MiniMax H3 動畫影片生成器：15 秒、4:3 比例以及標題卡 Veo 3.1 搞砸了

整個夏天，我的動態都在循環播放同一支影片。世界盃球員被重新畫成少年漫畫主角。一個獨裁者。一個海盜船長。一個在最後四秒出現的滄桑導師。每則貼文都有數百萬觀看，劇情在幾乎每場比賽後都會更新。

製作這些影片的人沒有人在寫基準測試文章。他們是挑一個模型、燒額度、在下一場開踢前就發布。

所以我拿了一個動畫關鍵影格和一個提示詞，用 MiniMax H3 動畫影片生成器對上 Veo 3.1，兩者都在相同輸入下推到最高設定。

第一個壞掉的東西不是畫質。是一個下拉選單。Veo 3.1 停在 8 秒，只提供兩種長寬比。一個鏡頭要停在臉上、跟著球甩鏡、然後讓標題卡落下，8 秒鐘根本不夠。它根本沒機會在畫質上失敗。

關鍵結論

• Veo 3.1 的 duration 枚舉是 [4, 6, 8]，aspect_ratio 枚舉是 [16:9, 9:16]。MiniMax H3 可跑 4 到 15 秒的任何整數秒，並提供 21:9, 16:9, 4:3, 1:1, 3:4, 9:16。Veo 沒有 4:3 意味著完全無法做出復古 OVA 畫面構圖。
• H3 的模型卡列出了 11 種原生穩定的對話語言，日文是其中之一。音頻和畫面是同時生成的，32 kHz 立體聲，不是後期配音。
• 參考素材包差距很大：H3 最多可接受 9 張圖片加上最多 3 段影片和 3 段音頻（最多 12 個檔案）。Veo 3.1 的參考端點只能接受 3 張圖片，而且一旦使用它，duration 就會強制變成 [8]。
• 兩個會悄悄搞砸測試的陷阱：Veo 的 API 預設 generate_audio 為 false，resolution 為 720p；H3 的文字轉影片 ratio 預設為 1:1。放著不管，你就是在比較一個無聲的 720p 片段和一個正方形的片段。
• Veo 3.1 保留了 H3 完全沒有的兩樣東西：seed 和 negative_prompt。對於 2D 動畫來說，第二個參數真的非常重要，我會在後面展示原因。

---

MiniMax H3 動畫影片生成器 vs Veo 3.1，同一個影格，背對背比較

一個原創角色。一個關鍵影格。一個提示詞，完全複製貼上到兩個模型。其他所有設定都各自調到最高。

Zdu1SJ7kN_o

MiniMax H3，圖片轉影片，2K，8 秒，原生音頻。請打開聲音：群眾背景音、擊球聲和日文喊叫是在同一個生成步驟中與畫面一起產生的。在 Atlas Cloud 上使用 minimax/h3/image-to-video 生成。

r_7UCdbs8Mk

Veo 3.1，圖片轉影片，1080p，8 秒，手動開啟 generateaudio，加上 negativeprompt 來保持線條平塗。相同的第一幀，相同的文字。在 Atlas Cloud 上使用 google/veo3.1/image-to-video 生成。

兩者都畫得很漂亮。Veo 的擊球廣角鏡頭，帶有手繪撞擊線和漂浮在空中的漫畫音效，真的很棒。這是誠實的起點，也正是為什麼本文接下來要討論的是參數和指令遵循，而不是主觀感受。

為什麼大多數 MiniMax H3 動畫影片生成器 vs Veo 3.1 的測試會出錯

今年夏天同時發生了兩件事。

動畫成了 AI 影片中產量最高的格式。2026 年世界盃被改寫成少年漫畫錦標賽，球員被塑造成獨裁者、海盜船長、海軍上將和導師，劇情在 TikTok、Instagram、X 和 YouTube 上「幾乎每場比賽後都會更新」（Complex，2026 年 7 月）。

而 MiniMax H3 開放了權重。第 0 天的 ComfyUI 討論串在幾小時內就達到了 330 分和 95 則留言，人們貼出了實際的本機跑分數據（Hacker News，2026 年 8 月）。

