企业官网建设流程全解析

MiniMax H3 这套短剧样片工作流，核心不是“一键出片”，而是在开源工具链里把角色长相、镜头语言、提示词模板、长时长分段这些最容易翻车的地方逐一接住。我最近在 ComfyUI 里做了一轮完整的短剧向测试：从单条分镜到批量生成，从参考图锁定人脸，到把多个场景连成一段叙事，除了封面处理用了一点外部工具，其余环节基本都走开源方案。整体跑下来，我的判断是：这套思路值得复制，但前提是你得先接受它的边界。

先说它适合谁。如果你只是随手生成一条“会动的图”，不需要这套流程；如果你做短剧向内容，需要同一个人物在多个场景里保持相似外形，同一套提示词模板能产出风格统一的镜头，还要把多个片段接成一段能看得下去的叙事，那就值得把“参考图 + 提示词模板 + 分段生成 + 批量管理”这个组合完整搭起来。下面按实际落地顺序拆一遍，重点不是展示某一条样片有多好看，而是把短剧向制作里真正会卡住人的环节讲清楚。

1. 先说明白：短剧向 AI 视频的难点不在生成，而在“控制”

1.1 单条视频很容易好看，难的是让人物“不变”

短剧和刷短视频最大的区别，是它有连续的人物、连续的场景、连续的叙事。观众可以接受单个镜头里有些小瑕疵，但绝对不能接受同一个角色换个镜头就变成另一个人。所以短剧向 AI 视频最核心的问题不是“能不能生成视频”，而是“能不能在十几条、几十条分镜里保持同一组角色的稳定辨识度”。

我见过不少人第一次做短剧向内容时，把大量时间花在模型选择上，到处找“更清晰”“更电影感”的生成方式。真正跑完一轮之后你会发现，模型能力当然重要，但决定样片能不能用的，是控制能力：参考图是否稳定、提示词结构是否统一、分镜之间是否连贯。这些控制能力，恰恰是通过工作流设计出来的，不是靠某一次抽卡抽出来的。

举个例子，我在测试时做了一个三镜头连起来的小样片：第一个镜头是角色在楼道口回头，第二个镜头切到室内走路的背影，第三个镜头回到角色正面。前两个镜头看起来都还行，但第三个镜头里角色的刘海方向突然变了。原因就是我在第三个镜头的提示词里多写了“头发有点乱”，模型把这一句理解成了发型改变。后来删掉这类干扰描述，用同样参数重新生成，一致性立刻恢复。这类问题很难靠模型升级彻底解决，只能靠提示词纪律和参考图约束来控制。

我这里说的人脸一致性，不是要求像素级克隆。我的判断标准很简单：把两个镜头截图放在一起，观众能认出是同一个角色。脸型、发色、服装颜色、气质这些关键信息不变，表情和动作可以有变化。做到这一点，对短剧来说已经够用。

1.2 开源的“实现路径”和商业软件的边界

标题里写“除封面全部由开源实现”，这是很关键的信息。ComfyUI 本身是开源项目，MiniMax H3 的社区集成也有对应的自定义节点和整合包，工作流编排、节点连接、批量任务、输出管理都能在这一套里完成。封面处理和最终的正式剪辑，通常用剪映、Photoshop 这类商业工具，这不属于生成链路的范围。

社区整合包的好处是快速启动，省掉手动配置依赖和模型路径的时间。但整合包也容易让人“知其然不知其所以然”。跑通之后，我建议还是把节点结构、模型文件位置、依赖版本都确认一遍。否则换个机器、升级一次 ComfyUI，很容易出现“能启动但跑不出结果”的尴尬情况。开源方案的最大优势是可定制，但可定制的前提是你知道自己装了什么东西。

另外，工作流里的节点编排也很重要。ComfyUI 的每个节点都有输入输出，一旦某个节点的命名冲突或者类型不匹配，整个流程就会卡住。我一般会把参考图加载、视频生成、输出保存分成三个区块，区块之间用清晰的节点名连接。这样即使某个区块出错，也能快速定位到具体节点，而不是在一大张连线图里慢慢找。

2. 环境准备：先把部署方式、硬件边界和 ComfyUI 状态确认好

2.1 本地部署还是在线调用，取决于任务规模

MiniMax H3 的部署方式，社区里讨论最多的就是本地部署和在线接口两条路。本地部署的好处是隐私可控、批量测试时不按次计费，代价是硬件要求不低，而且首次配置成本高。社区里经常有人问能不能在特定硬件上跑，比如 AMD 的 CPU、低显存显卡，这类问题没有统一答案，要看模型体积、量化方式和推理框架支持情况。

