[AI Workflow] 用 Blender 白模畫路線,MiniMax-H3 飛出 22 秒台灣 FPV 一鏡到底

---

前言

前幾天在 IG 上看到一種做法：在一張靜態照片上用紅筆畫一條無人機路線，prompt 叫模型照著線飛，成片裡再把紅線拿掉。雪山、杜拜塔、競技場、歌劇院一路飛過去，看起來很爽。原作用的是雲端模型，我想知道在自己的 RTX 5090 上做不做得到，順便把地標換成台灣的。

結果照抄不太行。直接拿一張圖給模型，它飛到建築側面就得自己猜後面長怎樣，建築會融掉；一次塞 15 秒、五個場景，它會自己剪接，明明 prompt 寫了不准切。

最後的分工是：鏡頭怎麼飛，我在 Blender 用方塊先飛一遍；AI 只負責把方塊畫成真的。同系列 Part 9 用白模排兩個人的走位，這篇把同一招拿來排無人機路線。

成品：四個地標拆三段生，在霧裡接起來

成片 22 秒、2688×1536、48fps，玉山→太魯閣→101→日月潭→最後拉高看全景，中間沒有硬切。它其實是三段分開生的，每段結尾衝進一團霧，下一段從霧裡出來，接縫藏在霧裡。

段	內容	長度	H3 生成時間（1344×768）
S1	玉山 + 太魯閣	192 幀 / 8 秒	363.32 秒
S2	101	192 幀 / 8 秒	373.57 秒
S3	日月潭 + 全景	175 幀 / 7.3 秒	324.14 秒

三段 H3 合計 1061 秒，約 17 分 41 秒，三段都一次跑完、沒有爆記憶體。整條流程：

1. Qwen-Image 2.1 生一張全景、四張地標參考圖
2. Blender 用方塊搭白模、排相機路線，拆三段，每段結尾衝進霧
3. H3 Ref2VA 每段吃三種參考：全景、該段地標、前一段的最後一格
4. ffmpeg 在霧裡交叉淡化接片
5. RTX VSR 放大兩倍到 2688×1536，RTX 補幀補到 48fps

步驟一：Qwen-Image 2.1 先生全景和地標參考圖

參考圖負責「長相」，白模負責「怎麼飛」。我用 Qwen-Image 2.1（int8、40 步、1344×768）生了一張台灣全景和四張地標圖，每張跑兩個 seed 挑一張。

101 的八節竹節它畫對了，這點讓我滿意外的。玉山就比較普通，看起來像隨便哪座岩山，認不太出是玉山。

步驟二：Blender 白模把路線飛一遍，段尾衝進霧

白模就是只用方塊這種粗形狀搭的 3D 草稿，不管長相，只管東西在哪、鏡頭怎麼走。101 我用八個上寬下窄的方形截錐疊起來，對應那八節竹節；山和峽谷也一樣用粗形狀擺。

相機路線拆成三段，每段結尾讓鏡頭衝進一團霧，下一段從霧裡出來。拆段時有一條規矩我是吃過虧才加的：每段白模裡，相鄰兩格的畫面差不能超過中位數的 3 倍，也就是鏡頭不能突然甩一下。我最後三段的數字：

段	相鄰幀差中位數	最大值
S1	9.62	24.66
S2	8.38	19.56
S3	6.38	9.78

為什麼要守這條，後面進階會講：一次生 15 秒那版，其中一刀剛好切在白模鏡頭大跳的那一格。

幀數照 H3 的規格，17 的倍數再加 5：192 = 17×11+5，175 = 17×10+5。白模放在另一台 Linux 機器用 headless Workbench 算圖，不占 5090。白模腳本怎麼叫 Claude 寫、要交代哪些規矩，Part 9 有完整說明，這篇不重複。

步驟三：H3 Ref2VA 每段給全景、地標、前一段末幀

Ref2VA 是 MiniMax-H3 的參考生成模式：白模影片接參考影片插槽，圖片接參考圖插槽。它不是把白模改一改，而是從零生一支新片，生的時候一路參考白模怎麼動。

