企业官网建设流程全解析

之前拿 AI 生成视频做战斗场景，最头疼的不是画面不够华丽，而是动作逻辑稀碎：两个人刚摆好架势，下一帧拳头就穿模了；明明在打斗，镜头切过去两人却在原地转圈。反复抽卡、改提示词、换模板，效率一直提不上去。

最近用海螺 H3 重新梳理了一套打斗工作流，配合自建的提示词 skills，实测出片稳定度提升了不少。这套流程不只针对海螺 H3，里面关于提示词结构、镜头控制和后处理节奏的方法，放到其他视频生成模型里也能直接用。

本文会从模型对比、提示词设计、完整工作流搭建到动漫短剧文戏处理做一次系统拆解，适合正在做 AI 短剧、游戏宣传片、动态漫画的技术同学，也适合刚接触 AI 视频生成、想稳定出战斗镜头的创作者参考。

1. 海螺 H3 是什么：开源视频模型的新选择

1.1 模型基本定位

海螺 H3 是 MiniMax 开源的视频生成模型，属于多模态生成模型范畴，能够根据文本提示词直接生成视频片段。它和闭源 API 不同的是，模型权重开放，可以在本地的推理框架里部署，也可以调用官方平台接口出片。

从开源视频生成模型的整体格局来看，海螺 H3 的优势集中在这几个方面：文本语义跟随度较高、运动幅度可以做到比较大的程度、动态镜头下的主体稳定性在开源模型里属于第一梯队。简单说就是：它比较适合做动作密度高的内容，而不仅仅是静态风景或口播类视频。

1.2 与闭源模型的定位差异

这里想多说一句：开源和闭源不是“谁取代谁”的关系。闭源模型在画面美学、风格一致性上通常更省心，而开源模型的价值在于可控性和可定制。做打斗工作流这种对镜头节奏要求高的场景，开源模型的提示词可控性反而是核心优势。

1.3 为什么打斗场景是检验视频模型的试金石

打斗场景对视频生成模型的考验，远比普通对话场景高得多。普通文戏的镜头基本固定，人物动作幅度小，模型只要把表情和口型处理好就能过关。但打斗场景需要同时满足多个硬指标：

• 多人肢体交互不穿模。
• 动作速度快但不产生拖影和变形。
• 镜头跟随运动主体时背景不能乱闪。
• 打击感要能通过画面张力传递出来。

这些指标每一条都对应着模型底层的能力。如果模型对运动幅度支持有限，打斗动作就会变成慢动作；如果模型对多主体交互支持不足，两人靠近时就会出现身体融合、穿模。海螺 H3 在运动幅度和主体稳定性上的表现，让打斗类提示词有了一套可以复用的生成逻辑。

2. 环境准备：开源部署与 API 调用怎么选

2.1 硬件与运行环境参考

海螺 H3 作为一个开源视频生成模型，本地部署对显存有一定要求。具体配置要根据模型版本、推理框架和输出分辨率综合评估，这里给一个参考范围：

如果你的机器显存不够，也不要直接放弃。可以先使用官方平台的海螺 API 跑通提示词工作流，等提示词调教到满意程度之后再决定是否本地部署。工作流的提示词设计部分，与部署方式无关，这套方法论是通用的。

2.2 本地部署的基本启动流程

本地部署的完整环境搭建步骤比较长，这里先给出核心启动流程作为参考：

# 1. 创建虚拟环境 conda create -n h3-video python=3.10 -y conda activate h3-video # 2. 克隆模型仓库（示例结构） git clone https://github.com/MiniMax-AI/H3-Video.git cd H3-Video # 3. 安装依赖 pip install -r requirements.txt # 4. 下载模型权重到本地指定目录 # 注意：权重较大，建议使用官方提供的下载脚本或镜像地址 # 5. 启动推理服务（示例） python inference.py --config configs/h3_action.yaml

这里的启动命令是示例思路，实际文件名和参数名要以你拉取的仓库版本为准。本地部署的重点不是复制粘贴命令，而是确认三个信息：模型权重存放路径、推理脚本入口、配置文件里的生成参数。

2.3 使用依赖注入方式搭建实验环境

如果不想在物理机上折腾环境，可以用 Docker 隔离运行：

FROM pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime WORKDIR /workspace COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD ["python", "inference.py", "--config", "configs/h3_action.yaml"]

