AI视频生成进入"两毛钱时代"：MiniMax H3 开源 + 秘塔AI 0.19元/秒起，从原理到实操的完整拆解

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

2026年7月31日，MiniMax 发布通用全模态生成模型 H3：文本、图像、视频、声音统一理解，原生双声道音视频，最高 15 秒 2K 直出，官方定价 2K 分辨率 0.8元/秒，只有同类旗舰的三分之一；8月3日模型正式开源，24小时内上百家厂商完成适配。紧接着，秘塔AI（metaso.cn）上线 H3 视频生成，给出 2K 0.29元/秒、768P 0.19元/秒的明码标价，把AI视频的单价打到了两毛钱以内。 本文我会把这件事从里到外拆一遍：H3 的架构到底先进在哪、价格为什么能这么低、开源之后普通人有哪些玩法，然后重点讲我自己的实操——在秘塔AI里怎么一步步生成视频、多参考模式怎么用、提示词怎么写才出片、怎么把 H3 接进 ComfyUI 工作流，最后算一笔明明白白的成本账，再聊聊自建部署和平台方案该怎么选。想看完整拆解，往下翻。

先说结论：对普通创作者来说，2026年的AI视频，卡脖子的已经不是模型能力，而是"价格、效果、门槛"这三件事。H3 这一波"发布即开源、上线即打折"，算是把这三件事同时往前推了一大步。技术负责降低门槛，真正决定上限的，依然是人的创意——这句话我放在开头，也放在结尾。

第一章 2026年的AI视频，卷到了什么程度

在聊 H3 之前，先花点篇幅把 2026 年 AI 视频这个赛道的"天气"说一说，不然你很难理解为什么 H3 一发布，整个圈子反应这么大。

我自己从 2024 年开始玩 AI 视频，见证过很多"发布即巅峰"的模型，也见证了价格从"按条计费"一路卷到"按秒计费、按分计费"。到 2026 年，这个行业有几个很明显的信号。

第一个信号是产量爆炸。有统计数据显示，2026 年第一季度，AI 剧上新量超过 10 万部，全年市场规模预计能到 240 亿元左右。AI 漫剧、拟真人剧、广告素材、电商短视频，这些内容形态已经不只是"玩一玩"，而是实打实地在生产线上跑。产量上去了，成本就成了所有团队最敏感的那根神经。

第二个信号是监管在收紧。2026 年 4 月起，AI 内容备案新规正式实施，行业一度传出数万部作品下架的说法。这对行业是好事——粗制滥造的产能被清出去，认真做内容的团队反而有了更大的空间。我在词元二号站上写过多篇关于 AI 内容合规的文章，核心观点一直没变：AI 是生产工具，内容质量和合规底线才是护城河。

第三个信号是价格战进入深水区。2026 年各家模型的价格一路走低，我整理了当时主流模型的大致价格区间，大家可以感受一下这个"卷"的程度：

这里我得插一句：上面这些价格都是 2026 年年中的行情，模型定价变动很快，具体以各家官网为准。但趋势很清楚——AI 视频的单价，正在从"秒杀价"变成"白菜价"。前两年大家讨论 AI 视频，聊得最多的是"这个模型生成的人物手部会不会崩""运动是不是流畅"；到了 2026 年，主流模型的画质差距已经没那么大，大家比的变成了谁更便宜、谁更稳定、谁更好用。

也正是在这个节骨眼上，MiniMax H3 发布了。7 月 31 日发布，8 月 3 日开源，紧接着秘塔AI 上线接入、价格打到两毛钱以内。这一连串动作，等于在已经很卷的赛道上又踩了一脚油门。

那 H3 到底凭什么？它的技术底座和别的模型有什么不一样？接着往下看。

第二章 MiniMax H3 到底强在哪：技术原理白话拆解

这一章写给非技术背景的朋友，我会尽量把 H3 的原理讲成人话，但干货密度不会降。如果你本来就在做 AI 视频，这一章能帮你理解为什么 H3 的"可控性"这么强。

2.1 一个关键转变：从"单项生成"到"全模态统一理解"