每段的參考圖都有全景和這一段的地標（第一段玉山、太魯閣各一張），第二、三段再加上前一段成片的最後一格。最後一格是為了讓下一段接得上；Ref2VA 沒有首幀輸入，只能把它當參考圖丟進去，接不準的地方就靠霧蓋掉。接線以第二段為例：

LoadVideo(S2 白模.mp4) → GetVideoComponents.images → MiniMaxH3ReferenceToVideo.ref_videos.ref_video_0
LoadImage(全景)               → ref_images.ref_image_0
LoadImage(101 地標圖)          → ref_images.ref_image_1
LoadImage(S1 成片最後一格)      → ref_images.ref_image_2
width 1344 · height 768 · length 192 · seed 2026101602

第一段前面沒有東西可接，就給全景、玉山、太魯閣三張。prompt 的六段格式跟 Part 9 一樣，只是主角從兩個人換成一路飛過的地景。

步驟四：在霧裡交叉淡化接片

三段生完，用 ffmpeg 的 xfade 在霧裡做 7 格（0.29 秒）的交叉淡化，接成 22 秒的一支片。接完跑一次場景切換偵測，門檻 scene>0.18，零個候選，硬切沒了。

步驟五：放大到 2K，補幀到 48fps

放大用 ComfyUI 的 RTX VSR 節點，設定只有兩個：

RTXVideoSuperResolution
scale 2.0 · quality ULTRA

1344×768 放大兩倍到 2688×1536，花 43.5 秒。最後用 RTX 補幀從 24fps 補到 48fps，一共 1089 格，花 150 秒。

放大的效果有限。101 的窗框略清楚一點，但高速段本來就有的動態模糊補不回來；我也沒看到放大後多出振鈴或閃爍。想要細節，還是得靠 H3 那一步直接生大一點。

還沒做到的

前三條是在 864×480 版確認的，高畫質版沒有逐條重看。

• 101 想繞塔螺旋一整圈，沒繞滿
• 塔尖想定格 0.5 秒，沒停住
• 日月潭想貼水 2 公尺飛，沒貼上去
• 霧的接縫看得出是淡化接過去的
• 局部還有變形：5–6.5 秒峽谷壁、10 秒和 14 秒的竹節、18 秒的塔山
• 1344×768 版新出現的：第 4 秒峽谷的霧更厚，18–19 秒的島和塔山看起來像黏在一起

每段都只跑一次，沒有換 seed 測穩定度。

進階

不讀這節不影響使用。這裡是走到最終版之前的實驗和一次除錯紀錄。

先用 864×480 試路線，確定了再出高畫質

1344×768 一段要 324–374 秒，路線還沒定的時候每改一次就等十幾分鐘不划算。我的作法是先用 864×480 跑：同樣三段、同樣白模和參考圖，S1 161.3 秒、S2 161.3 秒、S3 141.2 秒，合計 463.8 秒，大約 7.7 分鐘。1344×768 的總時間是它的 2.29 倍。

864×480 版接完也沒有硬切：場景切換偵測零候選，我自己量相鄰幀差，中位數 7.7，最大 25.5，落在 1.6 秒玉山過頂那個側滾。

要注意的是，換解析度構圖會跟著變。同一份白模、prompt、參考圖和 seed，1344×768 版的鏡頭走法跟 864×480 版不一樣。所以 864×480 只能拿來確認路線和接片可行，高畫質版出來要重新看一遍。1344×768 版比較好的地方：101 的窗格和竹節邊緣（10.5 秒）、湖面的細波紋（17.5 秒）、玉山的岩塊；變差的就是上面「還沒做到的」最後一條。

紅線圖直接當首幀：順序對，側面會融掉

第一輪照 IG 上看到的做法，把畫了紅線的圖直接當首幀（H3 的 I2VA 首幀模式），地標還是原圖的雪山、杜拜塔、競技場、歌劇院。5090 上 1344×768、345 幀（14.375 秒），生成 112.4 秒。

