MiniMax H3 影片產線實測

其餘五條，先看表再決定要不要往下讀：

前篇已經把模型配置與工作流講完了，但有一件事當時漏掉——而且漏得很有代表性。

我們原本是讀既有的 workflow JSON 來理解節點能力， 但 JSON 只記錄「我們接了什麼線」，沒接線的 optional 欄位根本不會出現。 於是有兩個欄位在節點裡放了很久沒被發現。改問 ComfyUI 自己之後才看到完整介面：

curl http://127.0.0.1:8188/object_info/MiniMaxH3ReferenceToVideo

接參考影片用 VHS_LoadVideoPath，一個節點同時輸出 IMAGE(0) 與 AUDIO(2)， 剛好對上 ref_video_0 與 ref_video_audio_0，不必自己拆幀。

1. 單一變因。每組對照共用同一段前導影片、同一組音檔、同一個 seed、同一段台詞與場景描述，只換要測的那一項。
2. 音檔重用而非重生。TTS 有隨機性，兩組各自重生會讓「畫面差異」混入「聲音差異」，直接重用同一份音檔消除它。
3. 第三方 ASR 當裁判。台詞準確度一律用 QwenASR 聽寫後比對，不靠自己判斷。
4. 指標算出壞消息時，先檢查指標本身。這條是被實例逼出來的，見下方 Pitfall。

起因是把日記封面拿去當影片參考圖，臉部鋸齒嚴重。量下來是兩刀：

第二刀是管線問題：封面只存了 webp（1280 寬、quality 80）給網頁用，沒有留無損母帶。 webp 的有損壓縮專門丟人眼不敏感的高頻細節，而高頻細節正是模型判斷「這張臉長什麼樣」的依據。 臉已經只有 170px 沒細節，再被壓一次。

480P、同第一段、同音檔、同 seed，唯一變因是「第二段拿到什麼」：

三個結論：

1. 世代累積失真是真的，一次就掉 29%。A 把「已經糊掉的末幀」當首幀依據，於是繼承了上一段的損失。五段接龍會剩 0.707⁴ ≈ 25%。
2. C 失敗——兩者不能疊加。接上 ref_videos 之後，anchor 圖的首幀約束完全失效。
3. 因為 A 的「硬約束」根本不硬。它只是提示詞裡一句「第一格必須與 <Picture 2> 完全一致」——是拜託模型照做，有更強的訊號（整段影片）進來就被壓過去。

模型叫 ref2va——va 是 video-audio，它從設計上就會生成聲音。 但預設用法在提示詞裡寫著 Use <Audio 1> exactly as it is — do not re-synthesize， 等於主動把語音生成能力關掉，只當複製機用。

把 <Audio 1> 從「照抄的音軌」改宣告成「聲線範本」：

<Audio 1> is a VOICE SAMPLE of <Subject 1> — it exists only to define
her vocal timbre, pitch and accent. Do NOT copy its words.
<Subject 1> speaks NEW dialogue in this shot, generated in that same voice.

參考音說的是 A、要它說的是 B，兩句內容差很遠，才驗得出是「模仿」還是「複製」。三輪收斂：

兩個附帶好處：長影片不必逐段 TTS、不必對齊時間軸；而且長度不再被音檔綁死—— 以前是「先 TTS → 量秒數 → 反推幀數」，現在是「寫台詞 → 字數 ÷ 4.9 → 換算幀數」， 分鏡長度可照敘事需要切。

仍然該用 TTS 的情況：台詞含人名、日期、數字、專有名詞（念錯代價高）； 需要逐字對齊字幕；語氣需要反覆確認。0.968 的準確度拿來講「今天太陽好大」很夠， 拿來講客戶名字會出事。

提示詞的 [Shot 1] 這個編號本身就是線索——它暗示可以有 Shot 2、Shot 3。語法是帶時間戳：

[Shot 1] <場景動作>
[Shot 2] At 00:03.000, <動作>
[Shot 3] At 00:05.500, <動作>

搭配兩個跨鏡頭的鎖：<Subject 2> is the environment: … 鎖場景相對位置， Motion continuity: mandatory — … 鎖方向感。

精度隨進度衰減：前 6 秒誤差 <0.2 秒，後段飄到近 1 秒。 但選 shot 數的判準不是精度越高越好，是看題材——動作／氛圍主導的內容（跑酷、武俠、探險） 鏡頭密度本身就是戲劇感，塞 8–9 個 shot、飄 1 秒沒人感覺得到；台詞主導的內容才需要少一點、 並把要精準對齊的話放前 6 秒。

一支 30 秒、1080P、帶燒錄字幕的成品，實測約 30 分鐘：

字幕的隱含前提也變了：原本的字幕流程假設「聲音是我們自己 TTS 的，所以有精確音檔」。 聲線範本模式沒有 TTS，但 ForcedAligner 真正需要的是音檔 ＋ 文字—— 音檔從成品抽、文字就是劇本台詞，反而對齊的是實際發出的聲音。 唯一要注意的是斷句行數要跟 aligner 的分段數一致，否則會退化成比例映射。

這節不是模型能力，是拍出來好不好看——而這些是量測抓不到的， 所有指標合格的成品仍可能敗在這裡。

跨段道具不連貫的修法（依成本排序）：寫進 <Subject 2> 並標 fully_preserved；或第一段生成後截圖丟進 ref_images 當共用參考 （9 格通常只用了 2 格）；或台詞避免提到具體顏色款式。

1. 認知邊界等於用過的功能邊界。ref_videos 從一開始就在節點裡， 讀了無數次 workflow JSON 卻從沒看見——因為沒接線的 optional 欄位不會出現在 JSON 裡。 要查能力就問 /object_info，不要讀既有工作流。
2. 分數告訴你好了多少，錯誤的樣子才告訴你為什麼。0.756 → 0.884 只看數字會結論 「簡體比較好」然後把剩下的誤差當固有損耗吞掉。是「中間崩壞消失、尾巴冒出新雜音」 這個位移，才揭露殘留誤差是另一個獨立成因。
3. 被推翻的假設比被證實的假設揭露更多結構。C 組如果成功，我們會得到一個好用的組合， 然後繼續以為「A 是硬約束」。正因為它失敗，才必須解釋「為什麼壓得過」—— 而唯一說得通的解釋是：它從來就不是硬約束。提示詞裡的祈使句不是 API 契約。
4. 指標算出壞消息時，先檢查指標本身。0.257 那次差點丟掉一支好片。
5. 問錯問題比答錯更難察覺。我們花半天測 A／B／C 想解決「怎麼把兩段接得無縫」， 實驗設計嚴謹、數據乾淨、結論有效——但正確答案是 15 秒之內根本不需要接。
6. 把時間攤平成空間，就能用平面比對去抓時間連續性。逐段檢查看不出三段不在同一個房間， 把各段關鍵幀並排成一張圖就一眼看見。多段產出交件前一律做這件事。