先看 H3 的官方定位：通用全模态生成模型。这句话拆开看有三个词——通用、全模态、生成。

"全模态"的意思是，它不只吃文字、不只吃图片，而是把文本、图像、视频、声音放在同一个上下文里统一理解。你给它一张参考图、一段参考视频、一段参考音频，再配一段文字指令，它能同时理解这些素材之间的关系，以及它们和"你想要的输出"之间的关系，然后一次性生成带声音的视频。

这和前两代模型（海螺系列前代产品）的思路完全不一样。前两代更像"单项特长生"：文生视频是文生视频，图生视频是图生视频，各干各的。H3 则是把任务统一了，模型在预训练阶段就见过大量"多模态输入 + 多模态输出"的组合，所以它能听懂非常复杂的指令组合。

举一个我最常拿来解释的例子。你给 H3 这样一段输入：

输入素材：
- 参考图1：一个穿红色外套的角色立绘
- 参考视频：一段角色挥手的动作片段
- 参考音频：一段欢快的背景音乐
- 文字指令：让角色在雪地里向镜头挥手，背景音乐保持，镜头缓缓推进，生成10秒视频

对传统模型来说，这是四份互不相干的输入，得靠工作流里一堆节点去"拼装"。对 H3 来说，这就是一份多模态上下文，它直接在内部把这些素材"揉"在一起理解，再生成结果。这也是为什么 H3 的指令遵循能力这么强——它在 Artificial Analysis 的视频编辑能力榜单上排全球第一，靠的正是这种统一理解能力。

2.2 三段式架构：H3 不是"一个模型"，是"一套系统"

MiniMax 官方把 H3 拆成了三个部分，这一点很关键，因为它们决定了你能在本地跑什么、必须在云端调什么。我画一张结构图，再用大白话解释：

flowchart LR
    A[多模态输入<br/>文本/图/视频/音频] --> B[H3-Context-IR<br/>多模态指令理解与预处理<br/>未开源]
    B --> C[H3-Base<br/>核心生成模块<br/>已开源]
    C --> D[768p 音视频]
    D --> E[H3-Regenerate-2K<br/>基于上下文的2K画面再生<br/>未开源]
    E --> F[2K 视频输出]

三个部分的分工是这样的：

这里有个细节很多人没注意到：完整的 2K 输出，其实是一条混合链路——先用 H3-Context-IR 整理输入，再用本地 H3-Base 生成 768p，最后调 H3-Regenerate-2K 的云端 API 把画面重生成到 2K。所以哪怕你本地部署了开源权重，想要 2K 画质，最后一步还是得走官方服务。这个"本地 + 云端"的混合方案，我在第十章讲自建部署的时候还会细说。

顺便解释一下 H3-Regenerate-2K 的巧妙之处：它没有用传统的"超分辨率模块"（就是那种把低清图放大加细节的做法），而是让 H3 自己基于上下文对生成结果"重新生成"一遍。好处是画面细节和原生成内容天然一致，不会出现放大后糊成一片或者细节乱编的问题。

2.3 两种任务模式：FL2VA 与 Ref2VA

H3 提供两种核心任务模式，这也是你上手后首先要分清的：

• FL2VA（First/Last Frame to Video with Audio）：文生音视频，以及首尾帧生成。你给第一帧和最后一帧两张图，模型自动补出中间的运动过程，还带声音。做镜头过渡、转场动画非常好用。
• Ref2VA（Reference to Video with Audio）：全模态参考生成。给参考图、参考视频、参考音频，模型按照参考素材的风格和内容生成新视频。这就是"多参考模式"背后的能力。

