最近在短剧制作相关的社区里MiniMax H3 的讨论度明显上升了一个台阶。有人用它跑出了接近实拍质感的战斗镜头有人把它接进 ComfyUI 搭建了本地工作流也有人还在纠结同一个问题AI 生成视频明明很强大为什么角色一到下一个镜头就“变脸”这个问题的答案恰恰是 H3 这类新一代模型与早期 AI 绘图工具最不一样的地方它关心的不只是“这一帧好不好看”更是“角色在整段故事里是不是同一个人”。如果只看单张图片你可能感受不到 H3 的特殊价值可一旦进入短剧、宣传片、连续叙事这类多镜头内容人脸一致性就成了作品是否专业的分水岭。本文就从一套“除封面外全部由开源工具链完成”的短剧样片制作思路切入拆解短剧向 AI 制作的完整工作流重点讲清楚三件事第一如何用参考图和提示词锁定角色人脸做到跨镜头的一致性第二如何用提示词模板把零散的生成过程变成可复用的流水线第三如何在单镜头只能生成几秒的前提下用工程化手段完成长时长视频的拼接与风格统一。读完你可以直接拿这套方法论去搭自己的项目而不是继续在“单镜头抽卡”里打转。1. 这篇文章真正要解决的问题短剧向 AI 制作表面上看是“用 AI 生成好看的视频片段”但真正让人崩溃的是下面三个问题。1.1 一致性角色跨镜头会变身传统实拍短剧里演员是同一个人脸天然一致。AI 生成时没有“演员”这个概念模型看到的只有文本描述和参考图。扩散模型在生成时每次初始噪声不同文本映射到的特征空间也很大于是同一段提示词反复生成每次都会得到一张新面孔。这个问题在短视频里不明显因为观众看的是“单个惊艳画面”。但短剧是连续叙事观众会持续看到同一个角色。如果女主角第 1 镜是方脸第 2 镜变成瓜子脸第 3 镜又换了发型观众立刻出戏。短剧制作的第一道坎不是生成不出好看的画面而是生成不出“保持同一张脸”的角色。1.2 长时长单镜头短拼接后又断裂当前主流视频生成模型单次生成的时长有限通常只能覆盖几秒到十几秒。短剧动辄几分钟甚至一集十几分钟出路只有一个分段生成再拼接。分段生成的难点在于每个镜头是独立生成的模型看不到前后镜头。角色、场景、光线、服装都会在每次生成时被“重新解释”。你把第 1 镜和第 2 镜拼在一起会发现人脸颜色变了、衣服纹路变了、背景色调也变了。长时长视频不是靠“生成能力”解决的而是靠工程化的分段策略、风格锚点和后期统一来解决的。1.3 工具链割裂网页生成不可控用网页版 AI 视频工具快速试效果很方便但它不适合真正的短剧生产参数不能批量保存模型版本不可选参考图管理混乱无法复现结果。更麻烦的是每次生成都像黑盒操作失败时难以追溯是哪一步出了问题。开源的 ComfyUI 工作流可以很好地解决这个问题。它把模型、参数、参考图、提示词全部编排在节点图中天然适合复杂任务的流水线化。这也是“全开源实现”对短剧制作最大的价值可复现、可调试、可批量、可沉淀。2. MiniMax H3 与短剧制作的基础认知2.1 H3 在内容制作中的定位从各方资料和社区讨论看MiniMax H3 是 MiniMax 在视频生成方向上的新一代模型。它在社区里最受关注的标签是“参考模式”通俗说就是给一张或多张参考图生成结果尽量保持图中人物、场景、道具的关键特征。这种模式在社区也被称为 ref2va即参考图到视频。需要区分的是H3 有几种不同使用形态网页端海螺AI上手门槛低适合快速验证效果但不方便批量编排。ComfyUI 接入本地化、节点化可以把参考图、提示词、参数串联成可复用的工作流这也是短剧项目更推荐的方式。本地部署社区里有关于 33B、量化缓存等话题的讨论说明已经有人尝试在本地跑模型。但不同部署方案的硬件要求差异很大不能盲目认为“人人都能本地跑”。对大多数创作者来说最稳妥的路径是用 ComfyUI 搭建工作流把 H3 作为生成核心再用开源工具处理后期。2.2 为什么 H3 适合短剧短剧是“角色驱动”的内容。观众记住一部短剧往往不是因为某个画面多炸裂而是因为记住了“这个角色的命运”。角色必须有稳定的外貌、服装、性格和互动关系。因此短剧对视频生成模型的能力排序和普通 AI 短视频完全不同角色一致性大于画面惊艳场景一致性大于单帧细节镜头连贯性大于单镜头冲击力。H3 的参考模式正是围绕这个需求设计的。你可以先提供角色设定图生成过程始终以这张图作为视觉锚点。这个设计比纯文本描述高出一个维度因为文本描述能提供“一个大致的轮廓”参考图则提供了精确的五官比例、肤色、发型和服装细节。