Moss 写实底图到 H3 视频：纪实提示词与参考图用法

Moss 写实底图到 H3 视频：纪实提示词与参考图用法

想让 AI 视频更像现场拍到的画面，可以先检查送入视频模型的底图，而不是一开始就寻找新的采样参数。AIwood 这次演示的路线，是用 Moss 融合模型生成写实图片，再把选好的图片送进作者使用的 MiniMax H3 相关工作流。重点不在重新搭建一套节点，而在底图的摄影感、提示词的表达，以及参考图进入视频任务的方式。

本文面向已经有对应 ComfyUI 工作流的读者，整理作者展示和说明的操作思路，不补写视频没有交代的模型安装、节点版本和完整连线参数。作者对写实程度及效果优劣的判断属于其示例经验，不是本文独立完成的模型横评。

一、先把底图做成“有人在现场拍摄”的照片

作者把底图的方向概括为抓拍、纪实和现场感，并认为它对最终视频的真实感影响很大。他所说的“完成了80%”是强调底图重要性的经验说法，不是量化实验结果。

这次使用的是此前介绍的 Moss 模型融合工作流，作者明确说选择了“均衡模式”。这只是本次演示的选择，不能由此推出它在所有人物、场景和风格中都最优，也不能把模式名称直接换算成未展示的融合强度数值。

对于已有该工作流的读者，可按这个顺序准备底图：

1. 先说清画面里有什么：人物或主体、所在环境，以及正在发生的活动。
2. 再补充摄影意图，例如随手拍、纪实摄影、现场感，而不只堆叠“高清”“真实”等抽象评价。
3. 将简短需求交给提示词扩写环节，检查扩写结果是否仍符合原来的场景目标。
4. 生成图片后先判断构图和视觉风格是否合适，再决定是否送去生成视频。

作者不是先手写一篇很长的提示词，而是把大概需求交给大模型扩写。画面中可见的例子，把“随手拍、纪实摄影作品”与90年代深夜网吧、人物活动和符合年代环境的中文元素放在一起。这里真正值得借鉴的是“场景内容＋拍摄方式＋时代环境”的组织方式，而不是把某一整段提示词当成通用公式。

二、“闪光灯直闪”是风格选择，不是真实感开关

作者特别强调了“闪光灯直闪拍摄”这一表达，并用宿舍电脑前的人物图和网吧图作说明。在他的比较中，直闪效果更容易让画面呈现有人近距离拍摄的现场感；另一个示例则显得更疏离或更像摆拍。

可将这一思路理解为：提示词不仅描述被拍摄的对象，也描述摄影者如何参与画面。直闪是其中一种视觉选择，并不等于任何场景加入这几个字都会更自然。

实际检查底图时，可以问自己三个问题：

- 人物、道具和环境是否共同指向同一个生活场景？
- 希望的抓拍或纪实感觉是否真的出现在结果里，而不仅存在于提示词中？
- 光线效果是否符合这张图的用途，还是只让画面变得更亮、更突兀？

这些是整理后的检查方法，不是作者提供的可量化评分标准。本期也没有展示固定种子和完整控制变量，因此不能把两张示例的全部差异都认定为由一个词单独造成。

三、把选好的底图接入已有视频工作流

视频部分仍沿用作者已经分享的双采 Self-Lift 工作流，并没有在本期另做一套新的完整工作流。其简介给出了对应资源链接，但本文未独立验证资源下载、运行条件或当前版本。

本次做法的区别在于：作者说明自己选用了“reference to video”，即参考图生成视频的节点，同时在提示词中明确表达图生视频任务，让这张参考图承担首帧的作用。

这与“看到参考图节点，就认为所有工作流都能严格锁住第一帧”不是一回事。本文只能确认作者在该演示中的说明，不能补造其他节点需要怎样连接、怎样设置强度，或保证它在不同版本中行为相同。

按本期内容，可将视频准备过程整理为：

1. 选定一张已经符合目标风格的底图，不把底图问题全部留给视频模型补救。
2. 在作者使用的参考生视频路径中提供这张图片，并在任务描述中说明希望按图生视频方式使用它。
3. 交代希望生成的内容，并确定视频时长；如果片段需要人物讲话，再明确台词。
4. 使用提示词扩写环节整理需求，然后检查扩写内容是否改变了原意。
5. 查看输出时，重点比较开头与后续画面的色调衔接，以及底图的视觉风格是否得到延续。

本期没有给出可直接套用的完整参数表；上述顺序帮助读者理解已有工作流的使用目的，并不是从零安装教程。

四、重点观察首帧到后续画面的衔接

作者指出，他在直接图生视频时观察到过首帧与后续帧之间轻微的色调转换。本次改用参考生视频路径、同时让参考图作为首帧的方式，在他的示例中衔接更好。

这应当保留为作者对特定工作流与样例的观察，而不是 H3 所有模式的统一结论。它也不意味着已经排除了底图、提示词或其他设置造成的影响。

因此，复现时应先确认自己是否真的遇到了相同问题。如果已有输出衔接正常，没有必要仅因为视频使用了另一种路径，就认定原来的流程一定错误。反过来，如果开头仍出现色调跳变，也不能凭本篇文章断定是哪一个未展示参数导致的。

作者还提到沿用已有的 H3 提示词扩写方案，明确时长与台词即可组织示例片段。本期并没有给出一套新的秘密提示词、专用 LoRA 或全新工作流。不要把“视频看起来更真实”自动归因于并未展示的额外模型或参数。

五、这次能学到什么，哪些还不能保证

这条制作路线可以概括为：先确定纪实摄影的视觉目标，用 Moss 生成并筛选底图，再在已有 H3 工作流里明确参考图用途、时长与台词，最后检查画面衔接。

文章提供的是源视频支持的操作思路和检查重点，不保证同一提示词每次都产生相同结果，也不保证人物身份、动作和光线在视频中始终完全一致。模型性能、资源可用性、工作流兼容性和商业许可均未由本文独立验证。

来源与资源

来源作者：AIwood爱屋研究室。源发布时间：2026-10-27 12:09:31（Asia/Shanghai）。
来源视频：https://www.bilibili.com/video/BV1F5xK6EEpg/

以下为作者在视频简介及置顶评论回复提供的资源，已去除邀请参数；只保留为来源入口，不保证可用性、价格或许可：

- Moss 模型融合工作流：https://www.runninghub.cn/post/2114890474770227202/
- 黑科技加速双采 Self-Lift 工作流：https://www.runninghub.cn/post/2097505105535913985/
- 图片、视频素材及工作流：https://pan.quark.cn/s/75625a0e548f
- H3Selflift 整合包（作者置顶评论中的回复提供）：https://pan.quark.cn/s/a345c62bd438

本文依据00:00–06:21的完整可用官方可见字幕及所见画面整理，包含同BV回放补漏，字幕中“mos／mouse”等按标题及上下文整理为 Moss，“地图／守针”等分别按上下文整理为底图、首帧。字幕空白不代表没有语音；该来源级别不等于 ASR 或完整原音频转写。示例片段台词、互动引导与结尾争论不作教程步骤转载。


AIwood爱屋研究室