MiniMax H3 视频生成初体验

↗

MiniMax H3 刚发布那阵，我正好打开 B 站，刷到一条 AI 变身视频。角色在画面里换造型，头发、衣服和武器跟着变。看大家生成的效果好像蛮不错的，我也就试试。

用的是《英雄联盟》里的格温。她有不同皮肤的原画，也就是同一个角色的几套造型。这次取了六张，相邻两张生成一段变化，一共五段，再接成一条视频。

格温怎么站着不动

最开始在阿里云试「欢乐马」，给一张起始图片；后来又试万相，把起始图和结束图一起传进去。文件生成出来了，换装却没做好：前几秒几乎不动，快结束时才突然换了一身。

首尾帧规定的是两端的画面，中间仍要模型生成。笔记里的提示词写了「最终定格为第二张图」。这是在描述终点，不能保证头发、衣服、武器在中间自然变过去。只在最后突然换张图，并不是连续的变身过程。

按当时记下的花费，阿里云这轮探索用了八十多元。视频有了，想要的成片没有。我先停下这套尝试，去找别的素材。

素材本身也有问题。我最开始用的是游戏加载界面里的窄图，只有 308×560。人物是完整的，左右两边却没有画面。硬扩成横版以后，不是留下黑边，就是让模型自己猜两边应该长什么样。

后来换成了 Riot Games 的完整皮肤原画。保存下来的这六张都是 1215×717，人物两侧有完整场景。放大加载图不会找回裁掉的内容；有现成横图，就不用先让模型补背景了。

左右滑动看六张原画，点图可以放大。原画来自 Riot Games。

这一轮也换用了 MiniMax H3 (opens in a new tab)。提示词把过程写在前面：整段都要持续运动，头发、衣服和武器逐渐变化，别等到结尾突然切换。

这一轮能看见格温逐渐换造型。不过，模型、图片和提示词都换了，不能把改善全算在某一句提示词上。

六张图，怎么接成一条视频

六张皮肤图一共要生成五段。每一段都用相邻两张图做首尾帧。比如第一段从图 1 变到图 2，第二段再从图 2 变到图 3，相邻两段以同一张图衔接。

相邻两段共用一张图，是为了让连接处的造型对得上。动作还得另看：前一段停下、后一段开始，速度和方向未必接得自然。FFmpeg 可以把文件拼起来，不能替模型补上没生成好的动作。

我用视频处理工具 FFmpeg 把五段按顺序拼起来，再处理声音。

声音是后来加的

画面拼好以后，我从格温的国服语音里挑了五句台词，又加上她的官方主题曲。

配音合集很长，我先用本地语音识别找出台词的大致位置，再裁出需要的几句，放到视频里。成片里的主题曲持续播放，台词在选好的位置进入。这些声音是后来配的。

↗

最后的视频大约 26 秒：六张皮肤、五次连续变化、五句中文台词。

当时用的提示词和处理顺序，留在了这份制作笔记里。

当时记下的 MiniMax 账户花费是三十五元，里面包括测试片段和试过的配乐。这个数不能代表单独生成五段画面花了多少，更不能除以 26 秒当作生成单价。阿里云那轮的八十多元则留在了前面的试错里。