MiniMax H3 ASMR 影片：我切開了一顆玻璃石榴，然後測量立體聲是否真實

戴上耳機再往下滑。這種類別，聲音真的重要。

一把刀切開一顆紅寶石玻璃雕刻的石榴。外殼裂開，發出水晶般的碎裂聲，接著幾十顆玻璃種子滾落在濕板岩上。接下來這一段，跟今年你滑過的任何AI ASMR片段都不一樣：沒有人後製這些聲音。沒有音效庫、沒有剪輯軟體、沒有時間軸。畫面跟音訊是從一次生成、一次呼叫中同時產出的。

過去一年，AI ASMR看起來很療癒，聽起來卻不太對勁，原因從來不是畫面。問題出在流程的最後一步：把音訊黏到無聲片段上，一直都是手動完成的，每一次都是。這個類別成長得太快，以至於圍繞這個缺口，出現了一整個專門的自動化AI ASMR生成網站產業，其中一個甚至直接在首頁主打「雙耳3D音訊」。需求早就被證實了，只是以前靠組裝線來滿足。

所以我正確地跑了一次。一個可重現的工作流程、六個片段，然後做了這個類別裡從來沒有人做的事：用ffmpeg把左右聲道拆開來測量。有些我原本預期的結果是錯的，而這正是這篇文章最有用的部分。

關鍵重點

• H3在同一趟渲染中同時產出24fps的畫面以及32 kHz AAC立體聲音軌。音訊是生成的，不是事後配音的。
• 立體聲是真的立體聲，不是穿著立體聲外衣的雙單聲道。但你無法透過提示詞來控制聲像平移。我要求一個從左到右的硬掃，結果只得到1.9 dB的差異，幾乎等於零。
• 立體聲的寬度來自內容本身，而不是你的文字描述。下雨片段中我完全沒有指定方向，結果卻產出了真正寬廣的聲場。
• 鎖定第一幀可以在不同解析度間保持畫面構圖，但768P和2K仍然是兩個不同的拍攝版本。草稿預覽的是視覺風格和音訊規格，不是精確的動作編排。
• 一個5秒的768P片段收費**$0.50**。同樣的片段在2K收費**$0.70**。整篇文章總共花費$4.27。

先聽再說：一次生成的MiniMax H3 ASMR影片

w7ZRR7bo3KI

五秒、2K、24fps、32 kHz立體聲、一次生成、$0.70。開聲音：刀刃切入的吱嘎聲、碎裂聲、然後是種子聲。沒有一項是後加的。以minimax/h3/image-to-video生成。

一個提示詞、一個模型、一次呼叫。以下就是這個片段如何製作的、成本多少、以及行銷故事中有哪些部分經得起波形檢驗。

為什麼AI ASMR爆紅，但大部分經不起耳機測試

這個趨勢有個生日。AI ASMR在2025年6月開始擴散，就在Veo 3上線後，幾天內就病毒式傳播。@asmraiworks 的一個熔岩吃播吸引了超過1130萬次觀看；一個玻璃切割片段在11天內達到530萬次觀看（Know Your Meme，2025）。新聞媒體把它當作新奇事物報導，超現實的畫面和用筷子吃熔岩的畫面成了主要賣點（The Express Tribune，2025）。

然後人們戴上耳機，氣氛就變了。TechRadar的記者看了一堆病毒片段後，描述了一種人工感，「缺乏人類ASMR特有的錯誤和不精確」（TechRadar，2025年6月）。該報導引用的粉絲說，觸發感官的要素在技術上都存在，但感覺就是不一樣。

這背後有機械性的原因，並不神秘。ASMR是唯一一種「內容就是聲音」的內容類別。其他地方音訊都是配菜，但在這裡，聲音就是產品。而主流的工作流程是：

1. 用影片模型生成一段無聲片段，
2. 從音效庫中找尋碎裂聲、嘎吱聲、雨聲背景，
3. 在剪輯軟體中把聲音對齊畫面，
4. 如果你在乎的話（但大量產出時幾乎沒人做），手動調整聲像和混音，
5. 輸出。