两种模式都支持原生双声道音频输出——人声、音效、音乐是建模在一起、一次前向推理直接生成的，而不是后期叠加音轨。这一点对做短视频的人来说太重要了：以前文生视频生成完，还得另找工具配音、配乐、对齐口型，现在一步到位。

2.4 输出规格：原生 768 画布，上限 2K、15 秒

最后把输出规格列清楚，方便你做分辨率规划：

• 原生画布：短边 768px，上限约 768×1344（即 16:9 下的 1344×768）
• 最高分辨率：2K 直出（通过 Regenerate-2K 链路）
• 最长时长：15 秒
• 帧率网格：24fps 下每块 17 帧（17k+5），时长会自动吸附到这个网格上
• 音频：原生双声道立体声，32kHz 采样率

这一串参数意味着什么？意味着H3 从设计之初就是奔着"可直接商用的生产素材"去的——15 秒刚好覆盖短视频平台的单镜头极限，2K 足够上大屏，原生音频省掉了后期音轨的工序。它不是一个"生成个好玩的小视频"的玩具，而是一个冲着生产线去的工具。

第三章 0.8元/秒的底气：H3 凭什么把价格打下来

上一章说 H3 很强，但强模型不稀奇，稀奇的是强还便宜。H3 官方定价 2K 分辨率 0.8元/秒、768P 不到主流旗舰的一半，这价格在 2026 年已经算刺穿行业底线了。更夸张的是，模型一开源，第三方平台立刻跟进——秘塔AI 直接给出 2K 0.29元/秒、768P 0.19元/秒，2K 价相当于官网价（0.8元/秒）的 3.6 折。

那问题来了：凭什么 H3 能把成本压到这么低？我查了不少资料，归纳下来主要是四个层面的系统级优化。这不是什么黑科技魔法，而是实打实的工程取舍。

3.1 高压缩 Tokenizer：视频生成的"省油"核心

先说最核心的一招：高压缩 Tokenizer。

Tokenizer 你可以理解成"翻译器"，把视频画面翻译成模型能处理的 Token（可以理解为"单词"）。同样的画面，Token 用得越少，模型处理起来就越省算力，成本就越低。H3 通过专门训练的视频 Tokenizer，把视频画面压缩得特别狠——同样一段视频，H3 需要的 Token 数量比常规方案少得多。

打个比方：别人传一张 100MB 的照片，H3 只需要传 20MB 的"压缩包"，处理起来自然又快又省。这一步是从源头把成本降下来的关键，也是 H3 敢把定价打到三分之一的最大底气。

3.2 理解与生成分离的异构训练

第二个层面在训练阶段。视频生成有个天然矛盾：理解任务（看懂画面）和生成任务（画出画面）对计算资源的需求差别很大。H3 采用了理解与生成异构训练架构，把两套负载分开优化，训练吞吐提升了近 30%。

什么意思呢？就好比一个团队里，有人专门研究剧本（理解），有人专门负责拍摄（生成），各干各的擅长的，整体效率自然比"一个人又写剧本又拍片"高。训练效率上去了，均摊到每个用户的推理成本自然就下来了。

3.3 原生稀疏注意力：长序列不再"烧钱"

第三个层面在推理阶段。视频是长序列数据，一帧帧画面拼起来，序列长度非常可观。H3 在训练的最后阶段引入了原生稀疏注意力机制——简单说，模型不再"每帧都盯着所有帧看"，而是聪明地只关注真正相关的部分，大幅降低长序列的计算开销。

这里有个细节要提醒大家：H3 的稀疏注意力实现没有包含在首个开源版本里，官方说会在后续更新中单独发布。所以如果你想本地部署，初期版本跑起来的效率可能没有官方服务那么高——这个差距就是我反复强调"自己部署不一定省钱"的原因之一，后面细说。

3.4 全链路工程调优：把每一分算力用在刀刃上

除了上面三点，还有一堆"看不见的优化"：针对视频长度、分辨率、多模态负载差异大的特点，在异构训练、负载均衡、GPU 利用效率等方面做了大量调优。这些都不性感，但每一分优化最终都会变成价格表上的一分钱。

