[MiniMax-H3] 用 16 格分鏡讓本地 H3 演出場景可行嗎？分鏡管構圖、角色圖管長相、時間軸管順序

---

前言

前幾天在 IG 滑到一支 Reel：創作者用 GPT Image 2 生了一張 16 格分鏡表，每一格自己就帶著運鏡標註、畫面說明和導演批註；影片的 prompt 只寫一句話，整張丟給線上 Seedance 2.0 的「全能參考」，生出來的片真的一格一格照分鏡走。他還提醒兩件事：角色要另外給一張單人參考圖，因為 16 格裡每個人都太小；模式別選「首尾幀」。

我想知道的是，自己 5090 上的本地 MiniMax-H3 能不能也這樣做，不用花錢買點數。H3 的 Ref2VA 本來就吃參考圖（Part 6 拿它讓兩個角色演完一齣戲），分鏡表也是一張圖，照理說丟得進去。

結果第一發就卡住：分鏡表加一句話，H3 只對上 2/16 格，換成 ChatGPT 生、每格都寫滿字的分鏡表，也只有 3/16。我猜線上服務在那一句話背後多做了一層，本地 H3 沒有這一層，要自己補（Seedance 那邊我沒有實測）。我的猜測是「全能參考也只是把分鏡拆成描述而已」，那我照 MiniMax 官方的格式自己拆，應該會更準。這篇就是驗這句話。

結論：分鏡表管構圖，角色圖管長相，文字時間軸管順序

同一張 ChatGPT 分鏡表、同一張角色圖、同一個 seed，只換 prompt 的寫法。這表看最後一欄：

組	prompt 怎麼寫	16 格對上幾格
S3	一句話（「依照分鏡表 16 個鏡頭順序拍成一支短片」）	3/16
S4	逐格抄分鏡表上的運鏡和畫面	12/16
S6	照官方鏡頭表格式，每格寫動作、運鏡、位置、聲音和交接	13/16

「對上」的算法：那一格的主要構圖和動作有出現、而且順序跟前後格接得上才算，只對一半不算。

一句話跟逐格時間軸差在順序。H3 會從分鏡表拿人物、服裝、色調和姿態，但不會自己把 4×4 網格切成 16 個時間點；你得在文字裡告訴它第幾秒是哪一格、那一格結束時人和劍是什麼狀態。左邊一句話、右邊官方格式，同一張分鏡表：

下面照順序講怎麼做。

步驟一：用 ChatGPT 生分鏡表，每格寫運鏡、畫面、導演三行

我第一輪是用 Qwen-Image 生分鏡表，格內只放格號和一個短運鏡詞。後來改用 ChatGPT（gpt-image），因為它塞得下每格三行繁中小字，而且全部讀得出來。這次沒看出這些字對 H3 有幫助，我把它們當成給你自己、或幫你寫時間軸的模型看的；下一步要照著它抄。

我給 ChatGPT 的 prompt 長這樣（節錄，不用照抄，講清楚格數、每格要寫什麼、起承轉合怎麼分就好）：

主題：電影分鏡表，月夜竹林，一位古風成年女劍客（黑長髮束高馬尾、月白交領長衫、墨青腰帶、細長直劍）。
故事約 10 秒：靜立 → 拔劍 → 旋身 → 劍光掃過竹葉、竹葉紛飛 → 收劍 → 回望鏡頭。

版面：直式整頁分鏡表，4 列 × 4 欄共 16 格，每格 16:9 畫面。每格上方小標「鏡 01」到「鏡 16」，
每格下方三行小字（繁體中文）：
第 1 行「運鏡：」接一個運鏡詞（遠景、中景、近景、特寫、大特寫、推近、拉遠、環繞、仰角、俯角、跟拍、定格）
第 2 行「畫面：」接一句動作描述
第 3 行「導演：」接一句批註（節奏、光線、情緒）
16 格要有起承轉合：前 4 格建立場景與人物、5–8 格拔劍蓄勢、9–12 格旋身與劍光高潮、13–16 格收劍回望與餘韻。
運鏡要有變化，不要連續三格同景別。

文字要求：所有字為繁體中文、清晰可讀；格內畫面裡不要出現文字。
避免：格數不是 16、人物在不同格換臉換衣服、文字溢出格框、手指與劍柄畸形。

出來是 1122×1402、16 格，每格三行字都清楚，格內畫面也沒有字。

步驟二：角色設定圖另外生，拿分鏡表當參考

16 格塞在一張圖裡，每個人都很小。H3 會把參考圖縮到跟輸出差不多的尺寸，以正方形的分鏡表來說大約是 1024×1024，切成 4×4 之後每格只剩約 256×256，臉根本看不清楚。所以跟 Seedance 那邊一樣，角色要另外給一張。