第三步就是問題所在。一個預製的碎裂聲如果晚了兩幀，聽起來就是假的，而且你還沒辦法解釋為什麼。乘以每天發布的頻率，錯誤會不斷累積，因為對齊工作每次都是人工重新做。

這個缺口正是整個AI ASMR生成網站產業存在的原因。至少有三個正在積極行銷，其中一個甚至把雙耳3D音訊作為主打功能。它們解決的不是假問題，而是填補一個真正的洞：底層的影片模型不產生聲音。

這讓某個排行榜上的差異值得一看。在Artificial Analysis的影片編輯排行榜上，評分包含音訊的那個，MiniMax H3以1126 Elo排名第一，領先Gemini Omni Flash的1119，並比Dreamina Seedance 2.0的1027高出約一百分（Artificial Analysis，2026年8月）。在圖片轉影片的排行榜上（音訊不計分），這幾個模型的分數相差不大。當聲音被計入時，差距就出現了。而對ASMR來說，聲音就是一切。

MiniMax H3 ASMR影片工作流程，以及每個步驟的成本

三個端點，一個瀏覽器分頁。這篇文章中的所有內容都是在Atlas Cloud上跑的，所以以下每一個數字都來自帳單，而不是牌價表。

列表顯示H3三個端點都是「從$0.1/秒起」。這是768P的底價。2K收費$0.14/秒，而這個數字只出現在你的帳單上，所以請根據你實際要求的等級來規劃預算。

表1：一次生成 vs. 拼接流程。

我刻意不引用其他影片平台的每秒費率，因為運算成本不是關鍵差異。音訊生成每分鐘$0.143，幾乎是零頭。拼接流程真正的成本是每個片段20分鐘的人力投入，而且這個成本不會隨著規模擴大而下降，只會倍增。一個每天發布的無臉帳號，就是這種每個片段20分鐘的流程會悄悄吃掉整個商業模式的地方。

老實說公平一點：手動拼接讓你擁有控制權。你可以把聲音放在立體聲場的任何位置，並精確到每一幀。H3免費給你同步，但如下方的測量所示，它不會把控制權還給你。

表2：三個H3端點，真正重要的參數。

兩個參數陷阱值得寫在手心上。參數名稱是ratio，不是aspect_ratio，用錯鍵會讓文字轉影片拒絕請求。另外，在同一次呼叫中同時使用image和refers不會報錯：它會完成、全額收費，然後默默地丟掉其中一個輸入。

MiniMax H3 ASMR影片教學：切玻璃石榴

玻璃水果切割是大家都認得的格式，所以讀者一眼就知道在看什麼。玻璃蘋果和玻璃芒果已經被玩爛了。石榴比較好，原因很具體：當外殼裂開時，數百顆玻璃種子會灑出來並滾動，因此聲音有持續時間和結構，而不只是一個中心點撞擊。如果模型是在偽造音訊，散射場景就會露出破綻。

步驟1：用GPT Image 2建立基礎圖框

在花錢做影片之前先鎖定構圖。設定：quality: high，size: 2048x1152（16:9），output_format: png。

plaintextCopy
1極近距離巨觀照片，一整顆用厚半透明紅寶石玻璃雕刻而成的石榴，放在濕黑色板岩板上。玻璃外殼厚8mm，內部有可見氣泡和切面；數百顆微小玻璃種子在內部像石榴石晶體般發光。一把拋光日本三德刀位於畫面左側，刀尖剛好觸碰玻璃表皮。一道從右上角打來的硬光划過石板，在濕石頭上投射出銳利的紅色焦散光。100mm微距鏡頭，f/2.8，淺景深，暗色調背景。沒有手，沒有文字，沒有浮水印，沒有標誌。

