大家好，我是探索 AI 内容出海的Gary 曹淦，上周开始，我们把一部分 AI 视频从 Seedance 2.0 mini 挪到了 RunningHub 上的 MiniMax H3，前前后后跑了一百多条成品视频，摸索出了一套比较成熟的低成本高质量制作流程。
大家都知道 seedance2.0 mini 现在已经很便宜了，火山官方是 9 分钱一秒（不会不知道吧？），而之所以换是因为 rh 上的 h3 能做到 1 分钱一秒！！
（叠个甲，别说我恰饭，这篇文章没收 runninghub 一分钱，理论上来说按显卡用量收费的工作流平台应该都能实现这个效果，只是因为我恰好用的是 runninghub 所以就用它来举例了，如果 runninghub 的商务看到建议给我补发个商单）
先分享下不同出视频方式的成本差异：
参考生视频：H3 在 RunningHub 不按成片秒数收钱，按显卡跑了多久收，我开的是 399 块一个月的会员，折下来每秒成片不到一分钱，Seedance 2.0 mini 480p 是9 分/秒，差了十倍。（399套餐给 18 万 rh 币，出一条15 秒的视频用了 60 币，约等于9 分钱不到一秒）
分镜图生视频：一条 15 秒、7 个镜头的真人 shorts，每个镜头先用 GPT Image 2.5 画一张分镜图（7 张一共 1 块 06），再交给 H3 生成（1 毛 5），一共 1 块 2，同一个脚本用 Seedance 2.0 mini 做要 1 块 5，画面基本打平；拿开源出来的工具从头跑一条 27 秒的片子，画图、改提示词、生成、拼片，9 分钟出成片。
MV 角色替换：第一次手搓一条 97 秒的《APT.》换人 MV，前后跑了 137 个任务、花了 22 块，折腾了一个半小时，中间不少镜头要手工修；把流程做成一条命令以后，一段 22 秒、14 个镜头的片子 2 块 6、24 分钟出成片，中间不用人管。
时间上说实话，H3 比 Seedance 慢，一段 15 秒跑四五分钟，sd2.0 mini 两分半。但它便宜到可以并排着烧：会员 key 能同时跑 5 条，企业 key 能同时跑 100 条（这里很抽象，可以简单理解为企业 key 更贵但是并发多，会员 key 便宜但是并发少），加了分镜图以后每一段都不用等上一段的最后一帧，整条片的生成时间基本就是一段的时间。
拿换人来说，X 上把换人视频做火的 garylau_ai，是自己在家用两台 DGX Spark 跑的，5 秒一个镜头要 26 分钟，放到 RunningHub 上所有镜头一起跑，一条 1 分半的 MV 按实测推下来半小时左右、十块钱上下。
我自己 YouTube 上的AI真人 shorts 矩阵，这周已经有一部分号换成了 H3 加分镜图在跑，效果跟 seedance 2.0 mini 可以做到不相上下
这篇就把这一周实测出来的经验分享下：
- 怎么在 RunningHub 的换人工作流上加一层本地处理、做整条 MV 的换人
- 怎么接 RunningHub 并把提示词改到 H3 能听懂
- 怎么用参考图把效果拉到 Seedance 的水平
- H3 到底适合做什么类型的视频。
两套流程都做成了 skill 开源，懒得看摸索过程和工作流逻辑的也不用看正文，直接拉到把仓库扔你的 agent 让他给你接了给你解释就行：
换人翻拍 mv-swap：https://github.com/garycaogan/mv-swap
H3 参考图出片 h3-ref-video：https://github.com/garycaogan/h3-ref-video
一、换人翻拍，RunningHub 工作流之外还要补什么？
最早想做换人，是刷到 garylau_ai 那几条，黄仁勋和马斯克唱《晚安大小姐》、几个大公司 CEO 唱 Uptown Funk，我上周看的时候每条都有四五十万播放。他的做法拆下来是：先给每个人做一张资产卡，把原片按镜头切开，每个镜头先换出一张首帧，再拿深度图或者原片当动作参考，用 H3 一个镜头一个镜头地生成，最后配回原曲。
RunningHub 上正好有现成的换人工作流，Nick 的「MinimaxH3 swap 角色迁移」，给一段视频和一张角色图，它就把视频里的人换掉，动作、表情、走位都跟着原片走。单拿一段十几秒、一个机位的舞蹈去跑，效果已经很能打了。
▶ 这里放视频「swap-compare.mp4」（0:09）：点上面这张图删掉，在「视频 → 本地上传」里传这个文件（工作台正文里也能下载），审核通过后再发表；放好后删掉这一段
但一整条 MV 直接扔进去是不行的。一段里有切镜，它会把镜头打乱、自己编画面；它只能出固定几档的帧数；一个镜头里好几个人，它也不知道该换谁。所以我们在它前后加了一层本地处理，工作流只管「这一个镜头里把这个人换掉」，剩下的都在本地做：