2.3 必须说清的边界H3 不是万能的。从实际反馈看它仍然会在以下场景出现明显问题多人物同时做复杂动作、手指细节、透视夸张的镜头、大幅度表情变化。参考图能约束五官但约束不了微表情参考图能约束服装但约束不了服装在剧烈运动中的形变。另外“开源”这个概念也需要厘清这里指工作流和工具链开源模型权重是否开源、开源到什么程度要以官方发布策略为准。对创作者来说更关注的反而是“能不能用开源工具把模型编排进自己的流水线”。3. 短剧向 AI 制作的核心工作流设计短剧制作不是“一个模型解决所有问题”而是一条多阶段流水线。这条流水线决定了最终成片的质量上限。下面这套流程适合单人创作者也适合三到五人的小团队。3.1 六个阶段阶段输入核心动作输出关键检查点1. 剧本结构化剧本或故事大纲拆分成场景与镜头分镜表每个镜头都有明确的角色、动作、景别2. 角色设定角色文字描述用绘图模型生成角色参考图设定图包同一角色有正面、侧面、全身图3. 场景与道具剧本中的场景描述生成空镜参考图场景锚点图光线、色调统一4. 分镜图分镜表逐镜头生成关键帧故事板角色位置、构图连贯5. 视频生成分镜图加提示词序列逐镜头生成视频片段镜头视频人脸、动作、时长是否达标6. 后期合成所有镜头视频剪辑、配音、字幕、调色成片全局节奏、转场、音画同步这一步最重要的产出是分镜表。建议用 Markdown 表格或 Excel 管理字段包括场次、镜号、景别、时长、角色、动作、台词、提示词模板、种子、参考图路径。制作短剧时脚本不仅是一个故事还是一个可执行的配置清单。3.2 用一个案例串起来假设要制作一段“女主在巷口被反派拦住”的短剧片段场次S01角色女主参考图 hero_f_001.png反派参考图 villain_m_001.png场景老城区巷口参考图 scene_alley_001.png分镜拆解全景雨夜巷口女主走入画面约 6 秒中景女主听到脚步声回头约 5 秒中近景反派从阴影中走出约 6 秒特写女主表情变化约 4 秒中景反派伸手拦住女主约 5 秒。每个镜头在 ComfyUI 中调用 H3 时参考图都使用对应的角色图和场景图提示词按模板填写。这里的一个经验是分镜拆得越细提示词压力越小。不要让一个镜头承担太多信息量否则模型很容易顾此失彼。3.3 分镜表的落地格式下面是一个实用的 CSV 分镜表示例场次,镜号,景别,时长秒,角色,动作,台词,提示词模板,参考图,备注 S01,01,全景,6,女主,走入巷口,无,empty_scene,scene_alley_001.png, S01,02,中景,5,女主,回头,谁在那里,character_closeup,hero_f_001.png, S01,03,中近景,6,反派,从阴影中走出,别动。,character_intro,villain_m_001.png, S01,04,特写,4,女主,表情变化,无,face_emotion,hero_f_001.png, S01,05,中景,5,反派,伸手拦住女主,听我说完。,action_blocking,hero_f_001.pngvillain_m_001.png,分镜表既是创作脚本也是批量生成的配置表。这一步做得越细后续返工率越低。4. 人脸一致性方案参考图 提示词 回归校正这是短剧工作流里最关键的部分。人脸一致性不是靠某一条提示词实现的而是靠一套组合策略。4.1 为什么“提示词锁脸”不靠谱很多新手会在提示词里写“一个 25 岁黑发蓝眼睛女性”生成 10 次后得到 10 张完全不同的脸。原因在于扩散模型把文本映射到特征空间时语义范围太宽。“25 岁”“蓝眼睛”这类描述对应的特征集合极其庞大模型每次生成都相当于在范围内重新抽样结果自然不稳定。所以人脸一致性的第一原则不是优化提示词而是建立视觉锚点。视觉锚点就是角色参考图。模型在生成时会参考这张图的特征从而把“这张脸”锁下来。4.2 “参考图 提示词”双重约束参考图解决“这个人是谁”提示词解决“他在做什么”。两者缺一不可只有参考图没有提示词模型不知道人物该有什么动作和表情只有提示词没有参考图模型不知道人物长什么样。在 ComfyUI 工作流中把参考图接入参考节点提示词描述动作、环境、镜头和画质。参考图是“锚”提示词是“脚本”。锚要稳脚本要清晰。