Docker 的好处是环境可复现。你带提示词工作流换电脑、换服务器时，不会因为 Python 版本不一致导致结果偏离。

3. 核心原理：打斗提示词的 Skill 设计方法论

3.1 从“描述画面”到“描述运动”

大部分人在写打斗提示词时犯的错误是：只描述画面静态内容，比如“两个人正在打架”。这种提示词交给模型后，模型确实会生成两个人，但动作是随机生成的，完全不可控。

正确的做法是把提示词拆成两层：

1. 构图层：画面里有什么，镜头是什么景别。
2. 运动层：人物的动作轨迹、速度、方向，镜头的运动方式。

画面对齐格式示范如下：

[镜头景别] [主体动作] + [交互对象] + [运动轨迹] + [镜头运动方式]

举例来说：

中景，两个人面对面，一人向前挥拳，另一人侧身闪避， 移动方向从画面左侧到右侧，镜头跟随向左横移。

这比“两人激烈打斗”要具体得多。模型不再需要猜测“打斗”的抽象含义，而是按照轨迹、方向、速度去生成连续帧。

3.2 把 Skill 拆成提示词模板

在实际工作流里，我不建议每次都从零写提示词。把常用的打斗动作做成模板，也就是提示词 Skills，可以大幅提升效率。每个 Skill 对应一类动作套路，使用时只需要替换角色和场景变量。

打斗 Skills 模板示例：

# Role: 武术指导 - 格斗动作分镜 ## 动作风格关键词 [硬派 | 飘逸 | 写实 | 夸张] ## 基础动作描述 招式名称：基础直拳 动作细节：面部从防御姿态转为前压，后手沿水平轨迹快速前伸， 着力点在指关节前端，目标方向为对手面部中心线。 身体重心前移，前脚掌碾地发力。 ## 镜头语言 景别：中近景 运镜：跟随出拳方向快速推进，保持主体在画面中心 1/3 区域 镜头景深：浅景深，背景虚化增强速度感 运动模糊：开启动态模糊，模糊方向与拳路一致 ## 负面提示词 多出肢体，手指变形，身体穿模，面部扭曲， 镜头穿墙，背景闪烁，动作僵硬

这个模板的核心价值，在于它把“打斗”从模糊概念变成了结构化参数。每次抽卡之前只需要改三个地方：角色外形、招式名称、场景描述，其余部分保持不变。

3.3 打击感提示词的关键变量

打斗画面要想有“打击感”，光靠人物动作是不够的。真实动作片里的拳头有冲击力，依赖的是三个画面元素：预备动作、接触瞬间、受力反馈。

对应到提示词里，就要明确写出这三个阶段的时空节点：

时间线分割： 第 1 阶段（0-0.5秒）预备动作：立柱稳定，侧向蓄力 第 2 阶段（0.5-1.2秒）出拳：手臂直线延伸，躯干旋转发力 第 3 阶段（1.2-1.8s）受力反馈：受击者头部后仰，身体离开地面约 20cm， 碰撞点产生轻微粒子飞溅效果，随后镜头向受击方向快速抽动

这种带时间线的提示词，能让模型在生成连续帧时有一个清晰的阶段性过渡，减少动作的突然跳变。当然，不同模型对时间线提示词的理解能力不同。海螺 H3 对这类结构化描述的跟随度整体较好，但最终效果还需要根据抽卡结果反复校准。

3.4 文戏 Skills：动漫短剧的另一半

打斗工作流只解决了动作场面，但一部动漫短剧不可能从头打到尾。文戏——也就是对话、情感冲突、日常互动——同样需要一套可复用的提示词方法。

文戏工作的核心难点和打斗场景正好相反：不是动作幅度大，而是“微妙”。

# Role: 导演 - 对话场景分镜 ## 场景设定 场景：黄昏教室，窗外逆光 人物关系：前后桌，处于冷战状态 ## 表演指示 主角动作：低头整理书本，停顿约 2 秒，侧头看向对方方向， 眉毛微皱，嘴唇抿紧，没有说话 ## 镜头语言 景别：过肩近景 运镜：缓慢推近，推近速度控制在每秒 5% 画幅 焦点：焦点从桌面书本过渡到主角面部 ## 负面提示词 表情僵硬，瞳孔变形，肢体动作幅度过大， 面部扭曲，背景穿模

