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。

---

零之二、⭐⭐⭐ 寫每一顆之前：先問【這顆要呈現什麼】，再決定構圖，最後才寫內容

構圖不是「內容寫完之後順手決定的東西」。它是第一個決定，因為它決定了其他東西演不演得出來。

✗ 常見的寫法（也是最容易失敗的）
  內容 → 表演 → 對白 → ……最後順手填一個景別
  結果：景別永遠是最中性的那個（置中、平視、正面），
        而中性構圖 ＝ 訪談感、證件照感 —— 它不會傳達任何情緒強度

✅ 正確的順序
  ① 這一顆在戲裡要達成什麼？（一句話，用觀眾的感受寫，不是用動作寫）
     「讓人覺得這是他這輩子最高的一刻」而不是「他抬頭看大家」
  ② 什麼構圖能達成它？   ← 機位高度、景別、人在畫面裡的位置、前景、視線方向
  ③ 然後才寫表演、光、對白、道具

為什麼這個順序不能顛倒

表演   臉佔畫面 1/7 時，「下眼瞼微抬」無處可畫 → 先有景別，表情才有地方發生
特徵   體格、骨相在遠景會被抹平 → 先有景別，幾何描述才守得住
情緒   「高光時刻」「被排除在外」「他一個人」這些都是【構圖講的】，不是表情講的：
       仰角＝主導　俯角＝被壓　置中＝中性　偏置＋前方留空＝有去向
       前景有人＝被包圍　背景空曠＝孤立
光     先知道機位在哪，才知道光從哪來；反過來寫一定會打架

⭐ 一句話：先決定觀眾要「感覺到什麼」，再決定他們「從哪裡看」，最後才決定畫面裡「發生什麼」。

⚠️ 檢查的方法也要跟著改：驗收一顆鏡頭時，先問「它有沒有達成它在戲裡的目的」， 　 再問「它有沒有照分鏡拍出來」。後者是檢查表，前者才是導演。 　 一顆可以完全照分鏡拍出來，而完全沒有達成目的 —— 那時要改的是構圖，不是提示詞的細節。

---

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。

⚠️ 這條管的是【臉】—— 大肢體動作的節拍密度上限高很多（2026-10-03，武俠測試）

徒手武打，雙人中遠景（兩人從頭到鞋入鏡）、107 幀、無剪點
一顆約 3 秒寫了 8–9 拍：直拳 → 閃 → 低踢 → 抬腿避 → 再一拳 → 格擋 → 側踢 → 被踢退三步 → 逼近
→ 4 份提示詞 × 2 seed，8 顆都照順序打出來，真速度、不是慢動作；動態量在整段動作期間一直維持高檔

⭐ 被平均掉的是【表情】那種小幅度、要像素才畫得出來的節拍；拳腳、重心轉移、被打退這類全身位移不會。 → 拆武打戲時不要套「兩三拍就拆」—— 一顆 3 秒塞滿招式是可行的，拆鏡的理由改成【換角度】而不是【節拍太多】。 ⚠️ partly：一個專案、一場戲、每份提示詞 2 seed；接觸（拳腳真的打到）沒有逐格驗。