h3-storyboard

H3 分鏡與表演

minimax-h3 那份 skill 教你怎麼把已經想好的東西寫成 H3 格式。 這份教你怎麼想——劇本怎麼拆成鏡頭、情緒怎麼變成模型演得出來的動作。

官方和社群的 skill 都停在翻譯層，沒有人做這段（instann/minimax-h3-director 把「自動拆鏡」列在 roadmap，還沒做）。下面全部是實拍歸納出來的， 每一條都標了驗證狀態。

---

一、🔴 第一定律：一顆鏡頭裝不下太多節拍

在一顆鏡頭裡塞太多表情節拍，模型會往「平均運動」收斂，把它們全部抹平。 寫了睜眼、揚眉、咬下唇，畫面上什麼都沒發生——而且不會有任何報錯。

三個版本的對照實驗，同一顆震驚戲、同一顆 seed、同樣的臉部節拍：

	鏡頭結構	對白	情緒峰值的 PSNR	結果
A	一顆 7 秒特寫，9 個節拍	無	37–42 dB	臉完全沒動
B	拆成三顆 2–3 秒，各一個主節拍	無	22–23 dB	表情全部到位
C	同 B	加 <d>	19 dB	表演幅度再大一些

（PSNR 越低表示畫面變化越大。42 dB 等於凍結幀。）

A → B 是主因：拆鏡頭。 從 40 掉到 23，絕大部分的效果在這一步。 B → C 是加成：對白。 從 23 再到 19，有幫助但不是機制。

所以怎麼做

① 先數節拍。 一顆鏡頭超過兩三個表情節拍就要拆。
② 拆成 2–3 秒的短鏡頭，每顆一個主節拍。
③ 有台詞就寫進去（見下），沒有也能成立。

切鏡本身就是表演——觀眾在切點會自動重新讀取角色狀態， 所以拆開不只是為了讓模型執行得到，也是為了讓觀眾看得到。

驗證：2026-08-26，Ref2VA 243 幀，三版對照，seed 固定。 這是隔離過的：A→B 只改鏡頭結構，B→C 只改一句台詞。

旁證：B 站有支純本地實測是「統一首幀 · 10 種情緒 · 一支 6 秒一種情緒」， 同一個結論——一支只裝一種情緒。

<d> 的角色：它偷時間

有台詞的鏡頭表演幅度更大，但機制不是「對白讓臉會動」—— 是 H3 把整支影片的時間重新分配，多給了有台詞的那一鏡。

同一支 243 幀的四鏡影片，只差一句 VO 對白（其餘完全相同：同 seed、 同參考圖、同 ref_image_size=max）：

              Shot 1   Shot 2   Shot 3（有台詞）   Shot 4
提示詞規格       77 幀    48 幀       74 幀          44 幀
無台詞           89       43         55 ❌          56
有台詞           88       29         84             42

無台詞版把情緒峰值那鏡壓縮到 55 幀，比規格少了 19 幀，演到一半就切走。 有台詞版給了 84 幀，臉部最大變化 28.5 dB（無台詞 30.2 dB）。

代價在別的鏡頭身上。 Shot 4 被壓到 42 幀之後：

無台詞：配角在落地窗外還在走動，陽台雨遮、欄杆都保留
有台詞：配角完全不存在，落地窗退化成一扇普通窗戶

Shot 1 建立的場景元素，有台詞版沒有延續到 Shot 4。

所以：

• 要表演的鏡頭 → 寫台詞（內心獨白也算，寫成旁白版）
• 要背景延續性的鏡頭 → 不要跟台詞放在同一支影片裡，或者兩版都跑再剪

內心獨白的寫法：

the young woman, in a small unsteady voice that catches once partway through (S1),
says in an off-screen voiceover: <d>[Chinese]……</d>
while her lips remain completely closed.

情緒寫在 delivery 欄位，不是寫在 <d> 裡面。 官方規格：識別語、ID、動作、delivery 都在 <d> 外面，<d> 內只放語言標籤和逐字台詞。

但不要為了表演硬塞台詞。 設計上就不說話的角色（在聽、在迴避、在生悶氣）， 拆短鏡頭就夠了——B 組證明沒有台詞一樣演得出來。