把這兩件事放在一起，你會預期看到一堆動畫比較。但幾乎沒有，因為大多數測試都在以下四種方式中出了錯。

他們比較的是畫面，而不是限制條件。 動畫鏡頭是時機問題。甩鏡後接標題卡，在變成渲染問題之前，首先是時長問題。

他們忘記 Veo 的 API 預設是無聲的。 在 API 上，generate_audio 是 false，resolution 是 720p。很多「Veo 在動畫中沒有音頻」的貼文，只是有人沒去打開那個布林值。

他們忘記 H3 的文字轉影片預設是正方形的。 ratio 預設是 1:1，不是 16:9。在沒設定的情況下執行 t2v 動畫提示詞，你會得到一個正方形片段和一個困惑的結論。

他們用寫實照片的提示詞來測試。 「電影感、體積光、淺景深」正是那種會把 2D 模型拖向 3D 渲染陰影的詞彙。動畫的失敗模式不是模糊，而是塑膠感。

三個在按下執行前就決定動畫測試結果的設定

在做任何事之前，先設定好這兩邊的這些參數，否則比較無效。

MiniMax H3 vs Veo 3.1 動畫規格表：長度、比例、音頻、參考素材

我直接從兩個模型的即時輸入架構中擷取資料，而不是相信任何發布文章。下面的每個值都是你可以在模型頁面上自己查看的枚舉，不是個人印象。

表 1：MiniMax H3 vs Veo 3.1，決定動畫鏡頭的參數

時長、比例、解析度、音頻和參考素材限制來自 MiniMax H3 圖片轉影片、H3 文字轉影片、H3 參考素材轉影片、Veo 3.1 圖片轉影片 和 Veo 3.1 參考素材轉影片 頁面上的即時架構。9 張圖片和 12 個檔案的參考上限以及 11 種語言的對話清單來自 MiniMax H3 模型卡（Hugging Face，2026 年 8 月）。

現在看計分板，因為它們說的事情和規格表不同，而兩者都很重要。

表 2：群眾投票 Elo 與每分鐘牌價，2026 年 8 月 7 日快照

Elo 和價格數據來自 Artificial Analysis Video Arena（Artificial Analysis，2026 年 8 月）。這些是滾動的群眾投票，數字會變動。每分鐘費用欄是標準化的模型估算，不是你的實際帳單。

145 分的 Elo 差距很大，但這是通用投票，不是針對動畫的投票。而且這裡我必須坦白說：MiniMax 並沒有把 H3 定位為動畫模型。內部第一線回饋清單顯示，電影、動畫和漫畫劇情是 H3 不針對的領域。所以有趣的問題不是「哪個是動畫模型」，而是為什麼一個不以動畫為賣點的模型在鏡頭表現上仍然勝出，以及 Google 又在哪裡扳回一城。

在進入教學之前有一個實務提醒。下面每個模型都是透過同一個主控台和同一個 API 金鑰執行，這是參數可以直接比較的唯一原因。相同的佇列、相同的認證、同一張帳單。如果你把 GPT Image 2 放在一個服務上，Veo 放在另一個服務上，你發現的一半差異會是管道問題，而不是模型問題。

建構鏡頭：MiniMax H3 vs Veo 3.1，逐步教學

一個從頭到尾的執行範例。「最後的哨音」：一個原創青少年前鋒，紅髮、白色海軍藍 9 號球衣、球場照明燈、擊球時甩鏡、以及一個必須在最後兩秒落下並保持穩定的日文標題卡。