我把这套降本逻辑整理成一张表，方便你对照着理解：

3.5 从"价格战"到"成本结构战"

把这套逻辑看完，你会发现 2026 年的价格战已经和以前不一样了。以前是"烧钱补贴换用户"——先亏本把用户圈进来再说；现在是成本结构上的碾压——模型本身就能以更低的成本产出同等质量的视频，降价是顺理成章的事，而不是割肉。

这也是为什么 H3 敢开源：反正我的成本结构够优，开源不但不会把自己卷死，反而能让生态里的伙伴（云厂商、API 平台、芯片厂商）一起把价格打到接近成本价，最终受益的是所有创作者。

第四章 开源之后：H3 的生态与三种玩法

8 月 3 日，MiniMax 正式把 H3 的核心生成模块（H3-Base）权重开源，这在圈内被形容为"重磅炸弹"。为什么这么说？因为视频生成模型开源，和语言模型开源是完全两码事——语言模型开源后，普通电脑也能跑个小参数版本；视频模型开源后，光是把权重下载下来、把环境配起来，就已经劝退绝大多数人了。

但开源这件事的意义，从来不在于"人人都能跑"，而在于它打开了一整条生态链。

4.1 24小时百家适配：开源释放的连锁反应

H3 开源后的 24 小时内，就有超过一百家国内外合作伙伴完成了首日适配和接入。这里面包括好几类角色：

• 云厂商与算力平台：硅基流动这类大模型云服务平台，把 H3 做成"开箱即用"的 API，用户不用碰任何部署细节；
• 芯片厂商：英特尔锐炫 Pro B70 在第一时间完成 Day 0 适配，给出了基于多卡 GPU 的部署方案；华为昇腾、摩尔线程、沐曦、海光等国产芯片厂商也都加入了适配行列；
• 工具生态：ComfyUI 官方发布了 H3 的 API 节点，社区也贡献了"导演台"之类的一键工作流；
• 内容平台：秘塔AI 这类面向普通用户的平台，直接把 H3 包装成网页端一个按钮就能用的视频生成功能。

这一串连锁反应，本质上是在复制当年语言模型开源走过的路：从"模型能力比拼"转向"生态能力竞争"。谁能最快被部署、被接入、被用起来，谁就是赢家。H3 在 Hugging Face 开源社区的热度一度冲到第一名，超过了不少语言模型，就是这个逻辑的体现。

4.2 普通人的三种玩法

对创作者来说，开源带来的不是"自己动手"，而是选择权。我把 H3 的玩法归纳成三种，你可以根据自己的情况对号入座：

三种玩法的关系不是替代，而是互补。我的建议很直白：普通用户先玩第三方平台，专业用户再考虑官方 API，至于本地部署——除非你本来就有显卡和折腾的意愿，否则别碰。

4.3 为什么"模型开源了"你反而该用平台

这是很多人的第一反应：模型都开源了，为什么还要花钱用平台？我自己也一度这么想过，直到认真算了一笔账才想明白。

H3 毕竟是复杂的多模态视频生成模型，大多数家用显卡很难流畅运行。就算勉强跑起来，生成一段 10 秒的视频可能也要等很久；如果租云 GPU，按配置和平台不同，每小时可能要几十元甚至上百元，而且你还得自己调参数、排查故障、盯着模型更新。算下来，一次性的硬件投入 + 持续的时间成本，远超按秒计费的平台费用。