文戏 Skills 的关键是“表演幅度控制”。AI 模型对动作幅度过大的描述会剧烈反应，导致普通拿东西的动作被放大成夸张的肢体摆动。所以文戏提示词要特别写明“微表情”“缓慢”“克制”这类控制性词语。

4. 完整打斗工作流实战：从分镜到出片

4.1 工作流整体结构

一套完整的 AI 短剧打斗工作流，包含前期的分镜设计、提示词生成、模型出片、筛选和后期拼接五个步骤。下面以一段 10 秒左右的“走廊遭遇战”为例，完整跑一遍流程。

4.2 第一步：分镜脚本设计

首先把打斗段落拆成分镜脚本。这里以 Excel/飞书表格为例，创建一份分镜表：

每个分镜的时长总和要达到目标成片时长。如果总时长是 10 秒，那么四个分镜的时长总和为 10 秒。这个分镜表是后续提示词的骨架。

4.3 第二步：为每个分镜生成提示词

以 S02 为例，将分镜描述转换为海螺 H3 提示词：

画面内容：现代写字楼走廊，冷白色灯光， 一位穿黑色战术外套的男性角色做冲刺出拳动作， 另一位背双肩包的少年侧身闪避，身体向右倾斜。 镜头语言：中近景，镜头跟随人物移动方向横向移动， 画面带轻微动态模糊。 时间线：0-1秒冲刺，1-2秒出拳，2-3秒闪避+镜头横移。 风格：写实动漫风格，色彩偏冷，打光硬朗。 负面提示词：body distortion, extra limbs, background flicker, face deformation, motion blur artifacts

这里注意两个细节：一是动作描述要按时间线拆开，避免模型把所有动作压在同一帧输出；二是负面提示词里要包含“肢体变形”“多余肢体”“背景闪烁”等常见模型错误。

4.4 第三步：批量生成与筛选策略

拿到分镜提示词之后，不要每个分镜只生成一次就满足。AI 视频生成的随机性决定了必须做多候选抽样。

建议每一段分镜至少生成 4 个候选版本。生成完成后，统一放到预览面板里按照以下维度打分：

• 动作连贯度：是否有明显的跳帧和穿模。
• 镜头稳定性：是否有镜头穿墙、背景闪烁。
• 角色一致性：是否和设定图一致。
• 打击感：是否具备预备动作到冲击反馈的完整逻辑链。

用人工打分的方式选出每个分镜的最优版本，然后进入后期拼接环节。

4.5 第四步：剪辑拼接与声音设计

海螺 H3 生成的是单独分镜片段，最终成片需要进入剪辑软件对齐拼接。推荐使用剪映或 Premiere Pro，操作思路如下：

1. 将选定的片段导入时间轴，按 S01 - S04 的顺序排布。
2. 对齐运动方向：如果 S02 的人物是从左往右运动，那么 S03 的入画方向也要保持从左往右，否则观众会迷路。
3. 叠化切换时用硬切增强节奏，不要用大量淡化转场。
4. 打斗动作配上打击音效，在每个拳脚接触点放一个冲击低频音效标记。

音效这一步非常关键。视频画面的冲击力只有一半来自视觉，另一半来自声音。AI 生成的视频画面再猛烈，没有配合拟音和音效，也会显得单薄。

4.6 完整出片流程复盘

下面用一个流程图来展示整体逻辑：

分镜脚本设计 ↓ 提示词生成（Skills 模板 + 分镜参数） ↓ 海螺 H3 批量出片（每分镜 4 候选） ↓ 人工评分筛选（连贯度/稳定性/一致性/打击感） ↓ 剪辑拼接 + 音效设计 ↓ 调色输出成片

这个流程的核心不在于某一步有多厉害，而在于每一步都有明确的输入和输出标准。AI 生成只是中间环节，前期分镜和后期筛选才是决定成片质量的上限所在。

5. 动漫短剧文戏工作流：不只靠提示词

5.1 文戏和打戏的节奏差异

动漫短剧里，文戏和打戏的比例通常为 6:4 甚至 7:3。文戏承担的是人物塑造、情感铺垫和剧情推进，但如果节奏出错，观众会觉得拖沓；如果画面表现力过强，又会变成没有信息量的空洞表演。