我讓 ChatGPT 拿剛才那張分鏡表當參考圖，生同一個人的角色設定圖（一樣不用照抄）：

參考附圖分鏡表裡的女劍客，做她的「角色設定圖」，臉、髮型、服裝必須和分鏡表同一人。

版面：橫式 16:9，淺灰白底，左側三個全身視角（正面、四分之三側、背面）並排，右上一張臉部特寫，
右下一列配件分解（直劍連劍鞘、墨青腰帶、髮帶），最下方一條色票（月白、墨青、黑、銀）。
避免：多個視角臉不一樣、服裝前後不一致、多出手指、背景雜物、浮水印。

出來是 1672×941，三個視角加臉部特寫，跟分鏡表是同一個人。只有一個小差：角色圖多畫了一雙黑靴，分鏡表裡腳大多被衣襬遮住。拍出來沒差。

步驟三：把 16 格拆成逐格時間軸，照官方鏡頭表格式寫

這一步就是線上服務幫你做掉的那一層。MiniMax 官方 repo 裡 H3 的短片 skill 有一份鏡頭表規格 shot-table-spec，搭配同目錄的 storyboard-guidelines 一起看，講得很明白：一切以文字分鏡為準，分鏡圖是每個鏡頭一張、每秒一格，主要是給人審的。也就是說，官方本來就沒打算讓模型自己看圖猜順序。

規格裡每個鏡頭要寫五件事：

1. 動作、姿勢、表情
2. 運鏡
3. 人在畫面的哪裡
4. 聲音
5. 交接：這一格結束時是什麼狀態，下一格從哪裡接

再加上前後兩個方向的交接說明，和一組固定錨點（不會動的地標、人的位置和朝向、光從哪來）。

我沒有自己一格一格寫，是叫一個會看圖的 AI 模型（我用的是自己機器上跑的本地模型）讀整張分鏡表，外加四張按列放大的裁圖，照這份規格把 16 格填成鏡頭表。第一輪它把繁中字讀成英文、還漏了欄位，第二輪要它照繁中原文補齊。你用 ChatGPT 或其他看得懂圖的模型做一樣，重點是一定要自己再看一遍，我手動改了五處：

• 左手右手寫反的地方改掉
• 第 6 格補上「正面中景」
• 第 8 格補上「重心下沉」
• 第 13 格原本寫「已入鞘或垂劍」，模稜兩可，改成「垂著出鞘的劍」
• 第 15 格原本寫人「消失」，改成「背影還在」

最後兩條都是道具和人的狀態。模型給的描述只要留了兩種可能，H3 就可能兩種都拍，或拍錯順序。

鏡頭表寫好之後，要轉成 H3 看得懂的 prompt。為什麼要這麼麻煩？因為 H3 不會看圖排順序，它只照文字走，所以要把「第幾秒拍什麼」一條一條寫給它，像拍片用的劇本。

這一步也可以直接叫看圖模型做。我給它的要求大概是這樣，不用照抄，講清楚要什麼就好：

讀這張 16 格分鏡表，照由左到右、由上到下的順序，把每一格寫成一段：
從第幾秒開始、拍什麼景、人在做什麼、鏡頭怎麼動、這一格結束時人和劍是什麼狀態。
第一張圖是分鏡表，第二張圖是角色長相。看不清楚的地方寫「看不清楚」，不要自己編。

寫成 prompt 之後長這樣，拿第 13、14 格當例子（我實際送的是英文，這裡翻成中文好讀，英文原文放在進階）：

第一張圖是 4×4 分鏡表，由左到右、由上到下對應鏡 1 到鏡 16；第二張圖只管女劍客的長相。

鏡 13｜從 7.594 秒開始｜中景｜女劍客站穩，劍尖朝下，衣袖慢慢落下｜鏡頭不動
  結束時：她垂著出鞘的劍站好，準備收劍。
鏡 14｜從 8.227 秒開始｜大特寫｜雙手把劍平順地收進鞘裡
  結束時：劍完全入鞘，手放在劍柄和劍鞘上。從這格之後到最後一格，劍都在鞘裡。