我的建议分两种情况。如果只是想验证工作流是否可行，先用在线接口或官方示例跑通，确定输出质量能接受，再考虑本地部署；如果要做长期、频繁的批量生成，而且本地显存、内存和磁盘条件允许，本地部署更划算。显卡方面，低显存不是不能试，但分辨率、单批次数量、单条视频长度都要降下来。长时长任务尤其吃资源，启动前先看好显存占用，别让任务跑到一半被系统杀掉。

2.2 ComfyUI 环境里必须确认的四件事

不管用整合包还是手动安装，ComfyUI 环境里至少确认这几项：

• Python 和 torch 版本是否匹配，视频生成节点对版本比较敏感。
• 自定义节点是否完整，缺节点时启动会提示对应的包名。
• 模型文件路径是否正确，很多“生成失败”其实是模型没加载出来。
• 输出目录是否有写入权限，批量任务跑到一半写不进去会很难受。

如果你是从整合包起步，第一次启动报缺包很正常。优先看提示里是哪个节点、哪个依赖缺失，再针对性安装。不要一口气把整个 requirements 全装进去，版本冲突可能比缺包更麻烦。

注意：先用一条非常短的视频验证整条链路，确认能出片再逐步加时长。不要第一步就追求“完整样片”。

3. 单条分镜跑通：从参考图到可用视频片段的验证链路

3.1 先做一张能当“角色锚点”的参考图

短剧分镜通常从参考图开始。参考图不需要多精致，但必须把角色特征交代清楚：正面脸部、完整发型、标志性服装、主要配色。我一般会先用文生图把角色定下来，保存成固定文件，后续所有镜头都拿这张图作为参考，而不是每个镜头重新随机生成一个角色。

参考图的质量直接影响视频结果。如果参考图本身五官模糊、头发边缘破损，生成视频时这些缺陷会被进一步放大。这里我建议先做一次放大和局部检查，确认眼睛、鼻子、嘴唇这些关键区域是清晰的，再拿去生成视频。背景越简单越好，人物占比越大越好。如果参考图里同时有多个人物、复杂背景或大面积遮挡，模型很容易把无关信息也当成参考特征，最后生成出来的画面重点不清。

3.2 最短链路：加载参考图、生成视频、检查输出

在 ComfyUI 里搭好“加载参考图 → 送入视频生成节点 → 输出视频”这条最短路程，先跑一条 2 到 3 秒的测试片段。这一条的任务不是追求完美，而是验证链路本身。

验证分为三步。

第一，参考图能不能被正确识别。输出视频里的人物应该具备跟参考图一致的主要特征，如果完全不像，先检查参考图是否符合输入要求。第二，提示词里的动作描述有没有生效。如果人物站在原地完全不动，说明动作提示没有被模型理解，先改提示词，不要急着调参数。第三，输出文件能不能正常保存和预览。很多新手在这里卡住，以为是生成失败，其实只是输出路径不对，或者文件格式不支持本地预览。

如果测试片段出现以下现象，我会按顺序排查：人物不像输入图，先看参考图；画面全是噪点或黑屏，先看模型加载和显存占用；动作完全没执行，先看提示词；输出文件没有生成，先看输出路径。一次只排查一个变量，不要同时改多个参数。

单条任务跑通之后，再进入批量阶段。原因是：批量测试时所有输入都在同一条链路上，如果链路本身有问题，你会同时收到几十条错误结果，根本没有办法判断先修哪个。先单条、后批量，是所有批量化操作的前提。

4. 人脸一致性：参考图、种子、提示词三条线配合才靠谱

4.1 参考模式不是“有图就行”

社区里经常提到的参考模式，比如“ref2va”这类全能参考模式，核心是让模型在生成视频时参考角色图片。但这不是随便传一张图就能保证稳定。我实测的经验是，参考图的“纯净度”比清晰度更重要。背景简单、没有过多遮挡、人物正面朝前，是最稳定的输入形态。

参考权重也需要取舍。权重太高，人物会被“定死”，动作僵硬，表情不自然；权重太低，人物特征又容易漂移，发色、脸型、服装颜色都可能变化。这个参数没有标准答案，只能按场景微调。我一般先用中等权重跑一条样片，观察脸部是否稳定，再以 0.05 的步进上下调整，直到找到既像又不僵的值。

还要注意，参考图只解决“长什么样”的问题，不解决“做什么”的问题。一个动作描述很模糊的镜头，即使人脸没变，画面内容也是不可控的。所以参考模式要跟提示词模板配合使用，一个管外观，一个管动作。

4.2 种子不是保命符，但它是排查工具

很多人以为固定种子就能保证人脸不变。实际上，视频生成任务的输入不止种子一个，参考图、提示词、模型版本、采样参数都会影响结果。种子更像是排查工具：当同一张参考图、同一段提示词，两个镜头结果差异过大时，先对比种子和输入图，再判断问题出在哪里。

