8.8 KiB
8.8 KiB
本地案例核对：2026-10-28 三部两分钟短剧
核对范围：只读取本地已完成工程与实际提交的 API JSON，未请求 ComfyUI 服务器、未发起生成。以下“已验证”仅指这个项目、这些模型组合和输出规格。三部片是三个独立故事，不能据此宣称已经验证同一角色跨多集、跨服装与跨年龄的稳定性。
1. 实际生产链与模型
实际生产链为：剧本/镜头表 → 内置 image_gen 生成、参考编辑人物和场景图 → Python 调用远端 ComfyUI 的 H3 图生视频 → 抽帧/离线 ASR/视觉审阅 → 补拍或合理裁切 → 本地 FFmpeg 编排、字幕和混音 → 成片与验收记录。
- 参考图由内置 image_gen 生成与编辑，不能写成“所有环节都在 ComfyUI 内完成”。C03 的记录是项目根目录
imagegen_prompts.json，不是assets/imagegen_prompts.json。 - 本批没有训练人物 LoRA。实际加载的两种 LoRA 都是 H3 的 Turbo 加速用途；它们不等于人物身份训练。
- 画面、原生普通话、口型与环境声由 H3 联合生成，但仍需检查说话者、台词、开口时机、口型和意外发声。
- 原生声音的一致性未作人耳音色评价；ASR 与电平测量不能替代声线、表演与听感判断。
| 项目 | 实际文件或参数 |
|---|---|
| 底稿来源 | production_pack_20260904/03_generation_cinematic/01_minimax_h3_i2v_base.json，本地勘查记录写明从保存的 H3 子图展开 |
| 主模型 | minimax_h3_fl2va_pruned_int8_convrot.safetensors |
| 文本/视觉编码器 | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors |
| 视频 VAE | minimax_h3_video_vae_fp16.safetensors |
| 音频 VAE | minimax_h3_audio_vae_fp32.safetensors |
| 对白镜加速 LoRA | minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors，强度 1.0，8 steps |
| 静默/物件镜加速 LoRA | minimax_h3_fl2v_turbo_4step_v1.2_768p_comfyui_bf16.safetensors，强度 1.0，4 steps |
| 图生视频节点 | LoadImage → MiniMaxH3ImageToVideo，参考图接 first_frame |
| 采样部分 | RandomNoise + BasicGuider + KSamplerSelect(res_multistep) + BasicScheduler(simple, denoise=1.0) → SamplerCustomAdvanced |
| 解码/保存 | VAEDecode、VAEDecodeAudio → CreateVideo → SaveVideo |
| 单镜源片 | 960×544、192 帧、24fps，即 8.000 秒；随机种子逐次设置 |
| 成片 | 120.000 秒、960×540、24fps、H.264/AAC 双声道 32kHz；有效宽画面 960×408，上下各 66 像素黑边 |
注意：这里使用 BasicGuider，图中没有普通 KSampler 的 CFG 数值和正/负条件组合，不能把 SD 系教程的“CFG 7、负面词”等按钮照搬到这张 H3 图上。限制项是写在该模型的提示词中，具体能力以节点和模型文档为准。
2. 已验证与后续系列 SOP 的边界
| 主题 | 本机/本批已验证 | 推荐 SOP 或仍需另测 |
|---|---|---|
| 镜头长度 | 每片 15×8 秒，时间线严格 120 秒 | 8 秒是这批项目的选择；连续剧应按表演、信息量与模型支持范围安排镜头长度，不能机械地每镜 8 秒 |
| 角色连续性 | 同一组参考图、服装与场景约束维持单片人物，仍发现局部漂移 | 连续剧需建立角色/服装/场景/道具/声线资产库与每集状态表；同脸跨集、变装和极端角度需专项测试 |