順序照走，紅線 0.5 秒內就消失了，第 0 格還殘留原圖浮水印的變形字。問題出在側面：鏡頭鑽進競技場時，場地變成一圈圈同心螺旋；繞過杜拜塔轉角時，塔身被拉長。只給一張圖，模型飛到側面只能自己猜 3D，猜錯就融掉。

我也在 ai-lab 的 2080 Ti 上用 int8 跑了草稿版，672×384、10 秒片，花 342 秒。RTX 補幀補到 48fps 在 5090 上要 25 秒，我挑最快的第 11 秒看，補出來的中間格沒有鬼影，只是略糊，變形的地方補完還是變形。

白模接一張圖：競技場的螺旋消失了

第二輪先在 Blender 照同一條路線做白模：19mm 鏡頭、345 幀，速度從每秒 6.58 到 51.81 單位，最大側傾 28.96°，headless Workbench 算圖 39 秒。再送進 H3 Ref2VA，ref_videos 吃白模，ref_images 吃一張乾淨的場景圖（第一輪成片第 1 秒那格），864×480、14 步，生成花 378.8 秒。

競技場的螺旋消失了，看得到場地、看台和拱門，也沒有灰色材質滲出來。各段比白模早到 0.5–1.5 秒。歌劇院的殼還是變形，因為我白模只用五片尖殼帶過，模型拿到的形狀本來就不夠。

一次生 15 秒，為什麼會被硬切？

第三輪換成台灣四個地標，白模 362 幀（15.08 秒）一次生完。兩支都被硬切：A 版切在 5.92 秒和 9.50 秒，B 版切在 5.75、10.96、13.63 秒。prompt 是單一 [Shot 1]，而且明寫不准切。

我回頭量白模每兩格之間的畫面差，出太魯閣峽谷那一刀，正好對上白模第 138 幀的大跳：那一格的相鄰幀差是 35.4，中位數只有 7.9，鏡頭在那裡突然甩了一下。其他切點的白模都很平順，所以不是每一刀都是白模的問題。

我的處理是兩件一起做：每段縮到 7–8 秒，白模相鄰幀差壓在中位數 3 倍以內，段和段之間用霧接。之後三段生完，一刀都沒有。

參考圖 A/B：構圖選 A，質感選 B

第三輪同時做了參考圖 A/B：A 只給全景，B 給全景加四張地標圖。H3 生成時間 A 394 秒、B 471 秒。

我本來以為多給每個地標一張參考圖會更穩。盲看結果是構圖選 A，四個地標在畫面裡的位置比較好看；質感選 B，比較沒有塑膠感。

盲看要把構圖和質感分開問。最終版兩邊都取：每段給全景顧構圖，再加該段的地標圖顧質感，沒有四張全塞。

除錯紀錄：5090 一載入文字編碼器就崩

做到一半，5090 上的 H3 開始一載入文字編碼器就崩。ComfyUI 的 log 停在這行：

Requested to load MiniMaxH3TEModel_

Python exit code 3221225477（0xC0000005，記憶體存取違規），Windows 事件記錄的模組寫 unknown。我手上 nvfp4 和 awq 兩版文字編碼器（各 15.7GB）都崩。ComfyUI 套件、節點、驅動從 10-15 03:13 之後都沒動過，當時 H3 的 smoke test 是過的，所以應該不是改壞了什麼。

最後懷疑是系統記憶體。vmmemWSL 閒置還佔著 20.4GB，可用記憶體只剩 27GB（總共 61.6GB），commit 用到 38.4/71.1GB。關掉 WSL：

wsl --shutdown

可用記憶體回到 47.6GB，commit 降到 17.5GB，同一份工作直接跑完。之後 H3 崩在載入文字編碼器，我會先看 vmmemWSL。

相關

• 同系列 Part 9：用 Blender 白模排走位，MiniMax-H3 照著拍成真人影片
• 同系列 Part 6：兩張人設圖同框，Ref2VA 入門