# 从零开始做 AI 生视频：本地部署 MiniMax H3 与官方 API 的实战经验

> 发布于：2026-08-09 | 分类：AI实践 | 原文：https://www.imbailey.cn/post/minimax-h3-local-vs-api-video-generation

想用一张情侣自拍做一条“车内聊天、失重悬浮、冲上天空、掠过城市”的 9 秒真人感视频，我原以为难点是写一段足够长的提示词。实际走完一遍才发现：提示词只是一小部分。路线选择、显存与磁盘、参考图、镜头拆分、对白格式、验片和 API 密钥管理，才是决定成片能不能交付的部分。

这篇记录以 Windows + RTX 4060 Ti 16GB 的实际尝试为背景，面向第一次接触 AI 生视频的同学。结论先说：**本地适合学习和试镜头，官方 API 适合出关键成片；如果目标是稳定产出，混合工作流通常最省时间。**

## 先选路线：本地、官方 API，还是两者混用？

| 路线 | 更适合什么 | 优点 | 要接受的代价 |
| --- | --- | --- | --- |
| 官方 API | 有明确交付目标、人物对白、复杂分镜 | 指令遵循、角色一致性、音画生成通常更稳 | 按时长计费，需要妥善保管 Key |
| 本地 ComfyUI | 学工作流、调构图、反复试动作 | 生成次数成本低，参数完全可控 | 安装、显存、内存与节点排错耗时；复杂镜头上限更低 |
| 混合工作流 | 大多数个人创作 | 本地把想法和镜头方向试清楚，API 产出最终片段 | 需要管理两套流程 |

这次本地跑的是 MiniMax H3 的 INT8 剪枝权重：`FL2VA`、`Ref2VA`、`Qwen3-VL 32B` 文本编码器，以及 Turbo LoRA。它们让 16GB 显存的消费级显卡“能够运行”，但不等于“能够稳定做电影级多镜头成片”。

官方服务端则不只是把同一个权重放到更强的显卡上。实际体验中，它对长指令、镜头组织、中文语音、双人身份和字幕的处理明显更完整。官方仓库也将复杂指令理解能力作为托管能力提供，而不是本地开源工作流的一部分。[MiniMax H3 官方仓库](https://github.com/MiniMax-AI/MiniMax-H3)

## 真实配置：不要只看显卡显存

16GB 显存可以尝试 H3 INT8，但属于“能跑，会慢”的配置。准备本地环境时，至少同时考虑四种资源：

- **GPU 显存**：决定模型能否驻留和采样是否爆显存。
- **系统内存**：动态卸载时会承担一部分模型交换。
- **页面文件**：当内存不够时是最后的缓冲；放在速度快、空间充足的 SSD 上更合适。
- **磁盘空间**：模型、缓存、输入、输出、下载临时文件都很大，最好统一规划到一个大盘。

我的做法是把 ComfyUI、模型、缓存、输入和输出都放在 F 盘；将较大的 Windows 页面文件放到 D 盘 SSD。页面文件不是显存替代品，但在 16GB 显存下做模型卸载时，能避免进程因为系统内存耗尽而直接退出。

一个容易踩坑的点：首次启动很慢并不必然是“卡死”。模型加载、权重映射、首次缓存建立都可能持续很久。真正需要排查的是显存/内存报错、进程持续无日志、输出目录没有新增文件，或 GPU 利用率长期为零。

## 本地模型怎么选：FL2VA、Ref2VA 与 Turbo

可以把三个名字简单理解为：

- **FL2VA**：从首帧/尾帧、文本到视频，适合控制一个镜头的开头和收尾。
- **Ref2VA**：参考图到视频，适合尽量保留参考人物、衣服、场景的身份信息。
- **Turbo LoRA**：减少采样步数、加快试错；速度更快，但复杂运动和细节的容错更低。

如果参考图里的人、衣服和车内环境就是最终画面，优先从 Ref2VA 开始。Turbo 很适合先验证“能否浮起来”“镜头有没有往城市飞”的大方向；确定镜头后，再增加采样步数或换回质量更优的参数重跑。

不要把 Turbo 当作免费性能。步骤压得过低时，最先牺牲的往往正是人脸、眼镜、手部、口型和高速动作。

## 最重要的创作单位：一个镜头，一个主要动作

新手最常见的误区，是一次性把一条完整剧情全部塞进提示词。对模型而言，“自拍、说话、悬浮、穿过车顶、城市航拍、结尾字幕”不是一件事，而是六种不同的镜头语言和运动关系。

对于本地工作流，更稳的拆法如下：

1. 车内自拍：女生说一句话，两人轻微悬浮；
2. 从车内向上冲出：只关注起飞和镜头冲击；
3. 城市高空飞行：只关注远景、速度感和表情；
4. 在剪辑软件中拼接，并补字幕、音效、音乐。

