一键直出3分钟一集短剧,MiniMax测试实录,小白可用

一、整体架构：一个人 + ComfyUI + H3

整个流程是一条链：

角色定妆图 + 场景空镜（参考图）
        ↓
H3OneNode（魔改版，Chain 模式）一个节点装整集 22 镜
        ↓ 每段：六段式提示词 + 时长 + 参考图
点 Generate → 内部展开 314 节点工作流 → 逐段渲染 + 运动衔接
        ↓
自动拼接 → 完整一集

核心是 MiniMax 的 Ref2VA（参考图生成视频） 能力：给它角色图、场景图，它就能让指定角色在指定场景里动起来、说话、运镜。这正是剧情短剧需要的——人物一致、场景一致、对话对口型。而 H3OneNode 的 Chain 模式把这个能力包装成"一个节点装整集"的一键直出体验。

二、测试环境（照抄可用）

三、工作流：一个节点搞定整集（ALL in ONE + Chain）

这才是真正的"一键直出"——**不是搭 18 个节点连线，而是用 H3OneNode 一个节点，把整集 22 镜全装进去**。

3.1 选对版本：魔改版才有 Chain 参考图

ALL in ONE 节点有两个版本，**必须用魔改版（AIFSH）**：

• ✅ 魔改版 = ComfyUI-ALLinONE-MinimaxH3-AIFSH：有 Audio Lock 音频锁、音频驱动长视频、Chain 模式每段参考图
• ⚠️ 官方版 = ComfyUI-ALLinONE-MinimaxH3：基础版，Chain 模式根本没有参考图上传位——做不了短剧
• 判断方法
  ：节点面板里有 Audio Lock 开关 = 魔改版

3.2 H3OneNode 节点结构（Chain 模式）

画布上只有一个大节点 ALL in ONE MiniMaxH3，面板分几块：

3.3 Chain 模式怎么用（核心）

Chain = 链式生成整集：一个节点管理多段 clip，点一次 Generate，逐段渲染 + Motion Context 运动衔接自动拼接，副标题原话：Clips generated in sequence, stitched with motion-context continuity.

操作流程（第1集 22 镜真实做法）：

1. 切到 Chain 模式
   （点模式栏的"链"）
2. 上传参考图到 Motion Context
   （Add image，按顺序传角色图+场景图）
   
3. + Add clip 加到 22 段
   
4. 每段填提示词 + 时长
   ： 提示词：六段式（见下节），每镜一份
• 时长：镜01=6s、镜02=8s…按分镜表（duration 字段）填入每一段的提示词，六段式英文提示词，官方skill,提示词可以叫agent帮你写。
•  加载四部加速lora

• 
• 注意：路径含 / 会当子目录，渲染后要确认文件真落盘

四、提示词怎么写：官方六段式

这是整个流程最核心、最容易错的部分。H3 的参考图视频，提示词要求六段式，每段管一件事：

对象标记：<Subject N> 怎么用

参考图里的每一个"人/物/场景"都要在 subject_definitions 里起一个名字。规则：

• <Subject 1>、<Subject 2>、<Subject 3>
  ：按出场顺序编号
• <Picture 1>、<Picture 2>、<Picture 3>
  ：对应你上传的第 1/2/3 张参考图
• 每定义一个 Subject，必须写清"长什么样 + 对应哪张图"，例如：

<Subject 1> is Li Wei in <Picture 1>, a thin young Chinese man in his late 20s
with long messy black hair reaching past his shoulders, a pale thin face and
dark circles under his eyes, wearing a loose grey-green t-shirt and black pants.

环境标记：场景也是 Subject

环境（房间/背景）必须单独定义，和角色一样用 <Subject N>，否则画面背景会自由漂移——这是场景一致性的唯一保障：

<Subject 3> is the bedroom environment in <Picture 3>, a dim cluttered room
with dark grey curtains in the center, a bed on the right, a desk on the left
with a purple-backlit keyboard, and trash on the floor.