再加上大多数普通用户并不是高频使用，自己部署往往更不划算。这就好比：你偶尔想喝杯咖啡，没必要在自己家开一间咖啡馆。

想通了这一层，后面的实操就好办了——接下来进入正题，在秘塔AI里从 0 到 1 生成你的第一条 H3 视频。

第五章 秘塔AI上手实操：从0到1生成第一条视频

这一章是全文的重头戏。我会按自己实际操作时的顺序，把秘塔AI里用 H3 生成视频的完整流程走一遍。所有步骤我都亲手点过，写出来的都是能直接照着做的。

5.1 准备工作：一个账号就够了

秘塔AI（官网 metaso.cn）的视频生成功能不需要额外安装任何软件，打开浏览器就能用。你需要准备的只有三样东西：

• 一个秘塔AI账号（手机号就能注册）；
• 一点平台积分（后面细说怎么充）；
• 一条想生成的视频创意（提示词后面专门有一章讲）。

我用下来最大的感受是：这个功能把"上手门槛"压缩到了极致——不需要懂部署、不需要配环境、不需要下载模型，比装个修图软件还简单。

5.2 找到视频生成入口

登录后，在秘塔AI的主页就能看到新增的"视频生成"入口（一般在首页功能卡片或创作工具区）。点进去就进入了视频生成页面，界面逻辑很直观：

1. 中间是提示词输入框；
2. 下方是分辨率、时长等参数选择；
3. 左侧或上方是参考素材上传区（多参考模式，下一章细讲）。

我第一次点进去的时候，心里只有一个想法：这也太清爽了。没有密密麻麻的参数，没有环境变量，就是"写词—选参—生成"三步。

5.3 五步生成第一条视频

下面是我整理的标准操作流程，照着做就行：

第1步：在输入框写好提示词（描述画面内容、镜头运动、声音）
第2步：（可选）上传参考图/视频/音频，并在提示词里用 @ 引用它们
第3步：选择分辨率（2K 或 768P）
第4步：选择视频时长（平台按需提供若干档位）
第5步：点击生成，等待出片

5.4 价格与积分：把钱花明白

秘塔AI 目前的计费方式很透明，直接明码标价写在页面上，没有复杂的会员套路。我整理了一张表：

积分是"随用随充"模式，充值后有效期一年，可以囤着慢慢用，不用怕一次充太多用不完过期。平台有时会做折扣活动（比如刚上线 H3 时的首发优惠价），有明确需求的话可以趁活动按需充值，但我不建议大家为了"怕涨价"而囤太多——AI 视频是个需要不断试错的活儿，不是充了钱就一定能出好作品，先用小额度试出感觉再追加，更踏实。

这里我要多说一句：价格便宜不代表可以随便浪费。我自己实测，出片是有废片率的，同样的提示词，有时一次就中，有时要抽两三遍。所以真正拉低单条有效成本的方式，不是比谁充得多，而是比谁的提示词写得准——这也是我花一整章讲提示词的原因。

5.5 我的第一条测试视频

为了验证效果，我做了个最朴素的测试：提示词就写"清晨的山间公路，一辆白色小车从远处驶来，镜头缓缓跟随，画面有薄雾"，768P、5 秒。生成结果出来，画面的运动连贯性、薄雾的层次感都超出我的预期，最关键的是——它自带环境音，引擎声、风声都对齐了画面，不用我再另配音轨。

那一刻我意识到，2026年的 AI 视频，真的到了一个"打开网页就能做出能用的素材"的阶段了。当然，这只是最简单的文生视频，真正好玩的，是后面要讲的多参考模式——让 H3 听懂你的素材。

第六章 多参考模式：让AI听懂你的素材

如果说文生视频是"H3 的入门玩法"，那多参考模式就是"H3 真正值钱的地方"。这一章我把它讲透。

6.1 什么是多参考模式

多参考模式，简单说就是给 H3 喂多份参考素材，让它按照这些素材的理解去生成视频。秘塔AI 目前支持最多 9 张图片、3 个视频、3 段音频作为参考输入，提示词最多可以写 7000 字，整体输入限制和官方旗舰模型的水平基本一致。