一樣不用照抄。要講清楚的只有三件事：

• 哪張圖管什麼：Picture 1 是分鏡表、照列由左到右對應 Shot 1 到 16；Picture 2 只管長相。
• 每格從第幾秒開始：像上面的「從 7.594 秒開始」
• 每格結束時人和道具的狀態：尤其是劍出鞘還是入鞘。我在總述裡多寫了一句「第 14 格之後劍一直在鞘裡」，就是為了擋入鞘後下一鏡又冒出裸劍。

時間怎麼算：10.125 秒除以 16 格，每格 0.633 秒。官方 repo 裡做 MV 的另一個 skill 是用每鏡 2 到 5 秒在接片，我這次是刻意塞爆、看它極限在哪。你自己做的話，10 秒放少一點格，應該會更好對。

步驟四：接 Ref2VA，Picture 1 給分鏡表、Picture 2 給角色圖

最後把兩張圖和這份 prompt 一起交給 H3。H3 的參考圖節點叫 Ref2VA，沒裝過的話，Part 6 有從頭接一次的過程。ComfyUI 的接法：

分鏡表   ─→ Ref2VA.ref_images 第 1 張（Picture 1）
角色圖   ─→ Ref2VA.ref_images 第 2 張（Picture 2）
逐格 prompt ─→ Ref2VA.prompt
Ref2VA.positive ─→ BasicGuider ─→ SamplerCustomAdvanced

參考圖的順序要跟 prompt 裡的 <Picture 1>、<Picture 2> 對上。ref_image_size 設 match，參考圖會縮到跟輸出差不多大。

會影響結果的設定：

項目	設定
模型	minimax_h3_ref2va_pruned_nvfp4.safetensors，文字編碼器 qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
輸出	1344×768、24fps、243 幀（10.125 秒），video 和 audio VAE 都接，會生音軌
採樣	14 步、res_multistep / simple、shift video 12 / audio 3、BasicGuider
seed	20261025，所有組別都一樣

這一發在 5090 上 ComfyUI 端 339.9 秒。

如果你是用 API 送 workflow，不是在畫面上拉線，參考圖的寫法有個坑：巢狀寫法會被靜默忽略、不報錯，片照樣生得出來，只是沒吃到參考圖。正確寫法和我怎麼發現的放在進階。

哪種做法不行：一句話、只給文字、分鏡表上的字

• 分鏡表加一句話：2/16、3/16。整支片在差不多的景別裡反覆旋身，沒有開場遠景，也沒有收劍回望。那一招是給線上服務用的，本地 H3 沒有幫你拆分鏡的那一層。
• 指望 H3 讀分鏡表上的字：ChatGPT 版每格三行繁中，Qwen 版只有短詞，一句話的結果差不多，都是兩三格。好消息是三組都沒有把格線、格號或文字畫進畫面。
• 只給文字時間軸、不給參考圖：順序對得不錯（12/16），但人換了臉也換了髮型。只要有給角色圖的組別，人物的整體造型都保住了，臉的細節略有差異，目前沒看到人物崩掉。

另外我也試過把分鏡表切成單格、用 Continuum 分段餵關鍵格，結果是 13/16，跟整張分鏡表一樣，還多了一個 8 秒處的硬切，這次不值得多花那個功夫，細節放在進階。

S6 那 13 格以外，沒對上的是第 2 格（中景拍成了全身遠景）、第 6 格（正面拔劍有改善，但頭被切掉，不算）和第 12 格（還是沒有竹葉紛飛）。

進階：七組完整紀錄

不讀這節不影響使用。這裡是七組各自改了什麼、看到什麼，給想深追或要把整篇丟給 AI 參考的人。全部組別都是同一個 seed（20261025）、同一個故事、各跑一發。

七組結果表：一句話 2–3 格，逐格時間軸 12–14 格

組	輸入	對上	ComfyUI 秒數
S0	純文字時間軸，不給參考圖	12/16	301.5
S1	Qwen 分鏡表＋Qwen 定裝圖，一句話	2/16	326.3
S2	Qwen 分鏡表＋定裝圖＋完整時間軸	14/16	332.7
S3	ChatGPT 分鏡表＋ChatGPT 角色圖，一句話（與 S1 同一句）	3/16	324.3
S4	ChatGPT 分鏡表＋角色圖＋16 格時間軸（逐格抄運鏡和畫面）	12/16	325.7
S5c	16 格切開，挑 8 張關鍵格＋角色圖，Continuum 三段各 4 秒、Per chunk	13/16	378.5（12 秒片）
S6	同 S4 的輸入，prompt 改照官方鏡頭表規格寫	13/16	339.9

