Seedance 2.5 对比 MiniMax H3：每个人都测试了30秒的Flex。但没人测试过Shot 4。

MiniMax在上周五发布了H3。24小时内，Seedance 2.5就送到了用户手中，时间线坍缩成一场对话：三十秒、原生4K、五十个参考输入。H3的发布帖子静悄悄地躺在下方，几乎没人真正跑过测试。

我理解原因。三十秒是个很漂亮的数字，适合放进标题。

但如果你真的在制作竖屏短剧，你就会知道毁掉你夜晚的不是第30秒，而是第4个镜头。男主角的下颌线偏移了半厘米，领结少了一个褶皱，观众在钩子落地前就划走了。没有人会因为一个片段是15秒而不是30秒而流失。他们流失是因为特写里的那个人和全景里的不是同一个人。

所以我跳过了参数对决。我制作了一张角色转面图、一张六格场景板，写了一个15秒的哥特短剧提示词，然后把完全相同的素材包发给两边。然后我盯着那张脸看。

关键要点

• 两者都是真实的，但并非同样可触达。 H3的三个端点（文本、图像和参考到视频）现已上线并可调用。Seedance 2.5的API在字节跳动那边已发布，但在我所用的多模型平台上，它仍然只是一个Day-0页面，因此我进行的头对头对比中，Seedance一侧是Seedance 2.0参考到视频。我在所有重要之处都标注了这一点。
• 规格清晰分立。 Seedance 2.5 = 单次生成最长30秒，原生4K，最多50个多模态参考，区域级编辑。H3 = 5到15秒，原生2K 24fps，9张图片+3个视频+3个音频片段（最多12个文件），每个输出均有立体声，整段指令编辑。
• 角色稳定性是素材包问题，而非模型生成问题。 使用一张复合转面图加一张光照板，两个模型都保持了相同的面容和服装。无论生成次数多少，都无法拯救或毁掉镜头；关键在于素材包。
• 没人测试的那个模型已经排到第三。 在Artificial Analysis图像到视频竞技场中，H3以1185 Elo排名第三，落后于Seedance 2.0的1196 Elo。Seedance 2.5尚未登榜。
• 两者都能生成自己的音频。 H3还接受最多三个音频参考来固定角色的声音，这省去了短剧流程中整个TTS和同步步骤。
• 关注每帧像素，而非秒数。 相同的参考包、相同的时长：H3的参考到视频返回1440p，Seedance 2.0的参考到视频返回720p。这重新定义了整个成本问题。

Seedance 2.5自身的配对数据尚未公布。一旦端点在我测试的平台开放，我会立即补充。

Seedance 2.5 vs MiniMax H3 结果，不谈理论

在谈任何理论之前，我们先看工作流产出的内容。这是从一个完成的15秒竖屏片段中截取的四个镜头并拼贴而成。这是MiniMax自家H3参考运行的结果，基于你将在步骤1和步骤2中看到的角色表和场景板，原生1440x2560分辨率。我使用相同素材包进行的后续运行将在教程中展示，并附有游乐场状态。

她到达雕花门（场景板第4格），然后是在走廊对峙，接着是他紧贴脸部的特写，最后是双人镜头。他的发际线在侧面和特写中分得一模一样。她的半扎辫王冠在正面脸部特写中幸存，而这正是大多数模型悄悄重建脸部的时刻。奶油色蕾丝紧身胸衣从第一帧到最后一帧保持着相同的领口和袖口。

这就是整个测试。不是三十秒。而是四个镜头和一条下颌线。

为什么Seedance 2.5 vs MiniMax H3在同一周爆发，以及为什么大多数角色测试毫无用处

MiniMax于7月30日发布了H3，这是一个通用多模态视频模型，能将文本、图像、视频和音频作为单一上下文处理，并返回5到15秒、最高2K分辨率、原生立体声的片段。它还能编辑现有素材，并将动作从一个片段转移到另一个片段。MiniMax表示权重将在数天内发布（Reuters，2026年7月）。

Seedance 2.5在同一窗口期发布，带着更响亮的数据：单次生成长达30秒、原生4K、单个任务中最多50个多模态参考输入（The Next Web，2026年7月）。其API已在开发者手中，具备局部编辑功能（可重绘帧的一部分，同时保持表演、光照和摄像机行为不变）、参考到视频（接受绿幕或3D白模区块）、11种语言，以及实验性长视频模式（可达180秒）（CineD，2026年7月）。