沒有真實球員、沒有官方角色、沒有現有動畫 IP。只有風格和致敬。稍後會詳細說明原因。

步驟 1：使用 GPT Image 2 設計動畫關鍵影格

關鍵影格承載了美術方向，這樣影片模型就不必自己發明。請注意左邊三分之一處的留白空間：這是刻意為之。標題卡將由影片模型寫在那裡，這是文字穩定性的測試。

plaintextCopy
1一部現代少年運動動畫的單一影格。賽璐珞風格 2D 動畫，手繪墨線、線條粗細一致、平塗色塊、硬邊圖形陰影、完全沒有 3D 陰影或寫實皮膚。特寫一位原創青少年前鋒：凌亂的深紅髮、白色海軍藍球衣、背號 9、臉頰上有一道汗水和草痕、睜大的眼睛帶著疲憊的決心、張嘴大吼。在他身後，體育場照明燈刺入模糊的群眾色彩牆；畫面中央爆出放射狀速度線；一根草葉凍結在空中。飽和色調、深青色陰影、暖橙色邊緣光。16:9 構圖，角色偏右，左邊三分之一處乾淨留白。圖片中沒有任何文字。

設定：模型 openai/gpt-image-2/text-to-image，品質 high，尺寸 16:9 (2048x1152)。沒有其他設定。

Atlas Cloud 上的 GPT Image 2 遊樂場，顯示 Last Whistle 關鍵影格提示詞和輸出面板中的完成動畫影格

Atlas Cloud 上的 GPT Image 2：品質設為高，右側是完成的關鍵影格。

基礎動畫關鍵影格：一個原創紅髮前鋒在體育場照明燈下大吼，賽璐珞風格、平塗顏色和速度線

兩個模型都收到的關鍵影格。平塗顏色、硬邊陰影、左邊三分之一處留白等待標題卡。

步驟 2：MiniMax H3 圖片轉影片，全部推到最高

同樣的圖片輸入，2K 輸出。我這裡故意把 H3 限制在 8 秒，以便與 Veo 的上限匹配。這不是 H3 的限制，步驟 4 會解除這個限制。

plaintextCopy
1賽璐珞風格 2D 動畫，手繪墨線、平塗顏色、無 3D 陰影。在射手臉上停頓一拍，然後隨著他踢球出現一個劇烈的甩鏡，甩鏡時畫面模糊成帶有拖曳線條的作畫崩壞動態痕跡。撞擊瞬間有一幀完全靜默。在最後兩秒，粗體白色日文標題 ラストホイッスル 出現在畫面左邊三分之一處並保持穩定不動，不變形、不閃爍、不飄移。射手用日文大喊一句台詞：「まだ終わってない！」音頻：體育場歡呼聲高漲、一次清脆的擊球撞擊聲、標題卡出現時的低沉太鼓聲。

設定：模型 minimax/h3/image-to-video，resolution: 2K，duration: 8，ratio: adaptive（圖片轉影片會從輸入圖片中取得畫面形狀），image = 步驟 1 的輸出。

一個警告：如果你改用文字轉影片，請明確寫出 ratio: 16:9。預設是 1:1，它會很樂意給你一個正方形動畫片段。

Atlas Cloud 上的 MiniMax H3 圖片轉影片遊樂場，顯示 Last Whistle 提示詞、已載入的關鍵影格和輸出面板中的完成片段

Atlas Cloud 上的 MiniMax H3 圖片轉影片：左側載入步驟 1 的關鍵影格，右側播放完成的片段。

步驟 3：Veo 3.1 圖片轉影片，手動開啟音頻

提示詞完全一樣，逐字複製。改變任何一個形容詞就不再是比較了。會改變的是 Veo 給你而 H3 沒有的額外欄位。

negative_prompt，對於 2D 動畫來說，這是這份清單中唯一最有用的控制項：

plaintextCopy
13D render, CGI, plastic shading, photorealistic skin, live action footage, motion blur
2soup, warped lettering, gibberish text, extra fingers, subtitle bar

設定：模型 google/veo3.1/image-to-video，resolution: 1080p（要更改，預設是 720p），duration: 8（這是上限），aspect_ratio: 16:9，generate_audio: true（API 預設是 false，這是無聲片段的陷阱），seed: 20260807，image = 相同的步驟 1 輸出。

