跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
设计与 UI

h3-storyboard

Turn a script into MiniMax H3 shot lists with working emotional performance — beat tables, shot counts, expression direction, and the acting techniques that actually render. Use when breaking a script or scene into H3 shots, writing beat timings, directing a character's face or emotion, fixing flat/wooden performance, deciding shot length or how many beats a shot can hold, or writing prompts for episodic narrative work. Complements the minimax-h3 skill, which covers prompt syntax and ComfyUI setup but not performance or shot breakdown.

phileiny · 已有 AI 审核记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add phileiny/h3-storyboard-skill --skill h3-storyboard

技能说明


name: h3-storyboard description: Turn a script into MiniMax H3 shot lists with working emotional performance — beat tables, shot counts, expression direction, and the acting techniques that actually render. Use when breaking a script or scene into H3 shots, writing beat timings, directing a character's face or emotion, fixing flat/wooden performance, deciding shot length or how many beats a shot can hold, or writing prompts for episodic narrative work. Complements the minimax-h3 skill, which covers prompt syntax and ComfyUI setup but not performance or shot breakdown.

H3 分鏡與表演

minimax-h3 那份 skill 教你怎麼把已經想好的東西寫成 H3 格式。 這份教你怎麼想——劇本怎麼拆成鏡頭、情緒怎麼變成模型演得出來的動作。

官方和社群的 skill 都停在翻譯層,沒有人做這段(instann/minimax-h3-director 把「自動拆鏡」列在 roadmap,還沒做)。下面全部是實拍歸納出來的, 每一條都標了驗證狀態。


一、🔴 第一定律:一顆鏡頭裝不下太多節拍

在一顆鏡頭裡塞太多表情節拍,模型會往「平均運動」收斂,把它們全部抹平。 寫了睜眼、揚眉、咬下唇,畫面上什麼都沒發生——而且不會有任何報錯。

三個版本的對照實驗,同一顆震驚戲、同一顆 seed、同樣的臉部節拍:

鏡頭結構對白情緒峰值的 PSNR結果
A一顆 7 秒特寫,9 個節拍無37–42 dB臉完全沒動
B拆成三顆 2–3 秒,各一個主節拍無22–23 dB表情全部到位
C同 B加 <d>19 dB表演幅度再大一些

(PSNR 越低表示畫面變化越大。42 dB 等於凍結幀。)

A → B 是主因:拆鏡頭。 從 40 掉到 23,絕大部分的效果在這一步。 B → C 是加成:對白。 從 23 再到 19,有幫助但不是機制。

所以怎麼做

① 先數節拍。 一顆鏡頭超過兩三個表情節拍就要拆。
② 拆成 2–3 秒的短鏡頭,每顆一個主節拍。
③ 有台詞就寫進去(見下),沒有也能成立。

切鏡本身就是表演——觀眾在切點會自動重新讀取角色狀態, 所以拆開不只是為了讓模型執行得到,也是為了讓觀眾看得到。

驗證:2026-08-26,Ref2VA 243 幀,三版對照,seed 固定。 這是隔離過的:A→B 只改鏡頭結構,B→C 只改一句台詞。

旁證:B 站有支純本地實測是「統一首幀 · 10 種情緒 · 一支 6 秒一種情緒」, 同一個結論——一支只裝一種情緒。

<d> 的角色:它偷時間

有台詞的鏡頭表演幅度更大,但機制不是「對白讓臉會動」—— 是 H3 把整支影片的時間重新分配,多給了有台詞的那一鏡。

同一支 243 幀的四鏡影片,只差一句 VO 對白(其餘完全相同:同 seed、 同參考圖、同 ref_image_size=max):

              Shot 1   Shot 2   Shot 3(有台詞)   Shot 4
提示詞規格       77 幀    48 幀       74 幀          44 幀
無台詞           89       43         55 ❌          56
有台詞           88       29         84             42

無台詞版把情緒峰值那鏡壓縮到 55 幀,比規格少了 19 幀,演到一半就切走。 有台詞版給了 84 幀,臉部最大變化 28.5 dB(無台詞 30.2 dB)。

代價在別的鏡頭身上。 Shot 4 被壓到 42 幀之後:

