0.2元/秒的2K视频来了！MiniMax H3首发上线LibTV

早上在X上刷到了MiniMax发布视频生成模型H3的动态。点开看了眼，官方案例的效果居然还挺不错，我的第一感觉是：哈哈，MiniMax终于想起自己是个不只做LLM的公司，发现自己还有音频和视频模型了么。

说起来，视频生成这个领域已经被Seedance 2.0一枝独秀地支配半年之久了，现在能看到一个对它形成一些挑战和冲击的选择，还挺好的。

那我当然要去给你测一波了。

打开LibTV看了眼（这个产品我之前写过很多次文章给你们介绍了）……果然，顶部banner就是这个模型上架的消息，MiniMax H3首发上线LibTV。突然觉得我那个会员买得够值的，图片和视频类的各种新模型，基本都能第一时间在LibTV里体验到。

从早上一直测到下午，成片攒了小二十条。先说这个模型最大的特色，一句话：什么都能当参考喂给它。9张图、3段视频、3段音频，一次最多12个文件，人物长相给图、运镜节奏给视频、连声音的音色都可以给一段音频让它学。参考图、参考视频别家也有，把声音也纳进参考，这是我第一次见，而且测完一天我可以说，这恰恰是对做视频的人最有价值的特性之一，后面细讲。

上面就是我画布上的真实状态：一张图、一段我的声音、一条视频，三根线连进同一个视频节点。其他参数也顺便交代了，主流的视频比例都能生成（横竖屏七个档），画质最高2K，时长5到15秒随意选。价格方面，目前在LibTV生成2K的H3视频最低0.2元/秒（和订阅的套餐有关）。

不过呢，也不能说没缺点，我自己的感受是你跟它描述一个画面，什么人、什么场景、配什么声音，它的执行力好到吓人；但它也有自己拿主意的时候，跨场景的跳切、分段弹出的花字这类排片表式的要求，它常常不理你。搞清楚这条特点的话，这模型就挺好用的了。

一、实测对比Seedance2.0 VS Minimax H3

现在看到新视频模型，相比大家最关心的就是和Seedance2.0比起来怎么样，所以我设计了一个挺损的一致性测试：让一位穿橙色风衣的女性穿过傍晚的市集，被人群、遮阳伞、自行车三次遮挡，看每次遮挡后她还是不是她。这次我把同一条prompt原封不动拿过来，H3和LibTV上的Seedance 2.0各跑一遍，参数对齐到各自的主力档（H3是2K，SD2没有2K档，取1080p），15秒，纯文生视频不带任何参考：

15秒写实短片，跟踪镜头。一位穿橙色风衣的年轻女性穿过傍晚熙攘的市集，先后被迎面人群、水果摊遮阳伞、一辆推过的自行车三次短暂遮挡，每次遮挡后镜头重新对上她，她的脸、发型、风衣细节保持不变，最后她在摊位前停下回头看镜头微笑。自然光，画面真实。

结果我逐帧对了一遍，跟我预想的不太一样。H3版把三次遮挡全部按顺序执行了：开场迎面人群擦过镜头，中段她走进条纹遮阳伞的棚子后面，第三次一辆自行车的黑影从前景划过，每次遮挡后她的脸、发型、白高领、橙色大衣都没变，结尾还准确停在摊位前回头对镜头笑了一下。SD2版反倒让我意外，前半段橙风衣的主角干脆没出现，画面是一段挺好看的清晨集市人群空镜，她到后半段才登场，三次遮挡也没对上。单说光影质感，SD2的清晨逆光更写实；但论把prompt当剧本一句句拍出来的本分，这一局H3赢得很清楚。

我又把那篇里的另一道题也搬了过来：橙色复古电视机的15秒产品短片，这条本身就是一支能直接拿去投的广告素材，四段精确到秒的分镜（4:3，2K，15秒）：

15 秒产品短片，4:3 复古画风。0-3s：一台橙色复古电视机在纯白背景中央缓慢开机，屏幕亮起雪花。3-7s：镜头推进，雪花变成清晰的像素猫，猫眨眼。7-11s：镜头环绕电视机一周，背景从白色渐变为暖黄色。11-15s：电视屏幕定格猫的笑脸，浮现黑色无衬线文字「打开就有好心情」，静停收尾。