⚠️ 血泪教训：单张场景空镜约束不住切镜后的背景。每个关键场景至少 3 张不同机位的空镜（门口/床边/书桌角）一起做参考图，切换机位时背景才不会漂到车间、更衣室去。

说话在哪：<d> 对话标记

台词必须用 <d>[语言] 内容</d> 标签包起来，模型才知道"这里要出声说话"：

<Subject 2> (S2), the father with short grey-streaked hair... His trembling finger
points at his son. He shouts in a deep, furious male voice shaking with anger,
<d>[Chinese] 你碍着我了！我李建华怎么就生了你这么个没出息的儿子！</d>

规则：

• (S2)
  ：说话人 ID，谁说话标谁，全片不变
• <d>[Chinese]
  ：语言标签 + 台词原话，**逐字保留**，不要翻译
• 角色动作/语气写在 <d> 外面
  ，<d> 里只放台词本身

旁白在哪：off-screen voiceover

旁白（画外音）用精确短语 says in an off-screen voiceover，而且必须写"嘴唇不动"，否则模型会给旁白配上一个乱动的嘴：

The narrator (S3) says in an off-screen voiceover:
<d>[Chinese] 三年了，他把自己关在这间屋里。</d>
while his lips remain completely closed.

⚠️ 血泪教训：旁白和台词必须分开写、分开标 ID。把"冲出房间"这种动作写进旁白、或把旁白和父亲的台词混在一段里，成片就会听到父亲的声音在读旁白，甚至旁白突然变成女声。

音效在哪：overall_soundscape

物理音效（门响、咳嗽、环境声）**不写进台词**，单独写在 overall_soundscape 段：

overall_soundscape: The low hum of the computer and room tone persist throughout.
The father's heavy breathing and the creak of the gaming chair punctuate the
tense silence between their lines.

真实段落拆解：镜08 父子对峙（完整示例）

我们第1集镜08的完整提示词（父子对峙那场戏）：

① 定义三个对象（李伟 + 父亲 + 卧室）：

subject_definitions:
<Subject 1> is Li Wei in <Picture 1>, ...long messy black hair... grey-green t-shirt...
<Subject 2> is the father Li Jianhua in <Picture 2>, ...short grey-streaked hair... blue work shirt...
<Subject 3> is the bedroom environment in <Picture 3>, ...dark grey curtains... purple-backlit keyboard...

② summary（一句话剧情）：

summary:
[reference generation] The target video shows <Subject 1> and <Subject 2> confronting
each other inside <Subject 3>. <Subject 1> defends himself from his gaming chair while
<Subject 2> stands at the door pointing and shouting.

③ retention_analysis（保真声明）：

retention_analysis:
<Subject 1> ... fully_preserved - Li Wei's long hair, pale thin face, grey-green t-shirt...
<Subject 2> ... fully_preserved - the father's short grey hair, weathered face, blue work shirt...
<Subject 3> ... fully_preserved - the same bedroom with dark grey curtains, bed, desk...

④ detailed_description（分镜剧本 + 对话标记）：

detailed_description:
[Shot 1] A medium shot establishes <Subject 3>, the dim cluttered bedroom...
<Subject 1> (S1) sits half-turned in the gaming chair, neck craned defiantly toward the door.
He shoots back at his father in a low male voice, defensive but trembling with guilt,
speaking at a fast rate, <d>[Chinese] 我怎么了？我没偷没抢，在家待着碍着谁了？</d>
He clenches his t-shirt hem nervously as the camera pushes in slightly.
[Shot 2] At 00:04.000, the shot cuts to a close-up of <Subject 2> (S2)...
He shouts in a deep, furious male voice shaking with anger,
<d>[Chinese] 你碍着我了！我李建华怎么就生了你这么个没出息的儿子！
我像你这么大的时候，你都能打酱油了！你呢？连自己都养不活！</d>
His hand trembles with rage. The camera holds the static close-up on his furious face.

⑤ overall_soundscape（音效分层）：

overall_soundscape: The low hum of the computer and room tone persist throughout.
The father's heavy breathing and the creak of the gaming chair punctuate the tense silence.

⑥ non_diegetic_music（配乐）：

non_diegetic_music: A low, tense string pulse at a moderate tempo, rising slightly
during the father's outburst, then fading under the held close-up.