关注度差距是很有趣的部分。我找到的几乎所有帖子都是2.5的片段。与此同时，公共竞技场数据却说了另一回事：在Artificial Analysis的图像到视频排行榜上，720p的Seedance 2.0以1196 Elo领先，Gemini Omni Flash以1195 Elo紧随其后，而MiniMax H3在发布仅四天后就以1185 Elo位列第三。Seedance 2.5尚未有评级（Artificial Analysis，2026年7月）。声音最少的模型，恰恰是得分与关注度比率最高的那个。

现在谈谈真正决定你输出的部分，因为它几乎与你选择哪个logo无关。

大多数角色一致性测试在模型参与之前就已经失败了。四种失败模式，全部由你来解决：

第一行是人们最容易出错的地方。发送六张单视图图像，模型会将其视为六个候选人物并取平均值。发送一张干净的复合图，模型会将其视为从三个角度看到的同一个人。同样的像素，完全不同的结果。

Seedance 2.5 vs MiniMax H3 规格表，以及今天实际可调用的内容

将能力与可用性分开，矛盾就变得清晰了。在原始能力上，Seedance 2.5在时长、分辨率上限、参考数量以及编辑粒度上领先。在可用性上，H3是本周在通用模型平台上拥有三个活跃端点的那个。如果你正在为2026年规划做AI视频模型对比，第二列与第一列同样重要。

测试设置的全部披露。 当我运行本次测试时，Seedance 2.5在我使用的平台上尚未开放，因此Seedance一侧使用的是Seedance 2.0 参考到视频，这是同一家族中当前已发布的产品，具有相同的四模态参考系统。如果2.5会改变答案，我会明确指出。Seedance 2.5 页面目前只是一个Day-0通知。

以下所有内容均在单个浏览器标签页中运行，使用同一个密钥，共三个模型：

H3还有文生视频和图生视频端点，如果你想使用纯文本基线或首尾帧控制。

在计划批量生成之前，还有一件事值得了解：屏幕文字。这个15秒的H3标题序列在八次硬切中保持了英文演职员表，没有一个拼写错误，这在生成视频中是最难保持稳定的要素之一。

Seedance 2.5 vs MiniMax H3 短剧工作流，分步详解

五个步骤。请完全按照原文复制提示词，包括那些难看的部分。我没有为文章做任何清理，你也不应该为模型做任何清理。

步骤1：使用GPT Image 2构建角色表

在制作任何视频之前，先制作参考包。一张图片，两个角色，每个角色三个视图，纯白色无缝背景，均匀的影棚灯光。这消除了除你关心的那个之外的所有歧义：这个人长什么样。

plaintextCopy
1一张全身角色转面参考图，纯白色无缝背景，两个角色并排，共六个人物，均匀中性影棚灯光，地面无阴影，无文字，无标签，无水印。
2
3左半部分，男主角，三个视图排成一排：正面、右侧面、背面。二十多岁，肤色白皙，深色波浪中长发，下颌线锐利。穿着及地黑色天鹅绒长外套，领口和袖口有细腻的同色系刺绣，黑色锦缎马甲，黑色丝绸领结，直筒黑色长裤，抛光黑色皮革德比鞋。手臂自然垂于两侧，中性表情。
4
5右半部分，女主角，三个视图排成一排：正面、右侧面、背面。二十出头，肤色白皙，长卷栗色头发，半扎辫王冠。穿着奶油色维多利亚棉质蕾丝连衣裙，长袖带蕾丝袖口，合身紧身胸衣配小纽扣，全长及踝裙摆，奶油色踝带低跟鞋。手臂自然垂于两侧，中性表情。
6
7摄影写实风格，六个人物比例一致，脚部对齐在同一水平线上，边缘到边缘清晰对焦。

设置： 模型 OpenAI GPT Image 2 文生图，质量高，宽高比 16:9，其他默认。 Atlas Cloud上的GPT Image 2文生图，运行完成：左侧是转面提示词，OUTPUT面板中白色背景上的六个人物。

