MiniMax H3人物口播：参考素材、分段表演与声画检查

作者：@赵图图



人物口播不只是让嘴和手动起来。更难的是：人物讲到某个概念时，视线、动作和旁边的演示内容能够对应起来，观众也能看懂它们之间的关系。本文依据赵图图的 H3 人物口播案例，整理从参考素材、文案分段到样片检查的方法。

适用前提：已经有可用的人物口播生成工作流，希望改善内容组织和表演设计。本文是制作方法与失败案例整理，不是安装教程；没有补写视频未展示的节点连线、完整参数表或下载包。文中的 H3、Ref2VA 等名称沿用作者演示语境，不代表本文独立认证了模型或资源身份。

一、先固定场景、人物和声音三份参考

作者把三类参考的职责分开：场景参考负责环境，人物参考负责角色外观，声音参考负责希望延续的说话声音。场景图和人物图在这里不是指定视频开头、结尾的两帧，不要把它们误当作首尾帧控制。

作者在示例中沿用选定片段里的声音参考，而不是每做一段就重新更换。参考声音的语速也需要注意：作者提到，语速偏慢可能给后续台词安排带来问题。这是其制作经验，不是所有工作流都适用的固定结论。

先把角色、环境和声音固定下来，再处理不同段落的台词与动作，可以减少每段同时变化的因素。素材、形象与声音的使用权仍需另行确认，本文不作授权保证。

二、按完整意思分段，再安排说话时间

不要只按句号或字数机械切段。作者以“看见棋盘格背景，不代表图像真的透明，还要检查 Alpha 通道”为例：这是一个从提出问题到解释、再到判断的完整过程。若拆成互不相干的小片段，人物刚提出问题便换动作，观众就要重新寻找重点。

整理每一段时，可以先问：这一段是否能独立讲清一个意思？太短时，与相邻且语义相连的内容合并；太长时，在完整意思的边界拆开。

时长也不能只看文字占了几行。版本号、英文名称和较长的技术句子，实际说出来可能比直觉更久。作者展示了两种相反的问题：

1. 时间偏紧：长句中途含糊，或最后几个字没有说完整。
2. 时间留得过多：台词已说完，后面又重复或冒出多余的话。

这些现象是检查时间安排的线索，不是所有异常的唯一原因。即使字数、时间估算和提示词检查都通过，也应把生成结果实际听一遍。导出时还可能涉及帧数取整，最终应核对实际文件时长，而不是只相信输入框里的数字。

三、把动作写成有原因、有结果的过程

“面对镜头讲解，表情自然”通常还不足以表达具体的演示关系。作者用四个问题组织表演：

1. 人物正在看什么？
2. 人物做了什么？
3. 那个东西发生了什么变化？
4. 人物看到结果后有什么反应？

在棋盘格小花的例子里，人物先看向图片，表现出怀疑，再回头向观众解释。讲到检查 Alpha 时，保留原来的花朵图片，从同一信息来源展开另一层示意内容，用全白的 Alpha 示意层解释“不透明”。人物视线跟随变化，随后再给出发现问题的反应。

这里要表达的是教学关系，而不是追求全息效果本身。示意画面也不能代替对真实图片文件的通道检查。

四、修改失败版本时，先修关系，不是继续堆形容词

作者展示了几轮调整：

第一版把简单演示生成成了带工具栏的图片编辑器，还出现了不需要的小字，画面越来越像假的软件界面。

后来改用实心平面表达“不透明”，工具栏和杂字问题有所改善，却像突然换了一块红板：字可能对了，原图却不见了，观众无法理解新板与原图的关系。

继续修改时，作者没有只增加“高清、电影感、科技感”等描述，而是改变动作逻辑：原图不要消失，新的示意内容从同一来源连续展开，两部分最后都保留下来。

这让信息关系更容易理解，但仍不意味着每个动作都精确执行。后续空间感更强的版本里，小幅指尖动作变成了更宽的展示动作，标签和白色层也可能比对应台词更早出现。因此，作者保留了不止一个可用版本：需要自然展示时选较自然的版本，确实需要空间层次时再选另一版，而不是默认最后生成的一版最好。

五、区分生成时的互动与后期补充信息

如果人物要看某个物体、碰它，或者对它的变化作出反应，作者倾向让人物与该物体一起生成，让视线、动作与空间关系共同形成。

如果只是表达感受或作简单总结，合适的表情和自然手势可能已经足够，不必每句话旁边都放一个悬浮物体。用于给观众补充信息的后期元素，也应与需要人物真实参与的互动分开考虑。

六、Codex先辅助出方案，再交给固定工作流

作者没有只向 Codex 丢一句“帮我做个视频”。其做法是先提供确定的中文文案、人物和场景参考，以及已经整理好的制作规范，让它提出分段与中文画面方案：每段讲什么，需要什么动作，还是只靠表情就够了。

人工确认方案后，再整理成作者所用的 Ref2VA 格式。内容需要交代人物、环境、音频参考的职责，哪些信息要保留，以及动作、反应和准确台词。本文不补写未完整展示的字段模板。

作者的约定是：描述用英文，台词保留中文。另一个独立约定是本次不让模型生成背景音乐，便于检查说话声音和表演；这两条不要混成“用英文描述背景音乐”。

进入 ComfyUI 后，作者使用固定工作流，按段调整提示词、时长和编号等内容。这是其具体工作方式，不等于任意工作流都只需改这几项。片尾提到用“官方 skill”满足格式要求，但现有证据没有核实其准确包名、版本和来源，因此本文不提供未经核验的安装入口。

七、先做少量样片，再扩大为多段

作者建议先选两三段有代表性的内容做样片，尤其留意包含英文、数字或型号的台词。通过后再批量扩展，不要因为某一张静态画面好看，就判断整段已合格。

检查分成三部分：

1. 看画面：人物表情与动作是否合适，物体有没有突然消失，遮挡、视线和内容变化是否对应。
2. 听声音：从头到尾听台词，检查英文、数字和型号，有没有漏尾、含糊、重复或多余话语。
3. 查文件：核对编号、尺寸、帧率和时长，确认音轨及完整播放情况，而不是仅看生成界面的完成提示。

最小起步方案是固定一个角色、一个场景、一份声音参考，选一段能讲清楚的内容，设计一个真正有用的动作，或只用合适的表情。把这一个样片认真看完、听完，再扩展成多段。

来源与使用范围

本文依据原视频可用中文字幕、正常回放及所见演示画面整理，不是独立 ASR、逐字人工听写或本次重新运行工作流的实测报告。自动字幕中的疑似误识别参数未直接写成操作要求。原页简介中的通用工具、云镜像优惠和推广信息不作为本教程的必备资源，本文也未验证安装包、模型许可、硬件性能或资源可用性。