文戏工作流的节奏标准可以用一个公式概括：

情感强度 = 表演层信息量 + 镜头推进速度 + 环境氛围加成

打戏靠大动作和高密度剪辑带情绪，文戏靠细节和镜头移动速度的变化来引导观众注意力。

5.2 文戏工作流的提示词结构

以下是我在动漫短剧项目中使用的文戏提示词结构：

# 场景上下文 时间：晚上 地点：宿舍阳台 天气：微雨 # 角色状态 男主：背对镜头，双手撑在栏杆上，肩膀微微起伏 女主：正面站在门边，左手拿着外套，右手握拳 # 表演节奏 0-3秒：两人保持沉默，风声和雨声环境音 3-6秒：女主往前走两步，欲言又止 6-10秒：男主回头看向女主，表情松动，眼眶微微泛红 # 镜头设定 景别：中远景起幅，逐渐推向近景 运镜速度：缓慢推进 光影：逆光雨雾，面部轮廓柔化处理 # 负面提示词 表情夸张，动作幅度过大，光影突变，面部崩坏， 镜头快速推拉

这类提示词的关键在于“信息分层”。场景上下文、角色状态、表演节奏、镜头设定四个维度分别描述，模型能更容易理解每一层信息，而不是把所有描述混在一起。

5.3 文戏的多镜头连续性问题

短剧的文戏通常不是单镜头完成的。一段对话可能要切成正反打两个方向，这就需要解决角色一致性和场景一致性的问题。

解决方法有三种：

1. 角色参考图：在平台支持图生视频时，先上传角色设定图，再垫提示词。
2. 固定场景描述：每个分镜都复用同一段场景描述，包括光线方向、背景元素、机位高度。
3. 首帧复用：如果支持首帧输入，把上一个镜头的末尾画面作为下一个镜头的生成起点。

一致性是整个短剧项目的生命线。打斗场面只持续十几秒，观众对一致性的敏感度较低；文戏动辄持续一分钟以上，任何一次角色换脸或场景漂移，都会瞬间打破沉浸感。

5.4 文戏的后处理：配音与字幕的时间对齐

文戏最终呈现给观众的核心信息载体是台词。海螺 H3 生成的视频画面不能直接提供对口型音频，所以需要在后期配音并手动对齐。

操作建议如下：

1. 先剪辑画面时间线，确认每段对话的开始帧 2. 将配音音频拖入时间轴，使用音频波形对齐到嘴型开始帧 3. 对齐嘴型时不要逐帧微调，先做段内整体偏移 4. 声音重点落在情绪高点，画面在情绪高点前后各保留约 10 帧反应镜头

这里有一个经验：文戏时间轴不要排得太满，每个角色说完一句话后，至少留 5 到 8 帧的沉默反应镜头。这给观众留出信息消化时间，也给 AI 生成画面的“表演余韵”留出空间。

6. 高频问题与排查思路

6.1 提示词与输出不匹配

排查原则：提示词越短，模型自由度越高，失控概率越大；提示词越长，模型理解压力越大，需要在语义密度和可控性之间找平衡点。

6.2 模型生成结果风格跑偏

风格跑偏问题的本质在于：视频生成模型不是一个摄像头，而是一个风格化翻译器。它会对提示词中最显著的高频词汇做出风格选择。所以风格锚定词必须放在提示词的前 20 个字之内，抢占注意力权重。

6.3 生成效率低导致工作流无法落地

批量出片、多候选抽卡带来的副作用是时间成本激增。解决方案可以有以下几条：

1. 建立提示词参数梯度：先低分辨率快速糙查，锁定构图后再高分辨率出片 2. 固定种子调试：找到满意效果后记录随机种子，后续同镜头复用 3. 分镜 A/B 组并行：相同动作不同角色分别生成，减少重复调整 4. 提示词版本管理：每次有参数改动就另存旧版本，防止回退困难

效率问题往往是流程问题，不是算力问题。同一套打斗动作，换一个角度改一个变量，如果每次重新从零写提示词，效率低且结果不可控；按版本管理来调整参数，工作流才有复用的可能性。

6.4 成片画面节奏感不足

画面节奏的感知来自剪辑点密度的变化和动作速度变化的对比。如果成片显得平淡，可以尝试以下手段：

1. 打斗镜头单个分镜时长控制在 2-3 秒，不拖长 2. 文戏单镜头控制在 5-10 秒，不切太碎 3. 在同一段落中交替使用固定镜头和运动镜头 4. 在动作高潮前安排一个安静瞬间作为“呼吸点”