S0–S2 和 S3–S6 用的是兩張不同的分鏡表，各自有自己的 16 格，所以 S2 的 14/16 跟 S6 的 13/16 不能直接比高下，只能在同一張表內比。S5c 輸出 288 幀、12.0 秒，其他組都是 243 幀、10.125 秒。

Qwen 那張分鏡表是 Qwen-Image 2.1（int8、40 步 euler / simple、CFG 1.0）生的 2048×2048，格內只有格號和短運鏡詞，第 16 格的短詞有錯字我沒修；定裝圖同設定生 1536×1536。

一句話為什麼只有兩三格

S1 和 S3 的片很像：從頭到尾在相近景別裡反覆旋身，沒有開場遠景、沒有收劍、沒有回望。H3 把整張網格當成「一張」參考圖，它拿走的是人物、服裝、色調和姿態；這兩次一句話的測試，都沒有照 16 格的順序拍。

我原本以為 ChatGPT 版分鏡表寫滿了字，H3 會讀得懂，結果 S3 跟 S1 一樣只有兩三格。這次看來，字的用處是讓人（和看圖模型）抄成時間軸。

S2 和 S4：逐格抄成時間軸，就跳到 12–14 格

S2 拍出來的順序是：遠景 → 背面跟拍 → 中景持鞘 → 臉特寫 → 握柄插入 → 仰拍舉劍 → 旋身 → 劍刃高光 → 竹葉微距 → 收勢 → 越肩回望 → 背面遠景。沒中的是第 6 格（側面中景半拔劍）和第 14 格（入鞘）：第 14 格畫面裡有黑色劍鞘，但露出的劍刃越來越長，比較像在拔劍。

S4 前 5 格全中（遠景、站立、側臉、握柄、出鞘大特寫）。沒中的四格：

• 第 6 格：左手扶鞘、正面拔劍
• 第 8 格：俯角、腳步下沉
• 第 12 格：竹葉紛飛的高潮
• 第 13 格：垂劍站穩出現在入鞘之後，順序錯

入鞘之後，下一鏡又出現裸劍。

S4 的 prompt 是逐格抄分鏡表上的「運鏡」和「畫面」那兩行，沒有寫每格結束時的狀態，結果入鞘之後下一鏡又冒出裸劍。這就是 S6 要補的東西。

S5c：切格塞 Continuum，每段至少 4 秒、全片只有 9 個槽

想法是：既然 H3 不會自己切網格，那我先切好，每一段只給那段該用的關鍵格。

用的是 Continuum V3.9，碰到兩個限制：

• 每段最少 4 秒。 我原本想每 2 秒一段，送出去直接 HTTP 400：Value 2.0 smaller than min of 4.0。
• Reference Images 全片只有 9 個槽。 Per chunk 不是每段各有一組槽，只是指定某個槽在哪一段生效。

我第一版（S5b）在工單上寫「8 張關鍵格」，實際列了 9 張，加角色圖變 10 張，被擋下來。改成三段、每段 4 秒，總長 12 秒，槽位這樣分：

槽	內容	生效段
R1、R2	鏡 01、鏡 05	段 1
R3、R4、R5	鏡 07、鏡 09、鏡 10	段 2
R6、R7、R8	鏡 11、鏡 14、鏡 16	段 3
R9	角色圖	三段都生效

結果 13/16。好的地方：第 14 格的入鞘比 S4 完整（S4 也有局部入鞘），9.25 秒還是一長段露刃，10.17 秒剩很短，10.33 秒劍格合上鞘口、雙手定住；第 13、14 格的順序也修好了。壞的地方：

• 10.79 秒下一鏡又是裸劍
• 段 2 和段 3 的接點在 f192（8.0 秒）硬切，而且橫掃動作重複一次。接點那一格前後的平均絕對差（MAD）是 52.3，全片中位數的 8.28 倍
• 第 11 格有專屬的參考圖，還是漏拍

跟 S6 同樣 13/16，S6 還不用處理接點。

S6 跟 S4 比：哪幾格變好、哪幾格變差

S6 的輸入跟 S4 完全一樣（同一張分鏡表、同一張角色圖、同 seed），只換 prompt 寫法。鏡頭表是 Hina 寫的，Hina 是我在 ai-lab 機器上跑的本地看圖模型。它讀整張 ChatGPT 分鏡表加四張按列放大的裁圖，依官方 shot-table-spec 每格寫五件事（動作姿勢表情、運鏡、空間位置、聲音、交接），加上雙向的 Continuity Handoff 和 Reference Anchors（固定地標、人物位置朝向、光源）。