这是目标形态。六个人物，同一基线，背景中没有任何可争论的东西： 驱动演示片段的参考包：男主角穿黑色天鹅绒，女主角穿奶油色维多利亚蕾丝，每个角色三个视图，一个文件。 我自己对步骤1提示词进行的GPT Image 2运行，与上图参考进行对比。

步骤2：用六格场景板锁定场景

你保住了脸，但光照仍会背叛你。第二张参考图像固定了六个机位、月光方向、空气中雾气的多少以及地面的湿润程度。你在告诉模型，这部电影只有一套光照设置。

plaintextCopy
1一张六格电影场景板，2行3列，面板之间为细黑边框，每个面板底部用优雅的小写白色全大写字母间距字体标注标题。主题：废弃哥特城堡内部，夜晚。冷蓝色月光，低飘雾气，湿润反光石地板，高耸彩色玻璃窗，带小火苗的铁制烛台，深去饱和的黑色，厚重的天鹅绒窗帘。所有面板中均无人。
2
3面板1，标题 “WIDE ESTABLISHING VIEW - CORRIDOR”：长柱廊向远处延伸至点亮的彩色玻璃窗。
4面板2，标题 “LOW ANGLE - MOONLIGHT ACROSS FLOOR”：低角度机位，一束月光斜射过湿润的板岩。
5面板3，标题 “DOORWAY & STAIRCASE COMPOSITION”：拱形门框，内嵌弧形石楼梯。
6面板4，标题 “CLOSE DETAIL - CARVED DOOR”：厚重雕花木门紧贴镜头，带铁质把手。
7面板5，标题 “WINDOW-SIDE VIEW - FOG & CURTAINS”：高窗，雾气涌入，窗帘边缘在前景。
8面板6，标题 “FINAL POSTER FRAME - EMPTY HALL”：对称空荡大厅，图案地毯通向窗户。
9
10摄影感，电影感，胶片颗粒，六个面板色调一致。

设置： 同一模型，质量高，宽高比 16:9。 驱动演示片段的场景板：六个哥特城堡内部，同一色调，标题可读。 我自己对步骤2场景板提示词进行的GPT Image 2运行。

步骤3：使用MiniMax H3参考到视频生成镜头

两张参考图像加上一个包含机位和音频方向的提示词。声音在同一轮中生成，因此没有单独的语音或配乐步骤。在调试时保持短时长，然后在正式剪辑时推至15秒。

plaintextCopy
1参考图像1是角色表：左边的男人是男主角，右边的女人是女主角。保持两个身份完全如所示：他的下颌线、深色波浪发、黑色天鹅绒长外套、黑色锦缎马甲和黑色丝绸领结；她的栗色半扎辫发型和奶油色维多利亚蕾丝连衣裙。参考图像2是场景和光照板：匹配其冷蓝色月光、飘动雾气、湿润反光石地板和深去饱和的黑色调。
2
39:16竖屏，高端真人短剧风格，浅景深，电影感对比度，无字幕，无屏幕文字，无水印。
4
5镜头1：中近景，摄像机缓慢推进。女主角站在月光照射的走廊中，呼吸微弱，目光凝视画框右侧外的某物。雾气在膝盖高度飘过她身边。
6镜头2：硬切。从她身后过肩镜头，男主角从黑暗拱门中步入月光，外套捕捉光线，表情冷漠而好奇。
7镜头3：他面部的紧贴特写，半明半暗地映着窗户，然后是她面部的匹配特写，她拒绝移开视线。
8
9音频：低沉持续的贝司嗡鸣，遥远的石头回声，她不安的呼吸，他步入光线时一声沉重的脚步声，最后一个切上出现一次柔和的弦乐渐强。

设置： 模型 MiniMax H3 参考到视频，分辨率 2K，时长 8（滑块默认值；正式剪辑推至15），宽高比自适应，两个文件均放入参考材料。面板将其计为9个中的2个，因此你有充足空间添加服装或道具图。

值得注意宽高比的情况。我将宽高比设为自适应，仅在提示词中写了“9:16竖屏”。H3仍然返回了竖屏，因此它从文本中读取了构图，无需使用表单字段。 Atlas Cloud上的MiniMax H3参考到视频，运行完成：两个参考文件已加载（9个中的2个），分辨率2K，生成的竖屏片段在OUTPUT面板中播放。