批量测试时，我建议固定一个种子区间做对照实验。比如同一个提示词、同一张参考图，跑 5 到 10 个种子，统计人脸稳定率。如果绝大部分结果都保持角色稳定，说明链路可靠；如果只有一两个好看，说明你只是抽中了幸运结果。接下来要回头检查参考图和提示词，而不是加大生成数量去拼运气。

5. 提示词模板：把场景、动作、镜头拆成可复用的部件

5.1 为什么不要把所有内容写进一句话

短剧工作流里的提示词模板，核心价值是复用。把角色描述、动作、镜头、场景、风格写在一句话里，每生成一个镜头都重写一次，角色描述很容易被无意中改掉一个词，比如“深蓝色外套”变成“蓝外套”，结果人物外观漂了，你还不容易发现。

更稳的做法是把提示词拆成部件：角色描述作为公共部分，每个镜头都复制同样的文本；动作状态、场景环境、镜头语言按分镜各自替换；风格描述保持固定。这样既保证公共特征一致，又能让每个镜头在动作和场景上有所差异。所有镜头共用同一个“角色底座”，画面风格和人物外观的漂移概率就会低很多。

5.2 一套可以起手的中文提示词模板结构

短剧向场景里，中文提示词模板很实用。下面是一个通用结构，实际使用时按模型能力调整字段顺序和写法：

角色：黑色短发，女性，25岁左右，穿深蓝色牛仔外套，白色内搭，耳后有银色耳环。 动作：站在老旧居民楼楼道口，左手扶住门框，回头看向镜头，表情带着警觉。 镜头：中近景，平视视角，浅景深，背景虚化。 场景：傍晚，楼道暖黄灯光，墙壁有旧海报，地面有潮湿反光。 风格：电影感，画面干净，面部光线充足，无文字，无水印。

使用模板时，每个镜头只改“动作”“镜头”“场景”三个部件，角色和风格保持不变。比如下一个镜头改成室内咖啡店，直接替换“场景”字段，保留“角色”和“风格”，出来的结果更接近同一个角色换了个地方，而不是重新生成一个人。

模板里的关键信息要写具体。颜色写“深蓝色”比“蓝色”稳定，材质写“牛仔外套”比“外套”稳定，人物位置写“站在门框左侧”比“站在旁边”稳定。提示词越具体，随机解释的空间越小。短剧的提示词模板不是一套，而是至少分三套：人物出场模板、动作推进模板、场景环境模板，根据镜头内容组合使用。

6. 长时长视频：分段生成、转场衔接和节奏把控

6.1 分段生成是长视频最现实的解法

长时长视频不能指望一次生成，至少在普通硬件环境下不现实。短剧短则几分钟，长则十几分钟，如果按镜头逐条生成再拼接，工程量很大，所以必须分段管理。我建议以“场景组”为单位：一个场景内的多个镜头先归为一组，先生成这一组里的人物状态和关键帧，再逐条生成视频片段。

“全方位把控”长时长视频，重点在三个地方：画面连续性、人物一致性、节奏合理性。画面连续性靠转场和剪辑，人物一致性靠参考图和提示词模板，节奏合理性要在分镜脚本阶段就规划好。只盯生成参数、不看素材组织，长视频很容易变成一堆好看但拼不起来的碎片。

分段还意味着输出管理要提前设计。每个场景组一个文件夹，文件夹内按镜头编号排列，文件名里带上场景号和镜头号。这样即使中间需要重新生成某一条，也能快速定位，不会把整个项目推翻重来。

6.2 时长预算和转场衔接的实操思路

我通常会给每个场景组定一个总时长预算。比如一段 60 秒的短剧片段，开场 5 秒交代环境，中间 40 秒推进动作和对话，最后 15 秒收尾。分镜生成时按这个预算分配每条视频的长度，而不是想到哪拍到哪。

转场衔接要注意前一个片段结束时的动作、视线方向和后一个片段开始时的状态。AI 视频生成的单条片段是独立的，前后两条之间不一定能自然衔接。提前在分镜脚本里标注清楚上一个镜头结束时的动作、下一个镜头开始时的动作，能明显减少后期硬切。比如上一个镜头人物看向左侧，下一个镜头就安排一个与左侧相关的回应画面，观众能顺着视线方向理解场景。

如果多个片段拼接后出现人物微变，我会回到源头检查，而不是在剪辑阶段硬修。因为剪辑阶段能修的只是切法，没法修人物外形。这个问题越早发现，返工成本越低。

7. 批量生成：队列、命名、失败重试和资源监控不能省

7.1 批量任务不是单条任务的简单复制

一句话总结：批量任务如果只看“能不能跑”，你会在第三步就把自己坑了。批量任务要额外考虑输入列表、输出命名、失败跳过和断点续跑。

输入文件建议按固定规则命名，比如 `scene01_shot01