4.3 参考图准备的三个层级第一层角色三视图。正面、侧面、背面各一张确定发型、脸型和轮廓。三视图不只是给模型看的也是给后期做 CG 感参考时用的。第二层服装设定图。同一个角色在不同场景会穿不同衣服单独生成“服装图”可以避免视频生成时衣服纹路乱变。短剧里服装是仅次于人脸的一致性要素。第三层表情与情绪参考图。特写镜头对微表情要求高。准备皱眉、微笑、愤怒等表情参考图可以在生成特写时提高成功率。这里有一个实践技巧参考图不要过度美颜。参考图越真实生成时的稳定性越好。如果你用一张加了重度滤镜的角色图做锚点模型会把滤镜也当成特征去复现结果就是肤色和光影很难统一。4.4 回归校正策略如果第 3 镜生成的人脸和第 1 镜不一致不建议反复修改提示词来碰运气。更高效的做法是回到参考图环节检查参考图是否清晰、是否被大面积遮挡提示词里是否有和参考图冲突的描述比如参考图是长发提示词却写了“短发”种子和生成参数是否与已验证镜头保持一致在种子不变的前提下重生成而不是每个镜头都用新种子。回归校正的核心思路是优先修系统变量而不是修单次运气。系统变量稳定后再去调整动作和运镜。把已验证成功的参考图、种子、参数保存下来形成“已通过镜头库”后续新镜头优先复用这些配置。5. 提示词模板的编写方法提示词模板是短剧产能放大的关键。没有模板时每个镜头都要从头写一段数百字的描述既累又容易漏信息。有了模板就可以按变量填内容。5.1 中文提示词的优势对中文短剧来说中文提示词往往能更准确地控制语义。英文提示词在某些模型上可能表现出更好的稳定性但很难准确表达“巷口卖馄饨的大妈”或者“老式铁门推开的吱呀声”这种本土细节。建议的做法是主体描述用中文风格和画质相关词汇可以保留通用标签。5.2 模板结构一个可复用的提示词结构如下角色谁长什么样穿什么 状态表情、情绪、身体姿势 动作正在做什么 环境地点、时间段、光线 镜头景别、机位、运镜 画质分辨率、风格、镜头质感 一致性与参考图保持同一角色5.3 示例模板人物近景对话角色女主角参考图 hero_f_001黑色长直发穿深色风衣站在老旧巷口 状态皱眉神情警觉嘴唇微抿 动作缓缓回头看向镜头方向 环境夜晚冷白色路灯地面有积水反光空气略带雾气 镜头中近景平视轻微推近 画质电影级光影自然肤色浅景深写实风格 一致性保持与参考图完全相同的面部特征、发型和服装战斗打斗场景角色女主角参考图 hero_f_001反派参考图 villain_m_001 动作两人在狭窄巷内激烈搏斗女主角侧身躲过一记直拳反手格挡衣摆随动作翻动 环境破旧巷口尘土四溅墙壁上雨水飞溅 镜头中景跟拍快速横移带轻微动态模糊 画质强冲击力动作场面电影级调色真实物理反馈高清写实 一致性两个角色均保持参考图中的面容、服装和体格空镜与场景转场场景老城区巷口雨夜地面湿润路灯昏黄远处有模糊的行人剪影 镜头全景缓慢推近 画质电影感冷色调雾气感胶片颗粒 一致性与场景参考图 scene_alley_001 保持一致5.4 把模板变成可复用变量实际项目里可以把模板抽成 JSON 变量生成时用脚本拼装提示词。这样做的好处是角色、场景、镜头三类信息解耦改动作不用重写整段描述。{ project_name: short_drama_demo, scene: { alley: 老城区巷口雨夜冷白色路灯地面积水雾气 }, characters: { hero_f: 黑色长直发深色风衣警觉神情, villain_m: 黑色夹克短发阴郁神情 }, camera: { closeup: 中近景平视轻微推近, action: 中景跟拍快速横移动态模糊 }, quality: 电影级光影自然肤色浅景深写实风格 }生成时从 JSON 里取值拼装提示词可以大幅降低“一个角色一种写法”的维护成本。团队协作时不同角色负责不同字段最后统一生成。5.5 提示词的排查思维当生成结果不理想时先判断是哪个字段出了问题。比如画面构图乱了优先检查镜头字段角色不像优先检查参考图而不是改动作描述。把提示词当成代码来 Debug是 AI 创作者的进阶能力。6. 长时长视频的全方位把控短剧的时长通常远超单次生成能力因此“长时长把控”本质上是一个工程问题。6.1 为什么长视频会崩原因主要有三个模型视觉上下文有限生成到后半段会遗忘开头的人物和场景设定生成过程中的语义信息逐渐衰减动作和场景描述会失真分段生成时每段独立采样风格漂移不可避免。