每段尽量只有一个主要动作，人物不要频繁被遮挡、转身或从近景突然跳到极远景。这样做不“偷懒”，反而是用镜头语言把模型最难解决的问题隔离开。

官方 H3 对多分镜长提示词的完成度更好，因此可以先尝试一条 5～10 秒的完整任务；一旦关键人物、台词或动作失控，同样应该退回到拆镜头方案。

## 参考图决定下限，提示词决定上限

“保持人物一致”这句话本身没有魔法。人物稳定主要来自参考图本身和镜头复杂度。

一张好的首帧参考图通常具备这些条件：

- 人脸清晰、无遮挡，人物数量固定；
- 服装、发型、眼镜和背景就是你希望保留的最终状态；
- 构图接近视频的第一个镜头；
- 光线正常，不要过曝、滤镜过重或人脸被大面积裁切。

提示词中应明确保留信息，例如“保持两人的脸、发型、眼镜、服装、体型以及橙色真皮车内饰一致”。但仍要接受一个事实：远景、高速运动和大幅度变换会削弱身份约束。因此，对白放近景，飞行放远景，是比反复强调“不要变脸”更可靠的设计。

## 中文对白：把台词写成可执行的指令

中文对白不能只作为一段剧情描述混进长提示词。官方 H3 的提示词参考建议为发言者分配稳定编号，并使用明确的对话标记，例如：

```text
woman (S1) says: <d>[Chinese] 你知道吗？中国人其实是会飞的。</d>
```

再配合“人物嘴部可见、镜头较近、台词短、只有一个人说话”，模型更容易处理口型、时长和音色。官方的基础提示词参考也给出了这一类对白写法。[H3 提示词参考](https://github.com/MiniMax-AI/MiniMax-H3/blob/main/skills/h3-prompt-writing/references/base-en.txt)

如果台词是成败关键，建议单独生成一个近景对白镜头，不要让它同时承担起飞、远景和复杂镜头切换。

## 一次生成成功，不等于成片合格

本地第一次 Ref2VA 测试确实导出了 MP4，但验片后发现人物不够像、台词不准、悬浮动作也不明显。它“生成成功”，却不能算创作成功。

每次出片至少检查下面六项：

- 是否是连续运动，而不是几乎静止的首尾帧；
- 人物是否仍然是参考图中的人；
- 动作是否在正确时间发生；
- 语音、口型与台词是否可接受；
- 时长、分辨率和音轨是否符合要求；
- 字幕、Logo、水印或多余人物是否出现。

最实用的方法是抽取 6～9 张等间隔关键帧，快速看完整镜头走向；再完整播放一次，检查声音与节奏。不要因为等得久就降低验片标准。

## 成本：把钱花在关键镜头，而不是盲目重抽

本次官方 API 的 9 秒、768P 视频按 ¥0.50/秒估算约 ¥4.5。相比本地几十分钟甚至数小时的调试，关键镜头使用 API 往往更划算；但也不意味着每次都该直接生成长片。

建议采用这套节省成本的顺序：

1. 先在纸面上写出 2～4 个镜头；
2. 用本地低成本测试人物、动作和构图；
3. 把通过的镜头提示词压缩成明确指令；
4. 用 API 只生成最终 5～10 秒片段，必要时少量出变体；
5. 保存成功的提示词、参考图、参数和任务链接，作为下一次的模板。

## API Key 安全：一个必须养成的习惯

API Key 不应写进提示词、工作流 JSON、批处理脚本、截图或 Git 仓库。最简单的做法是保存在系统环境变量或本机 `.env` 文件中，让脚本读取变量：

```powershell
[Environment]::SetEnvironmentVariable('MINIMAX_API_KEY', '你的新密钥', 'User')
```

随后用 `MINIMAX_API_KEY` 发起请求，而不是在代码中硬编码真实值。已经发送到聊天、截图或提交记录中的密钥，应立即在平台控制台撤销并重新创建。

## 给第一次做 AI 视频的自己

如果只记住一套流程，我会选下面这一套：

```text
创意（5～10 秒）
        ↓
拆成 2～4 个单镜头
        ↓
准备清晰参考图，固定人物与服装
        ↓
本地快速测试动作和构图
        ↓
官方 API 生成对白与关键成片
        ↓
关键帧 + 完整播放验片
        ↓
剪辑、字幕、音效、导出
```

AI 视频不是“一句话出电影”的抽奖工具。把它当作一个需要分镜、拍摄、验片和剪辑的制作流程，反而会立刻变得可控：本地是实验室，官方 API 是片场，参考图与镜头拆分则是整条流程最重要的地基。