这六段写完，一镜的提示词就齐了。 关键记住：对象用 <Subject N>、环境也是 <Subject N>、对话用 <d>[Chinese]、旁白用 off-screen voiceover + lips closed、音效只进 overall_soundscape。

四点五、参考图上传顺序与引用（必看）

很多人在这一步翻车：图传了、提示词写了，但角色串了、场景错了——**因为图片编号没对上**。

顺序：<Picture N> = 你上传的第 N 张图

图片编号就是上传顺序，第 1 张上传的就是 <Picture 1>，第 2 张是 <Picture 2>，以此类推。

以镜08（父子对峙）为例，我们在 H3OneNode（Chain 模式）的 Motion Context 区按这个顺序上传 3 张（第 1 张传的就是 <Picture 1>）：

标记：<Subject N> = 你在 subject_definitions 里定义的第 N 个对象

定义顺序也不可乱，必须和图片顺序一一对应：

subject_definitions:
<Subject 1> is Li Wei in <Picture 1>, ...   ← 第1个定义 → 引用第1张图（李伟）
<Subject 2> is the father in <Picture 2>, ... ← 第2个定义 → 引用第2张图（父亲）
<Subject 3> is the bedroom in <Picture 3>, ... ← 第3个定义 → 引用第3张图（卧室）

编号规律：<Subject N> 的 N 通常和 <Picture N> 的 N 一致——第 N 个角色 = 第 N 张图。官方允许一个角色来自多张图（appearance from <Picture 1> and motion from <Video 1>），但短剧最稳妥的写法就是 1 对 1。

引用：后面三处都用同一套编号

编号一旦定义，summary / retention_analysis / detailed_description 里全部复用，不能中途改名：

summary:
The target video shows <Subject 1> and <Subject 2> confronting inside <Subject 3>.
detailed_description:
[Shot 1] ... <Subject 1> (S1) sits in the gaming chair... <d>[Chinese] 我怎么了？</d>
[Shot 2] ... <Subject 2> (S2) shouts... <d>[Chinese] 你碍着我了！</d>

踩坑案例（我们真实遇到的）

第1集早期版本，镜06/19 上传参考图时把毕业典礼和客厅的顺序传反了，结果提示词里写 <Picture 1> 毕业典礼，实际第 1 张却是客厅——成片场景直接错乱。**核对方法**：提交前逐个看 Motion Context 区上传的图片文件名（点缩略图看），确认和提示词里 <Picture N> 一一对应。

五、四个真实踩过的坑（重点）

坑1：场景图只给一张，空间直接漂移

这是最隐蔽最致命的。我每个场景只生成 1 张空镜图。结果父亲破门那镜，H3 把卧室理解成"书架+衣柜"版本；母亲端面条进来那镜，画面里突然多出一扇"通向另一个房间的门"。

一张场景图覆盖不了多个机位。 同一个卧室，门口视角、床边视角、书桌视角，家具布局完全不同。H3 每次切镜都拿那唯一一张图当"场景真相"，自然就飘了。

正确做法：每个重复出现的室内场景，至少生成 3 张不同机位的空镜（门口/床边全景/书桌角），全部作为参考图传进去，并在提示词里写明本镜用哪个视角。

坑2：动作写成旁白，观众听到的是"念稿"

“像冲出房间，这种明明就是动作，你也用旁白讲出来，你的提示词很有问题。”

镜18 本来是李伟听到客厅咳嗽、猛地冲出房间。我却在提示词里把"冲出房间"写进了旁白叙述。结果模型用旁白音色把这句话念出来，观众听到的是"李伟冲出房间"的画外音，而不是看到他冲出去。

物理动作只能写在视觉描述里（camera/动作），绝不进对话标签，也绝不写成旁白。

坑3：音效和台词写在一起，声音串轨

镜07 父亲破门，我既在画面描述里写"门被猛推开一声巨响"，又在环境声段重复写"门撞墙巨响"，还把父亲的怒吼台词放同一镜。结果渲染出来，旁白和父亲的声音混在一起，全成了父亲音色在读。