所以正确策略是把长视频拆成可管理的镜头单元再用一套统一的锚点资产把镜头粘合起来。6.2 全局一致性锚点表在项目启动时先建立一张锚点表所有镜头生成前都检查一遍。锚点类型内容作用角色锚点每个角色的多张参考图锁定人脸、服装、体型场景锚点每个场景的参考图锁定环境、光线、调色道具锚点关键道具参考图保持道具细节一致风格锚点整体风格参考图统一画面质感种子锚点已验证的种子列表提高同批镜头稳定性6.3 镜头分割与时长控制建议单个镜头控制在 5 到 10 秒。短剧节奏快5 秒左右的镜头反而更有张力。操作原则如下信息量大的动作戏拆成多个短镜头拼接不要在一个镜头里要求模型完成“转身、出拳、踢腿、镜头环绕”全部动作对话戏按“谁说话切谁”的节奏生成每个说话人的镜头单独生成主镜头和空镜分开空镜用于转场能降低连贯性要求。6.4 转场设计的三条原则硬切最安全。AI 生成画面本身有风格差异硬切可以掩盖部分不一致。叠化要克制。叠化时间越长两张脸的差异越明显观众越容易察觉。匹配剪辑更高级。前后两个镜头使用相似的构图或相似的动作视觉上会更顺滑。比如前一镜人物从左边入画后一镜人物也从左边入画观众的视线会自然连续。6.5 后期合成用 FFmpeg 拼接最简单的无损拼接方式ffmpeg -f concat -safe 0 -i filelist.txt -c copy output.mp4filelist.txt 格式如下file segment_001.mp4 file segment_002.mp4 file segment_003.mp4注意-c copy不重新编码速度快但对各片段编码参数一致性要求高。如果片段分辨率或编码不同会拼接失败。此时改用重新编码ffmpeg -f concat -safe 0 -i filelist.txt -c:v libx264 -crf 18 -preset slow -c:a aac output.mp4如果还需要烧录字幕可以用ffmpeg -i output.mp4 -vf subtitlessubtitle.srt -c:v libx264 -crf 18 -c:a copy output_with_sub.mp4实际项目里建议先生成无字幕母版最后再烧录字幕。这样当台词或文案修改时不需要重新合成视频。6.6 配音先行的节奏策略短剧通常先搭语音轨道再按语音时长反推镜头时长。AI 生成视频不可控如果先定死画面时长后期配音容易对不上口型。更高效的做法是先用 TTS 生成全部台词得到每句台词的精确时长按台词时长调整每个镜头的目标时长配音确定后再对应生成或裁剪画面。这个方法能大幅减少因为音画不同步导致的返工。7. 环境准备与开源工具链选型“除封面外全部由开源实现”意味着除了一张封面可能使用在线设计工具外正片从分镜到最终成片的链路都尽可能使用开源或本地工具。下面是一套可落地的开源工具链组合。7.1 工具链组合环节推荐工具说明工作流编排ComfyUI节点式操作支持批量、参数记录视频模型MiniMax H3通过社区整合包或自定义节点接入视频处理FFmpeg拼接、转码、字幕烧录字幕生成Whisper 或同类开源识别工具由配音生成字幕文件配音开源 TTS 或合规在线服务注意商用授权这套工具链的好处是每个环节都能被本地化控制。ComfyUI 自带的工作流文件是 JSON可以提交到 Git 仓库团队共享时能做到精确复现。7.2 硬件配置怎么选从社区反馈看ComfyUI 搭配 H3 的尝试门槛并不高已经有使用 3060 这一档显卡的用户跑通测试。但显存容量会影响模型加载、最大分辨率和批量大小实际体验因配置而异。推荐策略先跑最小配置验证整个链路通不通用小分辨率生成故事板只验证构图和分镜确认可接受后再用目标分辨率生成成片显存不足时优先降低单镜头时长或 batch size而不是一味增大画面。7.3 安装步骤ComfyUI 的安装以官方 README 为准通用流程如下# 获取 ComfyUI 源码 git clone ComfyUI官方仓库地址 cd ComfyUI # 安装 Python 依赖 pip install -r requirements.txtH3 接入时把对应的自定义节点克隆到 ComfyUI/custom_nodes 目录然后重启 ComfyUI。模型文件放到 models 目录下对应子目录