Atlas Cloud上的GPT Image 2操作區，品質設為high，尺寸16:9 2048x1152，玻璃石榴呈現在OUTPUT面板中

實際執行。品質high，尺寸2048x1152，頁面顯示$0.1745，帳單也是這個數字。

生成的基礎圖框：厚紅寶石玻璃雕刻的石榴放在濕黑色板岩上，三德刀從左側切入

交給H3的圖框。以openai/gpt-image-2/text-to-image生成。

步驟2：撰寫MiniMax H3 ASMR影片提示詞的聲音部分

大多數人寫ASMR提示詞時，只是把「ASMR」一詞貼在畫面描述前面，然後奇怪為什麼模型配上鋼琴背景音樂。H3會認真對待音訊方向，只要你給它。把聲音部分結構化成五個區塊：

1. 材質。 什麼東西發出聲音。玻璃、蠟、熔岩、水在玻璃上。要具體說明厚度和濕潤度，它們會改變音色。
2. 動作及其時間形狀。 不只是「切」，而是「以一個緩慢連續的動作壓下去」。模型會用這個來安排事件時間點。
3. 麥克風視角。close-mic、intimate、錄音距離提示。這會設定聲音的乾燥度和接近感，效果很好。
4. 擬聲詞序列。 按順序拼出聲音事件：吱嘎聲、然後碎裂聲、然後幾十個小撞擊聲、然後靜音。這個區塊作用最大。
5. 負面描述。no music, no voice, no narration, no room reverb, no ambience bed。沒有這些，H3會好心加上配樂，因為訓練資料中的大部分影片都有配樂。

我也在區塊4裡寫了聲道方向，要求碎裂聲在左聲道，種子從左滾到右。繼續看下去，看看實際產出了什麼。

步驟3：跑768P草稿

用768P跑草稿。兩個等級的音軌規格相同，所以整個創意判斷（在ASMR中就是聽覺判斷）可以在便宜的費率下完成。

在minimax/h3/image-to-video上的設定：image = 步驟1的輸出，resolution: 768P，duration: 5。比例由第一幀決定，所以不要動它。

plaintextCopy
1三德刀從左側進入，以一個緩慢連續的動作壓過玻璃石榴，從左向右橫越畫面。外殼裂開，發出明亮的晶體碎裂聲，一陣細小的玻璃種子灑落在濕板岩上，向右側散開。相機固定，巨觀，單次拍攝，無剪接。
2
3音訊：ASMR，close-mic，親密感，無音樂，無人聲，無旁白，無房間殘響。
4一個乾燥持續的玻璃吱嘎聲，刀刃切入時，然後一個尖銳的高音碎裂聲，定位在LEFT聲道，接著幾十個細小的叮噹種子撞擊聲，從LEFT聲道滾向右側RIGHT聲道，散開。最後極輕微的刀刃擦石聲，然後靜音。無環境背景聲，無雜訊，無背景音樂。

Atlas Cloud上的MiniMax H3圖片轉影片操作區，載入基礎圖框，時長5，OUTPUT面板中已完成片段

圖片轉影片執行：載入第一幀，時長5，OUTPUT完成。注意解析度選擇器停留在頁面預設的2K。草稿時請切換到768P，以下片段就是用768P渲染的。

xkolGEKI7UI

768P草稿，$0.50。畫面比最終成品柔和，音訊規格相同。這個版本就是所有決策依據的來源。

步驟4：在信任之前先測量立體聲

不要相信我的話，也不要相信模型的話。把聲道拆開來看。這是本機ffmpeg，不需要API呼叫，不花錢：

plaintextCopy
1ffmpeg -i 02-glass-pomegranate-768p-draft.mp4 \
2  -filter_complex "showwavespic=s=1480x240:split_channels=1:colors=#d93a30|#2f7ed8" \
3  -frames:v 1 stereo-proof.png

四面板波形分析，比較玻璃石榴片段和下雨片段，顯示左右聲道以及各自的下方側聲道

兩個片段的左聲道疊在右聲道上方，加上下方以相同增益顯示的側聲道（左減右）。這張圖就是整個論點。

以下是回傳的結果，其中一部分出乎我的意料。

立體聲是真的。 我生成的任何片段中，側聲道都不是空的。如果是偽裝成立體聲的雙單聲道檔案，側聲道會是空的。這個有內容。

但你無法透過提示詞控制聲像。 我用大寫字母要求碎裂聲在LEFT聲道，種子從LEFT滾到RIGHT。測量結果：聲道相關性0.97，側聲道比中聲道低17.7 dB，任何四分之一秒視窗內的最大左右聲道電平差是1.9 dB。這不是聲像平移，這是中心點影像帶有一點自然寬度。刀刃橫越畫面，但聲音位置不動。