Atlas Cloud 上的 Veo 3.1 圖片轉影片遊樂場，顯示已啟用產生音頻、已載入動畫關鍵影格和輸出面板中的完成片段

Atlas Cloud 上的 Veo 3.1 圖片轉影片，已開啟 Generate Audio，右側是完成的片段。

步驟 4：在五個動畫專用軸向上評分

這裡不需要生成任何東西。只是觀察，在動畫真正會出問題的地方。兩個片段都嵌入在本文上方附近，所以你可以自己打分，而不是相信我。

兩個片段最後一幀的並排比較，左側 MiniMax H3 有清晰的日文標題，右側 Veo 3.1 有亂碼的垂直字符

每個片段的最後一幀。左邊，H3 寫出了 ラストホイッスル，全部八個片假名正確且穩定。右邊，Veo 3.1 寫出了三個字符，既不是要求的詞彙，也不是一個詞。

標題卡是決定勝負的地方，而且差距很大。H3 準確渲染了要求的片假名，邊緣銳利且穩定，覆蓋在球門區的模糊甩鏡上。Veo 3.1 產生了一個由三個字符組成的垂直堆疊，既不是要求的詞彙，也不是一個詞。在同一幀中，它還讓角色移出了畫面，並讓背景在最後滑向半寫實的體育場靜態畫面，儘管 photorealistic skin 和 3D render 就在負面提示詞中。

表 3：決定動畫片段的五個軸向，來自這兩次執行

最後一行是迄今為止對 H3 最大的公開批評，也正是我把它寫進兩個提示詞的原因。在第 0 天的 ComfyUI 討論串中，使用者 fwip 抱怨連官方示範提示詞都被忽略了：「一個劇烈的甩鏡從屋頂上把那些浮動的文字帶著一起模糊掉，拖動模糊。然後影片完全沒有做任何那種轉場，它只是用一個切換來代替。」

在這次執行中，是 Veo 把甩鏡換成了切換，而 H3 做了模糊。一次執行各一次不能算是定論，我也不會說不是。但這確實意味著批評不是 H3 專屬的：甩鏡是整個測試中兩邊都最不可靠的指令。如果你的分鏡依賴甩鏡，那就繞過它來編排，而不是透過它。

步驟 5：Veo 3.1 在結構上無法輸出的 4:3 復古 OVA 片段

這不是品質偏好。這是一道牆。Veo 的 aspect_ratio 枚舉只有兩個值，而且沒有 4:3，它的 duration 枚舉也沒有 12。90 年代 OVA 的外觀根本無法實現。

plaintextCopy
11990 年代 OVA 動畫片段，4:3 全畫面。手繪背景美術，可見筆刷紋理，賽璐珞上色角色，粗細不均的濃墨線條，照明燈周圍有強烈的暈光輝光，16mm 底片顆粒和輕微的片門抖動。同一個紅髮前鋒，穿著白色海軍藍 9 號球衣，從被雨淋濕的球場走出來，群眾噪音逐漸消失變成單一的鈴聲。鏡頭慢慢推近他的臉。他輕聲用日文說：「次は、勝つ」。復古色調：暗藍綠色、灰塵琥珀色、深栗色陰影。音頻：遙遠的雨聲、孤單的類比合成器 pad、遠方一聲回音很重的哨音。

設定：模型 minimax/h3/text-to-video，resolution: 2K，duration: 12，ratio: 4:3。記得手動設定這個比例，因為預設值不同。

Atlas Cloud 上的 MiniMax H3 文字轉影片遊樂場，顯示輸入的 OVA 提示詞和輸出面板中完成的復古片段

Atlas Cloud 上的 MiniMax H3 文字轉影片，已輸入 OVA 提示詞，片段已完成。完全公開：這次特定執行把 Aspect Ratio 留在 16:9，Duration 留在 8，所以你在右邊看到的是寬螢幕的短版本。下面的 4:3 十二秒片段來自 API 呼叫，其中明確設定了 ratio: 4:3 和 duration: 12。

4:3 復古 OVA 片段：同一個前鋒以 90 年代動畫風格從被雨淋濕的球場走出來

H3 文字轉影片，4:3，12 秒。傳回的檔案是 1920x1440，精確符合 4:3，並帶有 32 kHz 立體聲音軌。此處以降低幀率的無聲 GIF 顯示以保持頁面輕量。在 Atlas Cloud 上使用 minimax/h3/text-to-video 生成。