逐段核对的结果：

时间段

指令

命中情况

0-3s

开机，屏幕亮雪花

⚠️ 亮屏偏慢，雪花不明显

3-7s

推进，雪花变像素猫

✅ 完全命中

7-11s

环绕一周，背景变暖黄

✅ 环绕转过了电视机背面，背景准时变色

11-15s

定格+文字落版+静停

✅ 「打开就有好心情」六字无错，静停到位

说到抽卡，就得说价格了。上线大促期间，LibTV上H3的价格是768p低至0.1元/秒，2K最低0.2元/秒（和订阅的套餐有关），按最低档算一条15秒的2K片3块钱。参数面板会实时显示这一条要花多少积分，我实拍到的一条是198积分，原价330，正好赶上6折。我去海螺官网对了下API的价，2K差不多0.94元一秒，同样这条要14块（LibTV这个价我猜是首发平台补贴出来的，能吃多久吃多久）。效果约达到SD2的80%、价格不到SD2的一半，这是这次的标准说法，我更愿意换个算法：同样的预算，那边抽一条，这边抽四条。LibTV还给配了一抽四、一抽八的功能，一次直接出四个版本让你挑。

我实际抽了一把给你看。一条怀旧默片风格的穿越短片prompt，一次出四个版本，下面这个四宫格就是一抽四的原始结果：四条的街景、年代感、胶片质感全都在线，但主角的表演完全是四种路数，V1在车前上演了一段默片式的肢体喜剧，V2受惊张着嘴愣在原地，V3是淡定站桩，V4惊讶回头。这种复杂的、有点不符合常识的场景，AI生成的时候常常会冒出些奇怪的问题，所以抽卡必不可少，一次能抽四张，显然让这个过程容易多了。

单抽的方差确实存在，我今天翻车的那几抽都记着账呢。但便宜把方差从风险变成了资源，你不再字斟句酌地赌一条prompt，抽一把，挑就是了。

二、两分钟补完B-roll视频

这个需求是现成的。今天早上我在剪一支视频，剪到一半发现缺个镜头：口播里我说到吃饭吃到一半，看了一眼手机发现活都干完了。但当时吃饭就是吃饭，谁会想到掏出相机拍自己的手机弹通知呢。这种镜头以前只有两个选择，补拍，或者算了。

现在有第三个选择了。我用自己那个superflat小人形象当参考，直接给这支视频生成了两条卡通B-roll。一条是「合上电脑，云端还在干活」，它把结尾定格在合上的电脑上方浮着发光云朵、云朵里三个小工牌还亮着，这个画面就是口播那句话的直译；另一条是面馆里吃面看手机的完整小剧场，正好就是口播里那个场景，吸面条、手机亮、举起来眯眼大笑竖大拇指，8秒一条过。渔夫帽、黑框眼镜、白T上的nuwa-skill印字，几条片子里一个都没丢过，一致性这块可以放心。

对白、音效、环境声跟画面一次生成出来，这个原生音画一体的能力现在已经是主流前沿视频模型的标配了，H3把它做得还挺稳定的，面馆那条里手机亮起时那声「叮」，我用波形量过是准点落下的。

视频生成模型参考图、参考视频大家都见过，参考音频是新东西：它可以学一段声音的音色，让视频里的角色用这个音色说话。

我把自己B站视频里的一段口播切了13秒喂给它，再给它我的漫画形象，让这个角色对镜头说一段开场白。参考素材就两个文件：形象图一张、13秒mp3一段，模式选全能参考，16:9、2K、15秒。prompt原文：

以图中的superflat扁平插画风格角色为主角，保持三视图的画风和配色。多镜头快节奏开场：镜头1（0-3秒）从工作室窗外夜景快速推进穿过窗户，冲向坐在书桌前的角色；镜头2（3-11秒）角色对镜头说话，镜头围绕角色做明显的弧线环绕运镜；镜头3（11-15秒）快速拉远变焦，角色比出一个手势定格。角色的声音使用参考音频的音色，自然说出台词：「大家好，我是花叔。这期视频，我们让AI来打个工，看看它一天能干多少活。」口型与台词同步。运镜要快、幅度要大。音频：角色说话声为主，镜头切换处有轻快的whoosh音效。