寬度來自內容本身，而不是你的文字。 下一節的下雨片段，我完全沒有指定方向，結果相關性為0.32，側聲道僅比中聲道低2.9 dB。這是真正的寬廣、去相關聲場。擴散環境音會自動獲得寬度，而離散撞擊聲無論你寫什麼都會停留在中心附近。

所以這個模型老實說，它的強項不是空間定位，而是時間定位。你得到的是與畫面同時生成、且準確落在對應幀上的聲音，免費、永遠、不需要剪輯軟體。如果你的格式真的需要硬聲像平移，你還是得在後製中自己處理，而且你應該停止在提示詞中寫聲道名稱，因為它們沒有效果。

現在重新跑最終成品：同一個端點、同一張第一幀、同一個提示詞，把一個欄位改成resolution: 2K。在假設草稿是預覽之前，還有一件事值得知道。

兩排五幀，比較768P和2K版本在相同時間點的畫面，在第零幀完全相同，從約2.5秒開始分歧

同一張第一幀、同一個提示詞、兩個等級。第零幀完全一致。到2.5秒時，外殼破裂的方式不同，兩個片段變成了不同的版本。

鎖定第一幀可以保持兩個等級的構圖、取景、光線和顏色一致，這就是為什麼你應該總是使用圖片轉影片而不是文字轉影片。但這不會給你相同的版本。2K版本會重新擲骰動作。請把草稿當作對視覺風格和聲音的預覽，而不是對精確動作編排的預覽。

步驟5：加入真實錄音作為MiniMax H3 ASMR影片參考素材

如果你有想要的聲音，直接交給它。reference-to-video可以接受最多9張圖片、3個影片和3個音訊片段，它會從音訊參考中提取音色和空間特性，而不是自己憑空產生。我使用了Gravity Sound在Wikimedia Commons上發布的公共領域玻璃破裂錄音（CC BY 4.0），三個片段拼接成4.5秒。

三個規則，其中最後兩個是我在請求被拒絕時才學到的：

• 音訊不能單獨使用。 端點明確說明：至少需要一張圖片或一個影片，音訊不能單獨存在。必須搭配一個圖框。
• 音訊參考必須在2到15秒之間。 我第一次嘗試用了1.49秒的片段，結果回傳audio duration 1486 ms, expected [2000, 15000] ms。這個範圍不在模型頁面上。
• 檔案格式會驗證。 一個宣告為audio/mpeg的base64負載被拒絕，顯示audio format ".mpeg" not allowed。.wav負載則通過。被拒絕的請求不會收費，但會浪費一次往返。

設定：refers: [{url: <基礎圖框>, type: "image"}, {url: <一個2到15秒的錄音>, type: "audio"}]，resolution: 768P，duration: 5。

plaintextCopy
1同樣的固定巨觀畫面：刀刃從左到右切開玻璃石榴，種子散開。匹配參考音訊的音色、亮度和空間特性，同樣的錄音距離、同樣的乾燥度。ASMR close-mic，無音樂，無人聲。

Atlas Cloud上的MiniMax H3參考素材轉影片操作區，載入了兩個參考素材，音訊檔案在位置1，基礎圖框在位置2

參考素材同時載入音訊檔案和圖片，已使用2/9。若移除圖片，請求將完全無法執行。

mY1VrOfM3cM

參考素材引導的版本，$0.50。同樣的畫面，音色由真實錄音引導，而非從提示詞憑空產生。音訊參考：Glass breaking by Gravity Sound，CC BY 4.0。