步驟 6：九張參考圖片，一個角色，四個鏡頭

跨鏡頭的角色一致性是 AI 動畫中最困難的問題，而解決方案是參考素材的數量。先建立素材包：重新執行步驟 1 的提示詞，但將構圖改為正面、四分之三側面、全側面、背面、大笑、咬牙、全身站姿、球衣細節和球鞋細節。九張圖片，總共大約八美分。

同一原創前鋒角色的四個角度，作為參考素材包生成，排列成 2x2 網格

九個參考角度中的四個。H3 在一個參考素材包中最多可接受九張圖片，還可加上影片和音頻參考素材。

plaintextCopy
1賽璐珞風格 2D 動畫，一致的手繪墨線、平塗顏色、無 3D 陰影。在每個鏡頭中保持參考前鋒的臉、頭髮輪廓和 9 號球衣完全相同。一個連續鏡頭中的四個剪輯：(1) 低角度推進他的靴子踩在草地上，(2) 甩鏡向上到他的眼睛特寫，(3) 他衝過三名模糊剪影後衛的廣角鏡頭，(4) 凍結在一個空中頭錘，速度線向外爆開。音頻：群眾歡呼、呼吸、靴子踩在草地上的撞擊聲、凍結時的一個太鼓聲。

設定：模型 minimax/h3/reference-to-video，refers = 你的圖片，type: image，resolution: 2K，duration: 8 或更高，ratio: adaptive 或 16:9。

Veo 3.1 的等效設定無法以這些設定執行，你也不需要嘗試就知道原因。它的參考端點最多接受 3 張圖片，而且選擇該端點會讓 duration 強制縮減為唯一的合法值 8。一個九張圖片的素材包和一個 10 秒的鏡頭都超出範圍。

Atlas Cloud 上的 MiniMax H3 參考素材轉影片遊樂場，顯示參考素材計數器為 4/9，輸出面板中顯示第一個鏡頭

Atlas Cloud 上的 MiniMax H3 參考素材轉影片。計數器顯示 Reference Materials (4/9)，下方有 MAX:9，這是介面中的上限，而不是規格表上的聲明。輸出是第一個鏡頭，低角度推進靴子。

另外四個值得做的 MiniMax H3 動畫影片生成器執行

Last Whistle 鏡頭只測試了其中四個差異。這四個測試了其餘的。它們都在 H3 上執行；備註中會說明哪些 Veo 3.1 可以匹配。

1. 超寬銀幕作畫打鬥，21:9，10 秒。 Veo 完全無法輸出 21:9。

plaintextCopy
1賽璐珞風格 2D 動畫動作，粗細漸變的墨線、平塗顏色、硬邊陰影、無 3D 陰影。兩個原創蒙面決鬥者在黃昏風吹的寺廟屋頂上。刀劍交鋒，畫面震動，兩名戰士在爆發的手繪衝擊幀和放射狀速度線中分開。攝影機：低角度推進，然後水平跟拍，然後快速切換到夕陽下的寬廣剪影。音頻：兩聲尖銳金屬碰撞、布料啪響、最後凍結時的低沉太鼓聲，沒有音樂。

1. 節拍同步的 AMV 剪輯，使用音頻參考素材的參考素材轉影片。 H3 最多可接受三段音頻作為參考輸入。Veo 3.1 完全沒有音頻輸入，只有音頻輸出。

plaintextCopy
1賽璐珞風格 2D 動畫蒙太奇，對齊參考音頻軌道。五個短拍：窗上的雨、繃帶纏緊的手、從火車窗外掠過的城市天際線、起跑衝刺、凍結在伸出的手。每個剪輯正好落在參考音頻的重拍上。平塗顏色、濃墨線條、高對比夜晚色調，深靛藍和霓虹洋紅。