- 切镜头
：自动找出每一个切口，一个镜头交一个任务，太长的镜头平均切开。 - 认人
：让 Gemini 看每个镜头的开头、中间、结尾三帧，标出这个镜头里有谁、要换谁，空镜和字卡就直接用原片。 - 补帧
：每个镜头后面补一截定格，凑够工作流要的长度，结尾偶尔抽风的那一截正好落在补的部分里，拼片时剪掉。 - 写提示词
：单人镜头只给那一个人的图，不然另一个人会自己走进画面，再写一句这个镜头自己的布景。 - 审片和重跑
：拿成片和原片同一时刻的三帧对比，换对了没有、原来的人还在不在、背景跑没跑，不过就换个种子重跑，只换掉一部分人的，拿这次的结果再补换一遍。 - 超分和拼片
：过审的镜头过一遍 SeedVR2 超分，按原片的帧数拼回去，原声配上。
下面这几个坑，都是一条条片子踩出来、再写进代码里的。
闪光
舞台上的闪光灯和频闪，会被当成切镜，一条 92 秒的片子第一次切出了 104 段。后来加了一道检查，前后两帧的构图还连得上就不算切口，降到了 54 段。
尾巴
有一次一整段 15 秒跑出来，最后二十几帧直接变成了角色参考图本身，像 PPT 一样定在那里。现在每个镜头都多补一截定格，坏掉的结尾落在补的那截里剪掉，审片时也专门盯结尾。
灰底
角色图一般是白底、灰底的定妆照，提示词里只笼统写一句「布景照原片」的话，暗场镜头经常被换成定妆照那种灰色影棚，有条片子第一轮审了 26 个镜头只过了 11 个。后来让 Gemini 给每个镜头写一句它自己的布景，比如「暗色宫殿，顶上一束金光」，写进提示词里，第二轮重跑的 19 个又过了 10 个。
认错人
告诉它换谁的那句话，要写整条片都不会变的特征。我们有一次写了「黑色短发」，结果到了这个人把头发扎起来的后台镜头，它去换了旁边一个短发戴眼镜的工作人员。写发色、演出服这种不会变的就没事。
画质和画风
原片最好 1080p，至少 720p，第一条《APT.》用的是 360p 的源，人是换对了，就是糊。动画原片也跑通过，一条 92 秒的三维动画 MV，先把我们的角色按原片画风重画成三维定妆照，画风是接上了，但我自己看下来效果一般，就没发，现在默认只做真人 MV 和舞蹈。
成本上，换人镜头每秒大概 5 分钱（会员币）到 1 毛（企业钱包），一段 22 秒、14 个镜头的片子，RunningHub 1 块 06，几个平面图形镜头用生图重画 1 块 48，认人审片 1 毛钱左右。开源之前我拿开源版从头重跑了一条 9 秒的 1080p 单人舞蹈，一次过审，生成 2 毛 9、超分 1 毛 8，21 分钟出成片。
二、怎么让 H3 用起来和 Seedance 一样？
换人是照着原片换，我们平时做得更多的，还是从剧本出片：写好分镜，给几张角色和场景的参考图，让模型出一段 15 秒以内的视频，Seedance 就是这么用的。H3 在 RunningHub 上也能这么用，我们用的是「加速版-MiniMax H3｜多参图像音频极速生视频」这个工作流，最多吃 9 张参考图。
接进来不复杂，在 RunningHub 后台拿一个 API key，把工作流连同提示词、参考图、时长、画幅一起交上去，四五分钟以后来取结果。有几个设置可以直接抄：
-
默认档就够了，Standard 机型、短边 544、20 步。我试过最贵的 Ultra 加更高的分辨率和步数，一段慢了 8 倍、贵了 17 倍，只换来更锐一点的细节，戏一点没演得更好。 -
会员 key 同时只能跑 5 条，要成批跑得用企业 key，它从钱包按小时扣，折下来一秒成片两分钱出头，还是比 Seedance 便宜好几倍。 -
偶尔会爆显存失败，失败不扣钱，重跑一次就好。
真正决定效果的是提示词。一开始我们图省事，直接把给 Seedance 写的中文提示词扔了进去，结果 7 段里 7 段都被垫了背景音乐，中文对白把字幕烧进了画面，表演也收着。后来去翻了 MiniMax 官方给 H3 写的提示词规范，才知道问题出在我们自己身上：官方要求用英文、按固定的六块来写，先交代每张参考图是谁、管什么，再按镜头写画面和声音，配乐单独一块。更要命的是，这个工作流根本没有负面提示词，你写「不要字幕」「不要背景音乐」，它读到的是字幕和背景音乐。
所以我们在交给 H3 之前加了一步改写。你还是照给 Seedance 的习惯写中文分镜，标好「参考图片1是谁、参考图片2是谁」，Claude 拿着官方规范、我们自己总结的几条规矩，再加两条手工改过、实际跑过的样例，把它改成 H3 的格式，改完自动查一遍：六块齐不齐，有没有残留的否定句，图片编号有没有超出。按这个办法重跑以后，13 段里只剩 1 段还有音乐，和 Seedance 逐段盲评，H3 赢 5 段、输 1 段、平 5 段。
对用的人来说，中间这一步是看不见的，写法和 Seedance 一样，出来的是 H3 的价格。