这个模式对应的是 H3 的 Ref2VA 能力——模型不是"看图说话"，而是把图片、视频、音频和文字指令放在同一个上下文里统一理解，再输出结果。它的价值在于可控性：你要它生成的角色、风格、动作，都有一份"标准答案"可以参考，而不是全靠提示词猜。

6.2 参数上限一览

先给一张参数表，方便你规划素材：

6.3 关键技巧：用 @ 引用素材

多参考模式最容易被忽略、也最关键的技巧是：在提示词里用 @ 引用对应的素材。比如你上传了一张角色图，在提示词里就得写"@角色图 让这个角色从画面右侧走进来"，模型才知道这张图要用在哪里、怎么用。不 @ 的话，模型会"看到"素材，但不一定知道你的意图，生成结果就容易跑偏。

我自己总结的参考模式提示词公式是这样的：

@素材名1 描述这个素材要用在哪、怎么动
@素材名2 描述这个素材的角色/风格/场景
+ 整体画面描述（光线、氛围、镜头）
+ 声音描述（背景音乐、环境音、人声）

6.4 实操案例一：给潮玩人偶做动态海报

先看一个我现在做内容时经常用的场景——潮玩行业的人偶动态海报。这几年盲盒、手办品牌很喜欢用动态海报做宣传：人偶在画面里微微转动、飘点粒子、背景流光。传统做法要建模、绑定、渲染，门槛不低；用 AI 生成，流程短得离谱。

我的做法是：上传一张人偶的产品图，然后在提示词里写"@产品图 让人偶在画面中央缓缓转动，衣摆轻微飘动，背景粒子光效缓缓流动，镜头缓慢推近，配轻快的背景音乐"。分辨率选 2K，时长 5 秒，一次生成，出来的动态海报人偶和原图保持高度一致——对品牌方来说，这个一致性是商业应用里最看重的东西，产品形象不能跑偏。

6.5 实操案例二：真人角色的一致性

再试一个更难的需求：真人角色的一致性。我上传一张人物照片，让 H3 把这个人物"放进"一个热闹的体育赛事现场，坐在观众席里感受现场氛围。生成结果里，人物的表情比较自然，周围的环境氛围也到位，还自动配上了对应的现场解说声。第一眼看过去，不太容易察觉这是 AI 生成的——不是因为它完美无瑕，而是因为它把"人脸一致性"和"环境合理性"这两件最难的事，都处理得比较到位了。

当然，我也要如实说：真人视频的一致性是所有视频模型的难点，H3 也不是每次都稳。出问题的时候，我的处理办法是换提示词里的光线描述、换参考图的拍摄角度，多抽几次。AI 视频从来不是"一次定生死"，而是"调出来的"。

6.6 多参考模式适合做什么

把话说回来，多参考模式最实用的场景，我总结成这几个：

• 角色一致性：先出角色设定图，再让角色在各种场景里"演戏"；
• 风格迁移：给一张参考图定风格，生成内容全部按这个风格走；
• 动作参考：给一段动作视频，让新角色"模仿"这套动作；
• 音画同步：给一段音频，让画面内容跟着音乐的节奏走。

用一句话总结：多参考模式解决的是"AI 听不懂人话"的问题——素材越多、指令越具体，模型就越懂你要什么。接下来，我们专门聊聊提示词这门"手艺"。

第七章 提示词怎么写才出片：场景-镜头拆解法

做了这么多 AI 视频，我最深的体会是：同样的模型、同样的参数，提示词写得好不好，出片质量能差出一大截。这一章把我自己验证过的一套提示词方法论分享出来，你拿去就能用。

7.1 先想明白：H3 是怎么"读"提示词的

H3 是"全模态"模型，它读提示词的方式和纯文生视频模型不太一样。它能同时理解画面、镜头、声音，所以你在提示词里写的声音信息，它真的会去生成。很多人写提示词只写画面，把"声音"这个维度浪费掉了——这太可惜了，因为声音是 H3 免费送的强项。