1. 兩行日文對話場景，12 秒。 這是唇形同步的壓力測試，12 秒已經超出 Veo 的範圍。

plaintextCopy
1賽璐珞風格 2D 動畫，平塗顏色、無 3D 陰影。兩個原創角色在黃金時刻的屋頂上，正反打鏡頭。第一個用日文說：「本当に行くの？」。第二個半笑著用日文回答：「もう決めた」。嘴巴吻合每個音節。溫暖的邊緣光、長長的影子、頭髮輕柔飄動。音頻：兩個不同的日文聲音、遙遠的車聲、一聲蟬鳴。

1. 直式少年短片，9:16，8 秒。 兩個模型都可以做直式，所以這是唯一一個真正要 A/B 比較而不是假設的地方。

plaintextCopy
1賽璐珞風格 2D 動畫，直式構圖。一個原創青少年跑者以慢動作衝破紙製橫幅，然後畫面突然恢復全速，她在體育場直道上加速。速度線、平塗顏色、硬邊陰影、大膽的圖形化天空。攝影機：低角度跟拍鏡頭，然後甩鏡向上到她的臉。音頻：橫幅撕裂、群眾湧動、屏住呼吸然後釋放。

如果你想要這些背後的提示詞語法，MiniMax H3 提示詞指南 對 H3 如何解析攝影機和音頻指令有更深入的探討，這裡無法詳述。

MiniMax H3 vs Veo 3.1：60 秒動畫開頭的成本是多少

一個標準的動畫 OP 大約是 90 秒。算作八個 8 秒的鏡頭，共 64 秒的成品影片，加上每個鏡頭一個關鍵影格，每個 $0.009。

有一個實際的定價差異你應該知道，而不是讓我含糊帶過。Atlas Cloud 目錄顯示 MiniMax H3 的固定價格為每秒 $0.10，而模型說明文件則細分為 2K 每秒 $0.14、768P 每秒 $0.10。Veo 3.1 目錄顯示每秒 $0.20，而說明文件則區分為含音頻每秒 $0.40、不含音頻每秒 $0.20。

我螢幕截圖中的執行按鈕解決了這個問題。H3 參考素材轉影片，8 秒 2K，報價 Run $1.12，正好是每秒 $0.14。Veo 3.1 圖片轉影片，8 秒 1080p 含音頻，報價 Run $3.2，正好是每秒 $0.40。所以說明文件費率才是實際計費的費率，目錄標題只是入門等級。我下面仍然列出了兩種讀數。這些是 2026 年 8 月的牌價。

表 4：八個 8 秒鏡頭，包含關鍵影格

價格取自表 1 中連結的 Atlas Cloud 模型頁面，2026 年 8 月。這四種目前都沒有折扣。

表格中沒有包含的兩件事，而且兩者都比每秒費率影響更大。

重試。 沒有人會使用動畫鏡頭的第一次生成。無論你假設的倍數是多少，套用到兩欄時，差距會以相同比例擴大。

實際時間，而這個是反過來的。 在 2026 年 8 月 7 日從頭到尾計時：H3 2K 8 秒花了 447 秒，約 7.5 分鐘。H3 文字轉影片 2K 12 秒花了 334 秒。Veo 3.1 1080p 8 秒含音頻花了 152 秒，不到三分鐘。在第一次生成的速度上，Veo 大約快了三倍，而如果你在凌晨兩點迭代一個鏡頭，這就值真金白銀。佇列會變動，所以請將這些視為某個下午的快照，而不是規格。但任何聲稱 H3 2K 只要「2 到 3 分鐘」的人，引用的是說明文件，而不是實際佇列。2K 與 768P 比較 涵蓋了何時較高階層級值得多花幾分鐘。

動畫風格、致敬，以及你實際上可以發布什麼

本文中的所有內容都是風格和致敬。一個原創角色、一套原創球衣、一個原創標題。沒有生成或要求任何官方動畫角色，也沒有使用任何真實足球員的名字或肖像。世界盃趨勢被引用為一種格式，因為這正是它有用的地方。

