 ComfyUI 的推理优化版：主干 INT8 路线，文本编码器的具体型号及低精度文件待核（官方 H3-Encoder 使用 Qwen3-VL-32B），另加载独立视频 VAE 与音频 VAE——不是原始全精度满血塞满显存，而是单卡友好方案。
- 720P、约 10 秒、20 步：5090 上大约 18–33 分钟
- 1080P、约 15 秒、20 步文生视频：约 1 小时量级

【提示词最佳实践（按官方指南整理）】
1. 画面、动作、运镜与声音描述优先英文，理解更稳；中文对白保留中文。多说话人用固定说话人编号（如 S1/S2），中途不要交换编号。
2. 不要只写最终结果：把约 10 秒内动作按时间拆开。第一镜用 Shot1，后续写清切镜时间（Shot2 at …）；每时段只安排一组主动作，前后不重复。
3. 运镜忌空泛「电影感」：写清摄像机运动类型、幅度与速度（如小幅正常速度前推；高速环绕半圈后转侧面跟拍）。
4. 开头建议拆三块：Integrated（人物/场景/动作/镜头）、Overall（对白、脚步、风声、发动机等同步声）、以及画面外 BGM/环境乐——环境音与 BGM 不要混写。
5. 图生视频首句必须说明首帧如何被引用（按官方格式），并写清身份、服装、发型、场景与构图哪些必须一致。
6. 说话：写清谁、何时、何种语言、声音状态，并要求口型同步；画外音则明确旁白，并要求画面人物闭嘴，避免全员乱张嘴。
7. 提示词不是越长越好：身份稳定、动作顺序、切镜时间、可执行运镜、声音来源清楚优先；堆无关形容词会稀释关键动作注意力。

【后续与资源】
作者表示已整理 1080P 15 秒文生/图生 ComfyUI 发布版（保留官方 IR 提示词结构、20 步采样、原声音轨、显存说明与使用笔记），并会继续测首尾帧、人物参考、动作迁移、视频编辑以及 30–45 秒连续长视频——基础能力确认后再上复杂工作流更有意义。工具与工作流以作者主页 / RunningHub 等发布渠道为准。

作者：天选嘉鲤敦赵图图