第一帧是女主角穿着奶油色蕾丝紧身胸衣，站在场景板面板1中的走廊里，雾气在膝盖高度，月光照在潮湿的地板上，与场景板中的位置完全一致。两张参考图像都落地了。

步骤4：使用完全相同素材包运行Seedance 2.5 vs MiniMax H3对照

不要更改一个字。相同的两张参考图像，相同的提示词，不同的模型。我让每个页面自身的时长默认值保持不变，而不是强制匹配，并在下方说明每个模型返回的结果。为了“配合”另一个模型而改述提示词，正是比较开始撒谎的方式。

plaintextCopy
1与步骤3相同的提示词，逐字复制。不要为了另一个模型而改述它。

设置： 模型 Seedance 2.0 参考到视频，分辨率 720p，相同的两张参考图像放入参考图片（同样是9个中的2个，另有单独插槽用于最多3个参考视频和3个参考音频文件）。时长保持页面默认值，返回的片段为10秒。 Atlas Cloud上的Seedance 2.0参考到视频，使用与步骤3完全相同的参考包和提示词运行完成，OUTPUT面板中显示10秒结果。

以下是两个OUTPUT面板实际显示的内容，我如实报告，而非选择赢家。

两个运行都保持了角色。相同的奶油色蕾丝连衣裙，相同的领口和袖口，相同的栗色头发，相同的雾气与月光走廊，均来自场景板。两者都没有创造出一个不同的女人。参考包在两边都完成了这项工作，这是我最关心的发现。

差异在于形式，而非面孔。这个Seedance端点返回720p；H3在相同输入下返回2K。构图也不同：H3从提示词文本中直接读出了“9:16竖屏”并返回竖屏，而Seedance运行返回的是16:9，因为该页面有自己的宽高比控制，仅凭提示词文本未能覆盖。如果你在为TikTok剪辑，第一次忘记表单字段时，这个差异会让你多花一次运行的成本。Seedance 2.5可能会改变分辨率这一部分，并增加区域级重试，我不想假装我测量过这一点。

步骤5：修复一个镜头，无需重新生成整个片段

短剧的真正成本不在于第一次生成，而在于第七次修改。H3接受现有片段作为输入，并根据指令进行编辑，同时保持你未提及的部分不变。Seedance 2.5在此处的卖点更精细：重绘帧的一个区域，同时保持表演、光照和摄像机不变。

plaintextCopy
1使用提供的片段：保持两个角色、他们的服装、摄像机运动以及剪辑节奏完全不变。仅更改环境：将月光石走廊替换为同一城堡的舞厅，高耸的拱形窗户，点亮的枝形吊灯，温暖的烛光，并重新照亮两个角色，使其主光源来自画面左侧的枝形吊灯而非窗户。将她唯一的一句台词重写为“你从未睡着过，是吗。”保持她在相同节拍上的表演时间。

设置： MiniMax H3 参考到视频，以步骤3的片段作为参考输入，时长5，分辨率2K。

超越Seedance 2.5 vs MiniMax H3测试：四种优化参考包的方法

同一角色，下一集。 将步骤1的图保存为资产，只更改提示词中的镜头列表和故事模块。身份来自文件，而非你记忆中上周二如何措辞的印象。

同时固定声音。 H3接受最多三个音频参考，每个2到15秒，且必须伴随图像或视频输入。给它一个声音样本，角色就会以该音色说话，这样你就不用在各集之间重新选配音演员了。

在付费渲染前先锁定摄像机。 Seedance 2.5的参考到视频接受3D白模区块和绿幕板，因此你可以先在灰色几何体上锁定构图，然后再投入最终效果。此示例运行在Seedance 2.1（家族早期成员）上，但工作流形态相同。

本地化一个母版剪辑，而非重新拍摄。 区域级替换可以更换面孔、产品或口头语言，同时保持摄像机、时间点和唇部时长不变。此处，一个母版美妆镜头被重新选角并重新配音为西班牙语、韩语和印地语，房间、构图和唇部时长保持不变。

