H3 单图生视频教程（加速版）：图生视频提速，出片更快

2026-08-17 11:21 · 222 阅读

Minimax H3 实战 · 第 4 篇 / 共 20 篇查看系列 →

这篇讲什么

上一篇我们用官方标准版（官流）跑通了图生视频——一张图生成一段带声音的视频。这一篇讲它的加速版：同样的玩法，出片更快，而且它自带一段官方中文范文，是学习图生视频提示词的最好素材。

加速版在图生视频系列里的名字叫「H3单图生视频工作流（加速）」，一张图做参考生成视频。提速靠的还是那三件套：int8 量化模型 + SageAttention 注意力补丁 + TE 蒸馏（原理在《文生视频加速》那篇讲过，这里直接用就行）。

第 1 步：打开加速版工作流

双击 ComfyUI启动器.exe（或运行 run_nvidia_gpu.bat），等浏览器弹出 ComfyUI 界面后：

在左侧「工作流」列表打开 AI星尘-Minimax H3 文件夹
选择 H3单图生视频工作流（加速）.json

打开后是一张 20 多个节点的图，看起来比官流复杂很多。别慌，和文生加速版一样，要你动手的只有 4 个地方，其余全部自动。

第 2 步：认识 4 个要管的节点

1. 「加载图片」（Load Image）——你的参考图

双击节点，在弹出的窗口里上传你想让它动起来的图片，选完节点上会显示缩略图。加速版默认内置的是一张古风人物图（白衣公主），和官流内置的游戏鼠标样例不一样——你可以先用它跑通，再换成自己的图。

2. 「Input Text (Prompt)」提示词节点——重点中的重点

这是加速版比官流"高级"的地方：它默认自带一段完整的中文图生视频提示词（古风公主回身短片），这不是随便写的样例，而是官方标准写法，下一章逐段拆给你看。

3. 「Float (Duration)」时长

单独一个小数字框，默认 5（秒）。填 10、15 就是更长的片。

4. 「Resolution Selector」分辨率

注意：加速版默认是 2:3 竖版、0.4 档（官流默认 1:1 方形）。想要横版点开下拉选「16:9」。

图里剩下的（帧数自动计算、采样器、双 VAE 解码、视频合成、加速补丁）全部自动连好，不用管，也别动。

第 3 步：官方中文范文拆解（图生视频提示词终极模板）

提示词节点里默认装着的这段古风提示词，是图生视频提示词的标准写法，原文如下：

@图片0 作为人物样貌、古装服饰、宫廷石桥樱花场景、光影配色参考
生成一段 5 秒、16:9、2K、原生立体声古风文戏短片
影片目标与核心概念：皇室公主驻足回身，与身后皇子遥遥对视，
无声流露暗藏的疏离心绪，完成一次微妙的情绪转折。
固定人物、主体、场景、道具与一致性：白衣鎏金凤冠公主，黑衣绣金皇子，
三名黑衣侍卫；古皇宫白玉石桥、湖面、盛放樱花、古典宫灯，
人物服饰、妆容、场景色调严格匹配参考图。
0-1.5 秒：中景镜头，公主背对镜头缓步向前行走，衣袂随微风轻扬，
皇子与侍卫一行人跟在后方缓步随行。
1.5-3.2 秒：公主脚步缓缓停下，缓慢转过上半身，侧脸面向后方，目光落向皇子。
3.2-4.2 秒：镜头缓慢推近至中近景，公主神色平静淡漠，眼底暗藏怅然；
皇子止步站立，安静回望公主，二人隔空对视，无台词。
4.2-5 秒：公主轻轻收回目光，微微垂眸，定格在落寞沉静的表情，
完成情绪收尾，画面停留 0.5 秒余韵。
剪辑、摄影、表演规则：平缓推拉运镜，无剧烈晃动；
人物动作舒缓优雅，微表情细腻克制，不出现夸张神态；
全程保持人物造型与环境统一。
视觉风格与材质：超写实国风 CG，柔和春日自然光，漫射阳光穿过樱花树枝，
布料刺绣质感细腻，水面轻微波光，电影级景深。
声音设计：轻柔古风弦乐背景音乐，微风拂动花瓣、衣料摩擦细微声响，
远处宫阙隐约环境白噪音，全程无人物对白。
收束人物、镜头与结尾一致性：最终画面定格垂眸的公主，
皇子立于桥道远端，拉开二人距离，强化彼此隔阂的氛围，叙事闭环。

拆开看，它其实是9 层结构，一层比一层细，照着写你就是专业导演：

第一行：参考图声明——@图片0 是加速版对参考图的称呼，告诉模型"下面说的东西都基于这张图"。声明它管什么：人物样貌、服饰、场景、光影。
一句话总目标——几秒、什么比例、什么风格、什么类型片。给模型一个"产品规格"。
影片目标与核心概念——你要表达什么情绪/情节。这是它和你互动的地方，AI 视频最怕"没想法"。
固定一致性清单——把不能变的东西全部列出来：谁、穿什么、带什么、场景有哪些元素，并明确"严格匹配参考图"。这就是图生视频不跑偏的保险。
分镜时间轴——按秒切镜头，每段写清：景别（中景/近景）、谁在做什么、镜头怎么动。时间可以不留缝，模型会自动衔接。
剪辑、摄影、表演规则——运镜节奏、表演幅度、禁忌（无剧烈晃动、不夸张）。
视觉风格与材质——画风、光线、质感细节。
声音设计——音乐风格、环境音、要不要对白。H3 会按这个生成音频。
收束一致性——结尾画面落在哪、叙事闭环。防止烂尾。

新手中文模板（把上面结构压缩成必填 5 行）：

@图片0 作为[人物/主体]、[服饰/材质]、[场景]、[光影配色]参考
生成一段 [5] 秒、[16:9]、原生立体声[风格]短片
固定一致性：[谁、穿什么、场景有什么]，严格匹配参考图
[0-2 秒]：[景别]镜头，[做什么]
[2-5 秒]：[景别]镜头，[做什么]
声音设计：[音乐风格]、[环境音]、[有无对白]

怕写不好？最低限度抄前 4 行（参考声明 + 总目标 + 一致性 + 时间轴），出来的效果就远超"图片放上去不动"。

第 4 步：跑通第一遍（完整操作流程）

确认「加载图片」里是你想用的图（先用内置古风样例也行）
提示词先用节点里自带的中文范文跑一遍，感受效果，再换成自己的
时长 5 秒、分辨率默认 2:3 竖版先不动
点右下角或顶部的「执行」按钮

第一次跑会先加载模型（主模型 + 文本模型 + 双 VAE，几分钟），然后逐帧生成（5 秒短片约 124 帧）。完成后点「保存视频」节点预览，就能看到古风公主在樱花石桥上回身抬眸，还带着古风弦乐和环境音。

图生视频.gif

第 5 步：参数与技巧

时长：改「Float (Duration)」——5/10/15 秒都行，上限 15 秒。帧数自动换算（5 秒约 124 帧），不用管。
分辨率比例：视频比例最好和图片一致——竖图用默认 2:3，方图选 1:1，横图选 16:9。比例差太远会拉伸或裁切。
分辨率档位：0.2（最小）→ 0.4（默认）→ 0.6 → 0.98（接近高清）。显存紧张就 0.2，哪档跑不稳降一档。
随机种子：默认随机；出好片记下种子数字，填回去可复现。
高级功能：音频参考——图里有个「加载音频」（Load Audio）节点，可以接一段音乐/人声当声音参考，让视频音频风格跟着它走。留空也能正常生成，新手先不管。