無台詞:配角在落地窗外還在走動,陽台雨遮、欄杆都保留
有台詞:配角完全不存在,落地窗退化成一扇普通窗戶

Shot 1 建立的場景元素,有台詞版沒有延續到 Shot 4。

所以:

  • 要表演的鏡頭 → 寫台詞(內心獨白也算,寫成旁白版)
  • 要背景延續性的鏡頭 → 不要跟台詞放在同一支影片裡,或者兩版都跑再剪

內心獨白的寫法:

the young woman, in a small unsteady voice that catches once partway through (S1),
says in an off-screen voiceover: <d>[Chinese]……</d>
while her lips remain completely closed.

情緒寫在 delivery 欄位,不是寫在 <d> 裡面。 官方規格:識別語、ID、動作、delivery 都在 <d> 外面,<d> 內只放語言標籤和逐字台詞。

但不要為了表演硬塞台詞。 設計上就不說話的角色(在聽、在迴避、在生悶氣), 拆短鏡頭就夠了——B 組證明沒有台詞一樣演得出來。

⚠️ 背景垮掉這條的信心度低一階:兩支有台詞版都掉了配角,無台詞版只有一支。 方向一致但 n 太小,不排除是生成變異。

⚠️ 官方無此記載。MiniMax 的 H3 提示詞指南(base/ref 兩份)完全沒有表情章節。 網路上「H3 擅長微表情」講的多半是 Hailuo 02/2.3——託管 API 的不同模型, 而且託管版前面掛了提示詞改寫器,開源權重這條路沒有。

沉默的角色

沒有台詞的角色,臉部節拍照樣可以寫(B 組驗證過),但大肢體更保險:

臉部(風險較高)大肢體(很穩)
咬肌鼓起一次鼻子長長呼氣,肩膀跟著落下
眨眼、視線落到地板手抹過褲子 → 抓住後頸 → 頭往前垂
上眼瞼全開頭往後退三公分
下唇往內收握著的東西鬆開、往下傾斜

locomotion(坐起、站立、走向某處)幾乎沒失敗過,是最可靠的一類。


二、⛔ 不要寫「什麼都不變」

❌  From 00:04.800 to 00:05.300 nothing about her changes:
    her eyes stay where they are, her mouth stays where it is, her head does not move.

這是很強的「不要動」指令,會外溢到整顆鏡頭——結果是該動的地方也不動了。

那個「還沒反應過來」的空檔要留,但變成剪接點:

Shot A 收在「動作停止」
── 剪接點 ──          ← 停頓在這裡,後製定格要多久有多久
Shot B 從「反應開始」

停頓是剪接的活,不是生成的活。 交給後製 100% 可控。

⚠️ 這條未隔離:寫了那句的版本同時也有「九個節拍擠一鏡」的問題(見 §一), 兩個變因沒有分開測。所以「不要寫」是安全的做法,但它是不是主因還不確定。 反正停頓交給剪接本來就更可控,沒有理由冒這個險。


一之二、要外掛真人配音的話,台詞長度是硬約束

H3 自己配音時,它會自己講快一點把台詞塞進去。 一旦你打算丟掉它的音軌換成真人實錄,時間就變成硬約束了—— 真人的語速你改不動(atempo 壓超過 5% 就聽得出來)。

先量你的配音員的語速。方法:拿一集已完成的字幕,總字數 ÷ 總秒數。 (本專案的配音員是 4.30 字/秒,含句內停頓。)

台詞字數 ÷ 語速 = 需要的秒數,拿去跟「台詞所在那一鏡的長度」比。

⚠️ 不是跟「到下一拍的距離」比。實拍證實:台詞標在 3.400、下一拍在 4.000, 但嘴巴從 2.17s 就開始動、一路動到影片結束的 5.12s。 H3 把整個鏡頭都當成那個人在講話,不會在下一拍收嘴。