另外，考虑到有人会问当你不再保持理智时动作转移会是什么样子：三个穿西装的男人，被替换为三只逼真的水豚，它们逐拍跟随原始片段的动作路径，直到堆叠成金字塔。

还有所有这一切的朴素版本，没人会发帖的那种：静态海报变成动态海报，布局保持不变。 静态源海报。将其输入参考到视频，并加上“保持框架、调色板和布局，动画化文字”，你将获得同一设计的动态版本。

Seedance 2.5 vs MiniMax H3短片实际成本是多少

这里没有数字，因为数字会变动，而结构不会。两个家族都按秒计费，即用即付，无座位费也无订阅费。这留下三个变量：秒数、分辨率等级以及重试次数。

第三个变量就是全部账单。一个15秒的片段，第一次就成功，只需一次收费。同一个片段到第七次，就是七次。因此，省钱的方法不是选择更便宜的每秒模型，而是在生成任何内容之前先做好参考包。步骤1和步骤2中的两次图像调用是整个流程中最便宜的一行，却决定了你要进行多少次视频调用。在整个链条中，这是投资回报率最高的一环，远远领先。

然后纠正按秒计费的直觉。相同参考包，相同时长：H3的参考到视频返回1440p，而此Seedance参考到视频端点返回720p。每秒是错误的单位。每帧像素，以及你是否需要额外付费进行单独的放大处理，才是正确的单位。

音频也应纳入计算。两边都在同一轮中生成原生同步声音。如果你当前的流程是视频模型加TTS再加一个对齐音轨的编辑人员，那么你节省的是两次API调用和一个工作人员整个下午的时间，而这一节省在任何价格清单上都找不到。

哪个任务选哪个模型：

在发布之前。 MiniMax表示H3的权重将在发布后数天内发布，但开放权重不等同于商业许可，因此自托管前请阅读条款。水印和商业使用政策在消费者应用和API访问之间也可能不同，我在撰写本文时无法从主要条款页面确认任何一方，因此请查阅提供商的条款，而非仅凭我的说法。此外，任何模型许可都不涵盖肖像权或商标权。如果参考包中包含真实人物、真实品牌或他人知识产权，那是一个单独的法律问题，模型条款无法回答。

上表中所有模型都在同一个密钥上运行，模型页面包含当前费率以及可复制粘贴的代码，包括Seedance系列本周可能进行的任何促销活动。

常见问题

在角色一致性方面，Seedance 2.5比MiniMax H3更好吗？

理论上应该更好，最多50个多模态参考对比H3的12个文件，再加上区域级重试。但截至2026年7月31日，尚无公开的配对测试可供参考，Seedance 2.5也尚未获得竞技场评级。在我实际能运行的测试中，决定身份稳定性的变量是参考包结构，而非模型代数：使用一张复合转面图加一张光照板，两边都保持了角色。在花钱选择模型之前，先做好参考包。

我现在就能用Seedance 2.5，还是必须等待？

其API已在字节跳动上线。在第三方模型平台上的可用性参差不齐，在我测试的平台上，它仍是一个Day-0通知。如果你今晚就需要产出，可调用的选项是MiniMax H3的三个端点以及整个已发布的Seedance 2.0系列。

MiniMax H3真的能生成30秒视频吗？

不能。规格是单次生成5到15秒，24fps。更长的视频需要扩展或拼接，这是另一回事，具有不同的漂移风险。30秒单次生成属于Seedance 2.5。不要让这两个说法混淆。

两个模型都能生成音频吗？我能让一个角色在多集中保持同一声音吗？

两者都在同一轮中生成原生同步音频，H3每个结果都输出立体声。对于持久的声音，H3接受最多三个音频参考（每个2到15秒），必须与图像或视频输入一起提交，不能单独提交。

实际上应该发送多少张参考图像？

比你想象的要少，但结构要更好。一张精心制作的复合图通常胜过六张松散的裁剪图，因为单独的文件会诱使模型将它们平均成一个不存在的人。给它两个明确的任务：身份和光照，不要包含相互冲突的风格样本。

我应该用哪个模型制作TikTok或ReelShort风格的竖屏短剧？

本周发货，9:16，高分辨率，声音已混好：MiniMax H3。如果你计划一个30秒的连续场景，并希望重试单个区域而非整个片段：为Seedance 2.5构建，并在你的平台开放时进行检查。