7.2 场景-镜头拆解法

我给这套方法起了个名字叫"场景-镜头拆解法"，核心就三步：

第一步：先描述整体场景。 地点、时间、人物、正在发生什么事，一句话交代清楚。比如"黄昏的海边码头，一个穿黄色雨衣的小女孩在等船"。

第二步：按时间把场景拆成镜头。 H3 一次生成 5-15 秒，你没法让它讲一个完整故事，但可以让它演好"一个镜头"——人物从哪出现、做什么动作、画面怎么结束，想清楚这三点。

第三步：把镜头、相机、音频写进同一个提示词块。 镜头运动（推、拉、摇、移）、相机角度（俯拍、平视、特写）、伴随的声音（对话、环境音、音乐），一起写进去。H3 会把它们统一理解、统一生成。

我把这套方法的结构画成一张流程图：

flowchart TD
    A[先写场景<br/>地点+时间+人物+事件] --> B[再拆镜头<br/>入画动作+过程+出画]
    B --> C[最后补三件套<br/>镜头运动+相机角度+声音]
    C --> D[输出完整提示词]

7.3 两段可以直接抄的提示词

下面是我实测过、效果比较稳定的提示词，你可以直接拿去改。第一段是文生视频：

黄昏的江南古镇，石板路上刚下过小雨，水面泛着暖黄色的灯光。
一个穿白色汉服的女孩撑着油纸伞，从画面左侧缓缓走来，裙摆轻轻晃动，
路过桥洞时停下抬头看灯笼。
镜头从正面平视缓慢推进，景深渐浅，背景虚化。
配悠扬的笛声和淅沥的雨声，画面色调偏暖。

第二段是带参考素材的（配合多参考模式用）：

@角色图 让这个角色坐在窗边看书，偶尔抬头看向窗外。
@窗外景 窗外是飘着雪的城市夜景，车流灯光缓缓流动。
镜头从侧面缓慢环绕半圈，最终停在角色侧脸特写。
环境音：壁炉轻微的噼啪声，窗外若有若无的车流声。

注意第二段里的 @引用——这是多参考模式的"接线"，不写清楚，素材就白传了。

7.4 三个让出片更稳的细节

除了结构，还有三个细节是我踩过坑之后总结出来的：

1. 别让主体"凭空出现"：提示词里最好写清人物的入画方式（"从画面左侧走来"），否则模型容易让主体瞬移出现，看起来很怪。
2. 时长和动作量要匹配：5 秒的镜头别塞"跑过三条街"这种大动作，动作太多，模型来不及演完，容易崩。15 秒可以演一个完整的小情节，5 秒就老老实实演好一个动作。
3. 声音单独写一行：把声音信息单独成句放在提示词末尾，模型对声音的理解会更明确，音画对齐的几率更高。

7.5 提示词是"调"出来的

最后说点掏心窝的话：没有一稿就完美的提示词。我写提示词的习惯是"先粗后细"——第一版只写场景和动作，看模型理解得对不对；第二版再补镜头和声音；第三版才调细节。每次生成都是免费的老师，多看几遍出片，你自然就知道模型"吃"哪一套描述。

到这一步，你已经能在网页端稳定出片了。但如果你是个追求效率的创作者，接下来要讲的内容你一定会感兴趣——把 H3 接进你的工作流，让生成不再是"一次一操作"。

第八章 把H3接进你的工作流：API与ComfyUI

网页端生成适合偶尔用用，但如果你每天都做视频、或者有一整套固定的制作流程，那就得考虑把 H3 接进自己的工作流。这一章讲两条路：一条是 API 调用，一条是 ComfyUI 工作流。

8.1 秘塔AI 的 API：Agent 都能接

先说一个很多人不知道的点：秘塔AI 里购买的视频生成积分，不只能在平台网页内使用，秘塔AI 还开放了 API。也就是说，你可以在支持 API 接入的智能体工具或 AI 应用里，直接调