三、参考图怎么垫，才能追上 Seedance？
前两天我看了几组对比，同一个镜头，左边 H3 直出，右边先用 GPT 2.5 画一张分镜图垫进去，清晰度和质感差得挺明显。
▶ 这里放视频「gary-sample-1.mp4」（0:05）：点上面这张图删掉，在「视频 → 本地上传」里传这个文件（工作台正文里也能下载），审核通过后再发表；放好后删掉这一段
为了更全面地判断 h3 的能力，出了一些不同类型的case，每个镜头抽两次：
-
二次元大动作和真人搞笑短视频，各有优劣。 -
中文真人的病房哭戏，直出sd 效果好，垫图之后 h3 效果和 sd 差不多。 -
带货戏，垫图之后 h3 效果跟 sd 差不多。
▶ 这里放视频「s1-four.mp4」（0:14）：点上面这张图删掉，在「视频 → 本地上传」里传这个文件（工作台正文里也能下载），审核通过后再发表；放好后删掉这一段
几秒钟的片段说明不了全部，再看一条完整的片子。前两天我们的真人 shorts 矩阵做了一批抢麦唱歌的视频，同一个脚本做了 15 条，8 条用 Seedance，7 条用 H3，H3 那几条每个镜头先画一张分镜图再出。下面是同一对演员演的两条，左边 Seedance，右边 H3 加分镜图：
▶ 这里放视频「jinmai-seedance-vs-h3.mp4」（0:15）：点上面这张图删掉，在「视频 → 本地上传」里传这个文件（工作台正文里也能下载），审核通过后再发表；放好后删掉这一段
画面质感基本打平，H3 那边舞台灯光还更足一点；Seedance 哭得更夸张，H3 收着一点，这也是 H3 一直以来的毛病。钱上，Seedance 这条 1 块 53，H3 这条 7 张分镜图 1 块 06（是的，出图比视频贵几倍，追求更强的效果可以每个分镜一张图，或者适当减少也可），加生成 1 毛 5，一共 1 块 2 左右。
分镜图主要管的是照着剧本演：人站在哪、镜头从哪起、谁先开口，一张图比一段文字说得清楚，H3 不用自己猜，视频效果会好很多。
具体怎么垫分镜图：
- 每个镜头一张，画这个镜头开始的那一瞬间
，交给 H3 的时候写明「这张是第几个镜头的首帧」。 - 先画全片的第一张，后面每张都带上它当参考
，演员的脸、衣服和场景前后才一致。 - 9 张图的上限要算着用
，角色图加分镜图塞不下的时候，先拿掉总设定图。 - 图走 1K 就够
，盲评里 1K 和 2K 打平。同样是 GPT Image 2.5，APIMart 比我们之前用的渠道便宜不少，一张 1K 分镜图一毛七左右，参考图按像素收钱，上传前缩到 1024 像素又能省一点。
垫图也有副作用：
1.每个镜头开头一两秒会比较静，像从照片里慢慢动起来。
2.中文对白有可能会生出来字幕，有一条把台词里的「三千八」写成了 3000，所以有台词的片子出来一定要查一遍，不过我开源的工具里这一步检查是自动的。
四、H3 到底适合做什么？
一周跑下来，我的体感：
有版权的内容：seedance 不给出的各种游戏、动漫、电影角色，h3 随便出，成本还是seedance 的十分之一，包括穿着官方角色形象服饰的 AI 真人形象，比如下图的今汐，sd 都不给出，但是 h3 没一点问题。
有道具、尺寸、特殊状态的剧情戏：每个镜头垫分镜图（sd 也可以，就是有点浪费钱），反而能比 Seedance 拍得更对，钱还少花一点。
中文真人对白：至少垫一张首帧，出来查字幕，哭戏这类情绪戏能打。
面向中老年人带货短剧：h3 的动态感不如 sd 强，但在面向中老年人的带货短剧上，这可能还是优点，因为画面、人物动作都会比较稳定。
MV、大片角色替换：这个 Seedance 做不了，参考视频有长度限制，而且很容易卡版权，而这个是 h3 的强项。
短板也有两个，一是大的情绪反应，被吓到腿软、咬到硬东西疼得龇牙咧嘴这种，H3 还是演得收着；二是单条比 Seedance 慢一倍，赶时间的单条片子还是 Seedance 快（这也算不上缺点吧）。
开源仓库
两套流程都做成了 skill，放进 Claude Code 或者 Codex 的 skills 目录就能用，准备好 RunningHub 和 APIMart 两个 key，直接跟它说「把这条 MV 里的金发女生换成这张图里的人」，或者「用 H3 把这个分镜做成片」：
换人翻拍 mv-swap：https://github.com/garycaogan/mv-swap
H3 参考图出片 h3-ref-video：https://github.com/garycaogan/h3-ref-video
MiniMax 官方的提示词规范没有放进仓库，工具用的时候会自己去官方仓库取，两个工作流都归原作者，我这套是基于原工作流做简化和调优的方案，仓库里写了出处。用的过程中踩到新坑，欢迎在评论区告诉我，我再更新进去。