這個區別不是裝飾。如果你要商業性地製作動畫風格內容，「90 年代 OVA 風格」和「這個特定節目中的這個特定角色」是不同的法律物件，且只有一個是可行的生意。

關於開放權重：H3 確實可以下載，而且人們在第一天就跑了。一位評論者報告說，在 4070 Ti Super 16GB 上，10 秒 480p 片段需要 10 分鐘，其他人在 5080 上報告 3 分鐘，在 RTX 6000 Pro 上報告 68 秒。但自架推理運行在 768 短邊；產生 2K 的 Context-IR 和 Regenerate-2K 階段仍留在 API 端。

授權有一個真正的陷阱。社群授權目前不涵蓋歐盟、英國、南韓或美國，理由是這些地區「目前正在制定或執行 AI 相關法規」。有一個正式的授權申請管道，一位 HN 評論者將其總結為「你只需要小指頭發誓你不會惹毛迪士尼，他們就會寄給你授權」。有趣，但如果你身處這四個地區之一，這正是你不能跳過的合規步驟。開放權重文章 有完整的區域清單。

常見問題

MiniMax H3 是比 Veo 3.1 更好的動畫影片生成器嗎？

對於大多數動畫工作來說，是 H3，而且主要是因為與渲染無關的原因。它可跑 4 到 15 秒，而 Veo 只有 4、6 或 8 秒；它提供六種長寬比，包括 4:3 和 21:9，而 Veo 只有兩種；它將日文列為 11 種原生穩定對話語言之一；它可接受九張參考圖片，而 Veo 只有三張。Veo 3.1 在一個特定情況下勝出：當你需要 seed 進行可重複的重新生成，或 negative_prompt 來防止鏡頭漂向 3D 渲染陰影時。H3 沒有這兩個參數。如果你的流程依賴其中任何一個，那是一個真正值得留在 Veo 的理由。

Veo 3.1 可以生成 4:3 或 15 秒的動畫片段嗎？

不行，而且不是出於風格原因。Veo 3.1 的 aspect_ratio 枚舉恰好包含 16:9 和 9:16，其 duration 枚舉恰好包含 4、6 和 8。沒有 4:3 的值可以選擇，也無法要求 12 或 15 秒。如果你的參考來源是 90 年代電視動畫或 OVA，在 Veo 上無法達到那種構圖，而 H3 可以。

為什麼我的 Veo 3.1 動畫片段回來是無聲的？

因為 generate_audio 在 API 上預設為 false。遊樂場的開關通常已經開啟，所以這只會咬到直接呼叫 API 的人。請明確設定 generate_audio: true。同時，也設定 resolution，因為它預設為 720p，而不是你可能想要的 1080p 或 4k。

MiniMax H3 支援動畫的日文對話和唇形同步嗎？

是的。模型卡列出了 11 種具有穩定對話支援的語言：阿拉伯文、中文、英文、法文、德文、義大利文、日文、韓文、葡萄牙文、俄文和西班牙文。音頻是與畫面共同生成的，32 kHz 立體聲，而不是後期配音，這就是為什麼嘴巴時機可以貫穿整個句子，而不只是前幾個音節。直接將日文句子以日文寫入提示詞中。

我可以使用多少張參考圖片來保持動畫角色的一致性？

MiniMax H3 最多接受 9 張圖片、最多 3 段影片和最多 3 段音頻，所有類型總共硬上限為 12 個檔案。Veo 3.1 的參考素材轉影片端點接受 1 到 3 張圖片，選擇它會讓 duration 強制縮減為唯一的合法值 8。對於一個在系列中反覆出現的動畫角色來說，這個差異就是整個遊戲的關鍵。

MiniMax H3 有開放權重，所以我可以在本地免費運行我的動畫流程嗎？

你可以下載並運行它，但有三個注意事項。自架推理運行在 768 短邊，而產生 2K 輸出的 Context-IR 和 Regenerate-2K 階段仍留在 API 端。實際的本機速度因顯示卡而異：根據第 0 天 ComfyUI 討論串，在 4070 Ti Super 上，10 秒 480p 片段大約需要 10 分鐘；在 5080 上約 3 分鐘；在 RTX 6000 Pro 上約 68 秒。而且社群授權目前不涵蓋歐盟、英國、南韓或美國，所以如果你身處這些地區，商業使用需要正式授權。