第一輪 79.8 秒寫完，但把繁中字讀成英文、漏了欄位；第二輪才照繁中原文補齊。人工改的五處見第一幕步驟三。

逐格跟 S4 比：

格	S6 vs S4
第 8 格	變好：屈膝低身，看得到錯開的兩條腿和靴子
第 13 格	變好：先垂劍站穩，再入鞘，順序對了
入鞘之後	變好：不再出現裸劍，第 15 格手中是暗色長鞘
第 2 格	變差：中景拍成了全身遠景
第 6 格	部分改善，但頭被切掉，仍不計
第 12 格	沒變：還是沒有竹葉紛飛

變好的三項都是道具和姿勢的「狀態」，正好是 S4 沒寫、S6 每格交接有寫的東西。

S6 實際送出的英文 prompt 節錄

第一幕步驟三的中文例子，原文長這樣。H3 的 prompt 有固定段落：subject_definitions（誰是誰、哪張圖是什麼）、summary、retention_analysis（哪些要保留）、detailed_description（逐格內容）、overall_soundscape、non_diegetic_music。

subject_definitions:
<Subject 1> is the adult swordswoman from <Picture 2>. ...
<Picture 1> is the original four-by-four storyboard sheet: its sixteen panels, read row by row,
map in order to [Shot 1] through [Shot 16], specifying composition, action, camera viewpoint
and shot order. <Picture 2> supplies only the identity reference of <Subject 1>.

detailed_description:
... Each interval ends in the specified pose and prop state for the next shot; after [Shot 14],
the sword stays fully enclosed in its scabbard through the final frame.
[Shot 13] At 00:07.594, the camera cuts to Medium shot of <Subject 1> standing steady with her
sword pointing down, her robes settling. The camera holds a static shot. ... At the handoff,
she stands steady with the bare sword lowered, ready to sheath it.
[Shot 14] At 00:08.227, the camera cuts to Extreme close-up of <Subject 1>'s hands sheathing
the sword smoothly into the scabbard. ... At the handoff, the sword is fully sheathed,
hands resting on the hilt/scabbard.

坑一：Autogrow 參考圖寫成巢狀 dict，會被靜默忽略

Ref2VA 的參考圖輸入是 ComfyUI v3 的 Autogrow（接一張就多長一個插槽）。用 API 送 workflow 時，寫成巢狀物件會被動態 schema 直接略過，不報錯：

"ref_images": {
  "ref_image_0": ["20", 0],
  "ref_image_1": ["21", 0]
}

要寫成頂層的 dotted key，這是 S6 實際送出的寫法：

"ref_image_size": "match",
"ref_images.ref_image_0": ["20", 0],
"ref_images.ref_image_1": ["21", 0]

第一版 S1 就是巢狀寫法，片照樣生得出來，事後才發現根本沒吃到參考圖；表裡的 S1 是改正後重跑的那一發。

坑二：codex exec -i 會把 prompt 吃成第二張圖

我是透過 codex exec --enable image_generation 叫 ChatGPT 生圖的。生角色圖要附上分鏡表當參考，第一次這樣寫：

codex exec --enable image_generation -i storyboard.png "參考附圖分鏡表裡的女劍客……"

它把後面那串 prompt 也當成一張圖，回 No prompt provided via stdin。要改成用 - 從 stdin 讀 prompt；不在 git repo 裡跑還要加 --skip-git-repo-check：

codex exec --enable image_generation --skip-git-repo-check -i storyboard.png - < prompt.txt

這次測試的邊界

• 每一組只跑一發，seed 全部是 20261025，換 seed 結果會不會一樣我沒測。
• 只有一個故事（月夜竹林女劍客、靜立到回望）。換成有對白、多角色或鏡頭大幅移動的題材，沒試過。
• S0–S2 和 S3–S6 的分鏡內容不同，跨兩組的格數不是同題排名。
• 16 格塞 10.125 秒，每格 0.633 秒，遠低於官方 MV skill 接片用的每鏡 2 到 5 秒，是刻意加壓的條件。
• 「對上」是我看 16 幀和分鏡表並排逐格判的，主要構圖和動作出現、順序接得上才算，部分符合一律不算。

相關

• 同系列 Part 12：真人舞蹈轉成深度影片，讓 MiniMax-H3 的古風角色在宮殿跳同一段舞
• 同系列 Part 11：拿掉霧轉場，MiniMax-H3 一鏡飛完 25 秒台灣 FPV
• 同系列 Part 6：兩張人設圖餵進去，MiniMax-H3 Ref2VA 入門