| LoRA | 已验证上述 Turbo 8/4 步组合用于加速 | 人物 LoRA 训练及与本模型的兼容性未在本批验证；不能把任意人物/风格 LoRA 直接叠进 H3 |
| 分辨率 | 源片 960×544，交付 960×540 | 1080p、4K、上采样与插帧没有作为这批成片路线验收；放大文件尺寸不等于增加真实细节 |
| 声音 | 原生音画、离线 ASR、真实时码、响度/峰值检查 | 多集固定声线仍需参考音频/配音/口型等路线专项验证及人耳审听 |
| 队列 | 单 GPU 串行，由一份中央调度提交；CPU 前期/质检/后期并行 | 连续剧按小批次推进，先用 2–3 镜测试正反打、对白与关键动作，再扩至一集；不要一口气生成整季 |
| 显存处理 | 每次提交前确认 running/pending 队列都空，才执行显式 idle-only /free |
这是该设备历史 OOM 下的项目策略，不能写成通用“每镜必清显存”；先检查现有队列，不中断其他人的任务 |
| 可复现性 | 保存 job ID、原始 API/GUI、seed、源 SHA、选片、裁框与后期工程 | 固定 seed 不能单独锁定身份，也不保证换版本/硬件后的逐字节复现；同时保留已验收原片与依赖版本 |
3. 实际遇到的问题与修法
| 实例 | 实际问题 | 最终处理与可迁移的注意项 |
|---|---|---|
| C02 S01 | 投诉台词到约 6.2 秒才出现，开场冲突太晚 | 补拍 S01R1，把精确短句放在提示词前部并要求立即开口；实际约 0.86–2.10 秒。提示词的时间要求仍需要验实片 |
| C01 S04 | 水壶镜后半段运镜发明了新墙面/相片，水壶离画 | 补拍固定桌面插镜；只写参考图可见的主体与动作，移除不必要的全屋介绍 |
| C03 S04/S06 | 父亲举出饭袋、袋子样式变化，沙漏与袋子不合理叠放 | 分别补拍 R1 干净近景。对象要在画外时，避免提示词反复描述它们并要求展示；不能靠过度裁切丢掉说话人来救片 |
| C03 S12 | 后半段右边生出陌生男人 | 实际检查 [0,60,800,340] 的女儿反应裁框，排除陌生人并保留嘴和情绪。裁切只在不损害剧情证据时采用 |
| C02 S10/S12 | S10 提前出现笔迹且笔尖接近裁框下沿 | S10 改为脸/上身犹豫反应，首次明确落笔留给 S12；S12实际看裁后嘴与笔尖同框。剪辑要保证因果先后 |
| ASR 转写 | “页/夜”“店/电”同音；有些近音无法仅凭小模型确认；静默片段还出现高 no-speech 的字幕署名伪词 | 保留原转写与理由，区分完全同音正字、上下文近音解释、无确证语音。不能以剧本硬盖错误台词，也不能把 ASR 所有词当真实发声；重要内容需要多证据与人耳审听 |
| C01 S09 | 闭口反应镜出现不确定短脉冲；R1表演更差 | 选用闭口更稳的原镜画面，取同镜前 0–4.2 秒无言室内底噪，音频交叉淡化 0.4 秒形成 8 秒。保留派生音轨、来源区间、SHA 与空 ASR 证据；未重复视频或对白 |
这批共生成 52 条视频素材（45 条基础镜 + 7 条补拍备选），选用 45 个独立镜头，完成 3×120 秒、共 6 个成片 MP4；其中 C01 的 S09R1 没有进入最终时间线。对最终 45 镜保存 90 份 GUI/API 工作流并读回核对。三部片的技术验收失败项均为 0；两项预期提示是没有独立软字幕轨、保留模型原生 32kHz 音频，烧录字幕版另附 SRT。不能把“失败项为 0”解释为人物/表演/音色绝对无缺陷。
4. 直接核查入口
- 批次完成记录：数量、时长、格式、各片检查指标。
- 实际对白镜 API：8 步 LoRA、主模型、编码器、VAEs、节点连线及实际提示词。
- 实际静默插镜 API：4 步 LoRA与实际步数。
- 原工作流技术勘查：底稿来源和当时的候选路线；候选不代表已经用于成片。
- 中央调度脚本、提交器：先导镜、队列检查、idle-only free、记录与下载逻辑。
- 参考图生成记录：内置图像工具的参考图来源。
- 最终裁框记录、最终选片时间线：实际进入成片的源，而不是按文件名猜测最新版本。
- 近音与同音审阅示例、成片视觉审阅。
- C01 工程说明、C02 工程说明、C03 工程说明。
本节可作为手册的“已验证本地案例”，其余系列制作方案应另标为推荐 SOP 或需要专项测试，避免把网络教程、候选工作流与已经完成的事实混在一起。