三個MiniMax H3 ASMR影片範本：切割、咀嚼、雨聲

三個格式涵蓋了這個類別中大部分表現良好的內容。每個都是完整可複製貼上的提示詞，附上設定和產出的片段。刻意不包含玻璃、紅色或石板：如果你的帳號中每個片段看起來都一樣，演算法會把它們當作同一個片段。

表3：相同的五個區塊，三個不同的工作。

範本1：切割。 蜂巢，琥珀色與金色，9:16，768P，6秒，ratio: "9:16"。

plaintextCopy
1極近距離巨觀，固定俯拍，厚金色蜂巢放在淺色陶瓷盤上，蜂蜜已在周圍流淌。一把熱鋼刀片降低到蠟中，以一個緩慢連續的壓力從前到後沉入；切面塌陷，一股濃稠的蜂蜜拉長並滴落盤中。暖琥珀色主光從左側打來，淺景深，單次拍攝，無剪接，畫面中無手。
2
3音訊：ASMR，close-mic，非常乾燥，無房間殘響，無音樂，無人聲，無旁白。刀刃下蠟分裂的輕微劈啪聲，然後蜂蜜拉長時低沉緩慢的拉伸聲，然後兩滴濃重濕潤的滴落聲落在陶瓷盤上。無其他聲音。

ZsVmf9AhPnw

範本1，$0.60。蠟裂聲、蜂蜜拉伸聲、滴落聲。以minimax/h3/text-to-video生成。

範本2：咀嚼。 熔岩吃播，這個格式一周內吸引了1130萬次觀看，9:16，768P，8秒，ratio: "9:16"。

plaintextCopy
1垂直近距離：一雙黑漆筷子夾起一團發光的橙色熔岩，從深色石碗中提起，朝相機方向移動，在畫面底部消失。熔岩自發光，在周圍投射出橙色光線；房間其餘部分幾乎全黑。蒸氣從表面升起。相機固定，單次拍攝，無剪接。
2
3音訊：ASMR，極近距離麥克風，親密感，無語言，無音樂，無旁白，無房間音。熔岩被提起時低沉嘶嘶聲和冒泡聲，然後柔軟濕潤的咀嚼聲，然後第二口時較明亮的玻璃脆響，然後緩慢滿足的呼氣聲。無說話聲。

UJhEsTnKkZI

範本2，$0.80。嘶嘶聲、咀嚼聲、脆響、呼氣，沒有一個字。以minimax/h3/text-to-video生成。

範本3：雨聲。 夜間車窗，冷藍色與霓虹光，16:9，768P，10秒，ratio: "16:9"。

這是三個範本中唯一沒有主體動作的，也最能說明負面描述的重要性。當畫面上沒有事情發生時，H3會主動加上背景音樂，除非你明確禁止。這也是回傳立體聲場最寬廣的片段，完全沒有被要求。助眠類內容需要長度，所以這個片段接近有用時長的上限。

plaintextCopy
1從車內透過車窗的巨觀鏡頭，夜間，大雨在玻璃外側流淌。個別水滴撞擊、停滯、然後向下流淌並合併。玻璃之外，失焦的霓虹招牌散成冷藍色和洋紅色散景。無雨刷，無人，無車內移動。相機固定，單次連續拍攝，淺景深，無剪接。
2
3音訊：ASMR，close-mic在玻璃外側，車廂內輕微悶聲。穩定均勻的雨聲背景，帶有清晰分離的個別水滴撞擊玻璃聲，加上遠處微弱的輪胎在濕路上的嘶嘶聲。無音樂，無雷聲，無人聲，無旁白，無雨刷聲。

bUKr5V6wbdM

範本3，$1.00。十秒純環境音，沒有配樂因為提示詞禁止了。以minimax/h3/text-to-video生成。

MiniMax H3 ASMR影片實際成本

以下是這篇文章的收據，不是估算。

六個可發布的片段和一個基礎圖框。擴展到每日發布排程：一個8秒直式片段，768P，每天$0.80，所以一個每天發布的無臉帳號大約每月$24，還沒算上在剪輯軟體中花的時間。