出来的声音我反复听了几遍，音色确实是我，连那段录音里的环境音特点都带着。这一点还挺关键的，只有自己配过音的人知道，补录难就难在状态：你今天的嗓子和昨天不一样，房间的声学环境也不一样，补的那句话在成片里就是听得出来。拿实际场景的录音去克隆，反而比我自己重录更一致。以前补一句口播要重新架麦克风找状态，现在是打一行字的事。

三、真人素材随便抽

还有个卖点值得单独说：不卡真人。以前很多视频模型对真人素材各种设防，真人图上传就报错或者一抽脸就变，做真人短剧、广告、口播的人苦这个很久了。H3对真人素材友好得多。

我拿一张写实风格的偶像开球照片当参考（AI生成的虚构人物，真人质感），让她从投手变成击球手，打出一支全垒打（全能参考，16:9，2K，15秒）：

15秒体育短片，真实比赛影像质感，以图中的年轻女性为主角，保持她的长相、发型和白色棒球衫百褶裙造型完全一致。夜场棒球场，她站在打击区摆好击球姿势。投手投出快球，她果断挥棒，木棒清脆击球，球划出高高的弧线越过全垒打墙，全场观众起立欢呼、手机闪光灯如星海。她兴奋地丢开球棒，举起双臂沿垒道奔跑庆祝，队友在本垒板迎接她跳起击掌。动作符合真实棒球物理，她的脸部全程保持一致清晰。音频：球场欢呼声浪、击球的清脆木声、广播激动的呐喊。

这条我抽了两次，两条都完整走完了挥棒、球飞出全垒打墙、庆祝的全过程，脸都没崩。最后我选了第二抽，原因是它把prompt里两个容易被忽略的指令细节都拍到了：她兴奋地把球棒丢在了地上，队友真的在本垒板列队举手迎接。第一抽的庆祝镜头其实更好看，但既然是测指令还原度，就按还原度选。

四、一些边界

测了一天，它不听话的地方也摸清了，集中在三样：跨场景的跳切（要求两个场景硬切，它给你一个场景演到底）、精确到秒的音效点位（我埋了四个定时音效，只准点响了两个）、多段文字的时序编排。中文花字本身倒是个惊喜，「AI打工人上线」六个字笔画零错误，综艺感的强调线都自己加上了，B站的朋友可以直接薅这个能力；但你要它三段花字依次弹出，它也只出第一段。有意思的是，同一个场景里的阶段递进它反而吃得下，前面遮挡测试的三拍和电视机的四段就是证据。

这事我后来翻了MiniMax当天发的技术文章，反而理解了。他们这代模型一门心思在拆另一堵墙：以前文生视频、图生视频、改视频、参考主体、参考动作各是各的专家模型，H3把这些全揉进一个用自然语言描述的上下文里，你说「参考视频1的运镜，让图2的角色唱歌，声音用音频3的音色」，它就懂。文字渲染准也有技术出处，它的2K不走传统超分，是带着原始上下文把低清结果重新生成一遍，小字是重画出来的，不是放大猜出来的。时间轴这事，确实不在他们这代要解的问题清单里。

所以用法很简单：一条生成只交代一个场景、一个状态，跨镜头的叙事自己剪。反正它这么便宜，多生成几条再拼，比让它一次干完更划算。

五、上手流程和一个判断

LibTV的入口，网页就能用：

https://www.liblib.tv/

完整流程走一遍其实很短：打开官网点「开始创作」进画布，加一个视频节点，模型选Minimax H3；要喂参考的话，把图片、音频、视频文件直接拖上画布，连一根线到视频节点上就算挂好了；写prompt，右下角设比例、清晰度、时长和生成数量，点生成，两分钟左右出片，节点上直接下载。

大促价格再说一遍：768p低至0.1元/秒，2K低至0.2元/秒。

模型能力决定视频能做到什么，成本决定它能否真正进入日常生产。过去半年视频模型一直在能力那头卷，H3上线这天让我觉得比拼开始往另一头走了。当一条2K视频便宜到3块钱，要不要为一个镜头动用AI，就不再是个需要计算的决定。今天我那支视频里缺的镜头，从发现缺到补上，前后没超过十分钟。