节奏问题一半从分镜脚本阶段就决定了。如果分镜脚本的时长分配不合理，后端再怎么调剪辑参数也很难补救。

7. 最佳实践与工程建议

7.1 提示词工程的管理规范

在海螺 H3 工作流中，提示词就是代码，需要纳入版本管理。建议在项目目录下创建以下结构：

project_root/ ├── prompts/ │ ├── action_skills/ │ │ ├── hallway_fight_v1.txt │ │ └── rooftop_fight_v1.txt │ ├── drama_skills/ │ │ ├── dialogue_anger_v1.txt │ │ └── dialogue_reunion_v1.txt ├── shots/ │ ├── s01_generated/ │ ├── s02_generated/ │ └── s03_generated/ ├── final_edit/ │ ├── audio/ │ └── video/ └── logs/ └── generation_params.csv

每次生成时，将随机种子、模型版本、分辨率、采样步数等参数记录到 CSV 文件中。这样再次生成时，能快速定位之前效果好的参数组合。

7.2 打斗动作的安全边界与镜头伦理

AI 生成打斗内容时，需要规避过度血腥、极端暴力的场景描述。技术上要防止生成可能引发不适的画面，内容上也要符合平台规范。具体建议是：

1. 避免直接描述“出血”等血腥画面 2. 打斗点到为止，重点呈现动作张力而非伤害结果 3. 镜头尽可能聚焦动作姿态和运动轨迹，不渲染伤口特写 4. 成片分发前做敏感画面检查

在工程层面，强烈建议在提示词中加入“no blood, no gore, stylized action”这类安全锚定词。这既保证内容合规，也能让风格更贴合动漫短剧的表现形式。

7.3 从单镜头生成到可复用素材库

当打斗工作流跑通后，你会发现每次生成的最优素材如果不归档，下次做新项目时还要重新抽卡。建议建立一个素材库：

有了素材库，新项目的打斗场面就不再是从零随机生成，而是在已有动作库的基础上做套用、换装、换场景。这才是 AI 视频生成进入到工程化阶段的核心变化。

7.4 本地部署与 API 混合使用场景

在成本敏感或需要批量暴力生成的项目里，建议采用“API 验证提示词 + 本地批量出片”的混合方案。先用低成本的 API 调用快速验证提示词是否成立，然后拿验证通过的提示词到本地批量生成最终版本。这样兼顾了调参速度和出片成本。

需要提醒的是，不同运行环境下采样器的微小差异，会导致画面出现细微偏移。也就是说，同一段提示词在 API 端验证通过，本地生成时不一定完全一致。所以到最后出片阶段，批量生成前建议先本地测试一个种子，确认画面风格与 API 端一致后再进行大规模生成。

8. 从打斗到完整短剧：拓展方向与学习路径

如果你已经能稳定生成单段打斗视频和文戏视频，下一步可以沿着以下几个方向继续深入。

第一，学习首尾帧控制。大部分视频生成模型已经支持首画面帧和尾画面的约束。用好首尾帧可以将多个分镜无缝衔接，解决当前工作流里“每个分镜需要单独生成再拼接”的局限。

第二，研究音频驱动。部分模型支持从音频生成对应的口型与动作节奏。将配音音频与画面节奏对齐，能让文戏的对白场景从手动对齐中解放出来，打斗场面的鼓点和动作也能更契合。

第三，建立风格模型训练思路。开源模型配合 LoRA 微调，可以把特定画风固化下来。当发现手工提示词无法满足风格一致性时，微调是更彻底的做法，前提是你对扩散模型训练流程有基本了解。

第四，批量出片的自动化管线。利用提示词模板、参数记录和对比脚本，把“抽卡”这个人工环节交给程序做批量生成和数据统计，能减少重复劳动，更快找到最优参数组合。

这套工作流的实践路径很清晰：先用海螺 H3 跑通单分镜打斗，再补齐文戏对话，最后将两类镜头混编成完整短剧片段。过程中不断积累素材、沉淀提示词，形成一套自己团队可复用的 AI 短剧生产流程。

在制作过程中也要记住一点：海螺 H3 虽然开源，但生成结构复杂、参数众多，不同硬件环境下表现也有差异。每次更新模型版本后，都要重新验证一遍原有工作流是否仍然适用——模型能力在持续迭代，工作流也应当同步演进。