所以真正會出事的是這個

同一鏡裡放了跟講話衝突的拍子:

❌ At 00:03.200  台詞開始
   At 00:04.600  she finishes speaking   ← 逼 H3 在這裡收嘴
   At 00:05.200  眨眼
   At 00:05.800  吞嚥                     ← 不可能發生在句子中間

講完話之後的拍子,放到下一鏡去。 那一鏡從頭到尾只有「他在講話」,嘴型就會鋪滿整鏡,時間自然夠。

畫外音(VO)不受限——後製要多長就多長,可以跨鏡頭甚至跨影片。


二之一、⛔ 不要拍碰撞,也不要拍液體的量

H3 做不到接觸驅動的因果,也守不住液體的體積。實拍證據: 要它拍「手撞倒咖啡杯、咖啡漫開淹到桌上的小物件」,結果是——

手全程沒碰到杯子      杯子懸空自己轉倒,沒有任何一幀是接觸的
咖啡量超過一杯        兩秒鋪滿大半張桌子,倒完了還在繼續流
液體不像液體          邊緣是硬的扇貝狀,像貼紙,不順著木紋流
關鍵拍沒發生          液體從頭到尾沒碰到那個小物件

把提示詞寫細沒有用——它不是沒讀懂,是做不到。

解法:不拍那一刻

Shot 1  手臂從畫面邊緣掃過鏡頭,貼近到蓋滿整個畫面
Shot 2  切 —— 事情已經發生了,杯子倒著,水漬已經漫開並且停住
        H3 只要「延續一個已經存在的狀態」,不用「發動一次碰撞」
撞擊聲掛音軌,觀眾自己補因果

手臂掃過鏡頭本身就是天然的切點,而且那是 locomotion——最可靠的一類。

液體的量要寫死界線

✅ spread about as far as the width of a hand and no further, its leading edge
   a few centimetres short of the base
❌ runs out across the wood in a widening dark sheet

「widening」「spreading」這類詞沒有終點,H3 就會一直長大。 跟尺寸那條同一個道理:講可觀察的界線,不要講抽象的過程。


三、尺寸:講裁切關係,不要講分數

分數會被無視。 實測:

寫 about two thirds as tall as the frame   →  生出來 45–52%

改成描述構圖本身,模型躲不掉:

✅  耳尖離畫面頂端只剩一個手掌寬
✅  底座往左右兩邊都溢出畫面,兩側都看不到完整的底
✅  畫面下緣從底座前緣下方切過
✅  它是畫面裡遠遠最大的東西,其他都只是周邊的小細節

實測從 45% → 52% → 69%(目標三分之二)一次到位。

控制配角的大小,用「限制入鏡範圍」比「指定尺寸」可靠:

❌  her open palm is about as wide as the distance between its two ears   → 實際 1.66 倍
✅  只有手指和手掌前緣進畫面,手腕和手掌後半留在框外

露得少,主體自然就大。

直幅裡的尺寸有幾何上限

一個寬≈高的角色,在 9:16 直幅裡整隻入鏡時:

寬度填滿畫面 → 高度 = 768 ÷ (寬高比) ≈ 畫面高的 50–60%

實測三次:52%、61%、61%。這不是提示詞寫不好,是畫面比例的上限。

要更大就必須裁掉一部分。裁掉的通常是底部(底座、下半身), 因為上半部比較窄,能在畫面裡站得更高:

✅ only its upper part is in the picture: its cheeks reach out past both the left
   and the right edge of the frame, the tips of its ears sit just under the top edge,
   and the bottom edge of the frame cuts straight across its glowing belly so that
   its base is entirely out of shot below

同一招在另一集做到 69–70%。「整隻都要在畫面裡」和「要很大」在直幅裡是互斥的。

距離也一樣,不要寫單位

分數會被忽略,帶單位的距離同樣會被忽略。實拍:寫 its leading edge a hand's width short of the base, 生出來液體直接淹到底座旁邊。

改成拿畫面裡的東西當尺:

❌ a hand's width short of its base
❌ s
阅读完整来源 ↗