兩個帳單注意事項。GPT Image 2標示的$0.009是令牌等級的底價，高品質2048x1152渲染實際收費$0.1745，將近20倍，所以請根據你實際使用的等級來預算。另外，H3的price欄位會延遲回填：輪詢直到status變成completed，它常常還是undefined。稍等片刻再輪詢一次預測ID，才能拿到真實數字。第二次輪詢是唯一能像這樣建立收據而不是猜測的方法。

關於ASMR音訊與版權的一點誠實提醒

不要上傳別人的ASMR錄音作為refers音訊檔案。參考素材確實會將音色遷移到輸出中，而且把錄音丟進模型並不會改變所有權。這裡使用的參考素材是CC BY 4.0，並已在上方標註出處，大約花了兩分鐘找到。

不要圍繞可辨識的真人人聲來建立ASMR。這篇文章中的每個範本都刻意沒有人聲，這既是類別慣例，也是最簡單的路徑。

透過API呼叫H3不受開放權重附帶的社群授權影響。那個授權涵蓋自託管，目前排除歐盟、英國、韓國和美國，並為這些地區開放了正式授權管道。如果你只是呼叫端點，知道就好，不必擔心。

MiniMax H3 ASMR影片：常見問題

MiniMax H3 ASMR影片是自己產生聲音，還是我需要事後加入？

模型會產生聲音。畫面和音訊來自同一次渲染：24fps影片，內含AAC立體聲32 kHz音軌。沒有獨立的音訊步驟、沒有音效庫、沒有對齊工作，這正是這個端點對ASMR特別有趣的原因。

我可以讓MiniMax H3 ASMR影片從左到右聲像平移嗎？

靠提示詞不行。我在提示詞中明確寫了聲道方向，並測量了結果：聲道相關性0.97，任何四分之一秒視窗內的最大電平差為1.9 dB，完全不是平移。音軌是真正的立體聲，像下雨這樣的擴散內容會回傳寬廣的聲場，但離散撞擊聲無論你怎麼寫都會停留在中心。如果你的格式需要硬聲像平移，請在後製中處理。

我可以上傳自己的錄音作為MiniMax H3 ASMR影片的參考素材嗎？

可以，透過reference-to-video，它最多接受3個音訊參考素材，同時最多9張圖片和3個影片。音訊不能單獨提交，所以必須搭配至少一張圖片或一個影片。音訊長度必須在2到15秒之間，且格式會驗證：.wav負載可行，而audio/mpeg會被拒絕。被拒絕的請求不會收費。

768P MiniMax H3 ASMR影片的音訊比2K差嗎？

不會。兩個等級都提供相同的AAC立體聲32 kHz規格。只有畫面不同，而且差異很大：16:9在768P回傳1344x768，在2K回傳2560x1440。既然ASMR的創意判斷是聽覺判斷，請以$0.10/秒跑草稿，再以$0.14/秒跑最終成品。但請記住，2K版本是新的拍攝，而不是草稿的放大版。

MiniMax H3 ASMR影片應該多長？什麼寬高比？

時長接受4到15秒的任何整數。切割和咀嚼類片段適合5到8秒，因為重點是一個事件；助眠類環境音則需要10秒或更多。對於Shorts、Reels和TikTok，請使用9:16，並記住文字轉影片需要明確設定ratio，且不接受adaptive。在圖片轉影片中，第一幀會決定比例。

一個MiniMax H3 ASMR影片要花多少錢？

一個5秒片段收費$0.50（768P）和$0.70（2K）。一個8秒直式片段（768P）是$0.80。每天發布一個這樣的片段，每月運算成本約$24，這個數字值得與拼接流程中每個片段剪輯軟體需要的20分鐘人力成本相比較。

為什麼我的MiniMax H3 ASMR影片出現了我不想要的背景音樂？

因為你沒有禁止它。任何模型的訓練資料中，大部分影片都有背景音樂，所以預設行為是加一個，尤其是當畫面上沒有發生什麼事的時候。請在提示詞的音訊部分明確寫出負面描述：no music, no voice, no narration, no room reverb, no ambience bed。環境音範本比動作範本更需要這個。