物理音效（巨响、咳嗽、碗放桌）只写在 overall_soundscape 段，和台词严格分层，绝不写进同一句。

坑4：别人台词借位到主角镜，旁白变女声

镜18 是李伟的卧室镜，我却把母亲在客厅的台词"老李！老李你怎么了！“写进这镜的对话里，还标了女声。观众在李伟卧室里突然听到陌生女声，像"旁白变成了女声”。

谁的台词，写在谁实际出声的那一镜。主角镜不借位别人的台词。全剧旁白音色在开头锁死一个，全程不变。

六、还有两个技术问题

1. 提示词格式不对，人物形象全崩

我一开始用自己理解的"一段式"描述，结果李伟中长发变短发、父亲加灰外套、背景漂移。改成官方六段式 + 角色 exactly as <Picture N> 锁定后，人物一致性立刻稳住。

2. ComfyUI 核心 bug

加"关键帧锚定"节点时，渲染直接报 shape invalid for input size 的 latent 错误。查官方兼容文档发现，这是 ComfyUI 在 2026-08-06 到 08-13 之间的 R2V 核心 bug，官方在 08-13 的提交 e01fb4c 修复了。

解决方法：更新 ComfyUI 核心（git fetch + git pull 到最新，重启服务）。如果你也遇到 H3 参考图视频报 latent 形状错误，先别怀疑自己，去查 ComfyUI 版本。

七、H3OneNode：一键直出的真相

很多读者会问：这一个节点，怎么就能生成整集？

机制：H3OneNode（魔改版）不是"真只有一个节点干活"——你点 Generate，它内部自动展开成完整的 22 段工作流（每段 = 采样链 + Motion Context 衔接），逐段渲染再拼接。前端一个节点，后端 300+ 节点。

我们用 fetch 拦截实测了它真实提交给后端的 API 工作流：

H3OneNode（Chain模式，22段）
    ↓ 点 Generate，内部展开
314 个节点（22段 × 每段采样链 + 模型加载 + Motion Context 衔接）
    ↓ 逐段渲染 + motion-context 运动衔接
完整一集 2分49秒

真实数据验证：拦截 POST /prompt 拿到的 API 工作流 = 314 节点、145KB，里面每一镜的提示词、参考图（ref_images）、分辨率、步数都是节点真实构建的，不是手写的——可以直接提交给 ComfyUI 后台渲染。

节点展开后的关键节点（抽查）：

这就是"一键直出 3 分钟一集"的真相：你只面对一个节点，复杂全在它内部。

八、一集避坑指南（直接抄）

把上面所有教训浓缩成一份清单，下一集生产前对着过一遍：

生图阶段

2. 每个重复室内场景，生成 ≥3 张不同机位空镜（门口/床边/书桌角），不是 1 张
4. 多张空镜之间家具布局必须一致，是同一房间的不同角度

提示词阶段 3. 用官方六段式，角色后必写 exactly as <Picture N> + 锁外貌/服装 4. 物理动作（冲/走/推/倒）只写视觉段，不进对话、不写旁白 5. 音效（巨响/咳嗽/碗声）只写 overall_soundscape，不和台词同行 6. 谁的台词写在谁出声的镜，不借位；旁白音色全剧锁死一个

技术阶段 7. ComfyUI 报 latent 形状错误 → 先 git pull 更新核心到最新 8. 单镜先测 1 镜验证，再批量提交；渲染完逐镜抽帧核验

核验阶段 9. 每镜抽帧检查：人物发型/服装一致？场景背景没漂移？声音没串轨？ 10. 发现问题只重渲那一镜，不必整集重来

九、成品与下一步

第一集最终成片 2分49秒、 竖屏、41MB，22 个镜头全部渲染成功。人物一致性达标，但场景空间漂移和声音串轨的问题，已经全部写进生产规范，下一集直接规避。

AI 短剧现在就能跑通"一人一显卡一晚上出一集"的工作流。瓶颈不在模型，在你把故事、参考图、提示词三件事对齐的能力。

这份避坑指南，就是帮你跨过那道门槛的。有什么好的方法，欢迎推荐，有什么问题还有交流。 要测试工作流的留言。

作者：AI老骥