MiniMax H3动漫视频生成器：15秒、4:3，以及被Veo 3.1搞砸的标题卡

整个夏天，我的信息流一直在循环播放同一个视频。世界杯球员被重新画成少年主角。一个独裁者。一个海盗船长。一个在最后四秒出现的老练导师。每条帖子数百万观看量，几乎每场比赛后剧情都会更新。

制作这些视频的人不是在写基准测试帖子。他们挑选一个模型，消耗积分，然后在下次开球前发布。

所以我拿了一个动漫关键帧和一个提示词，在相同的输入下，将MiniMax H3作为动漫视频生成器与Veo 3.1进行测试，两者都设为最高设置。

第一个出问题的不是图像质量，而是一个下拉框。Veo 3.1只生成8秒，并且只提供两种宽高比。一个镜头要表现脸部特写、跟着球的甩镜头，然后让标题卡落下，8秒内根本不够。它根本没有机会在质量上失败。

关键要点

• Veo 3.1的duration枚举是[4, 6, 8]，其aspect_ratio枚举是[16:9, 9:16]。MiniMax H3支持从4到15的任意整数秒，并提供21:9, 16:9, 4:3, 1:1, 3:4, 9:16。Veo没有4:3，意味着根本无法实现复古OVA的取景。
• H3的模型卡列出了11种原生稳定的对话语言，日语是其中之一。音频和画面以32kHz立体声同时生成，不是后期配音。
• 参考素材包差距很大：H3最多接受9张图片加上最多3个视频和3个音频文件（最多12个文件）。Veo 3.1的参考端点接受3张图片，一旦使用参考，duration就固定为[8]。
• 两个会悄悄破坏测试的陷阱：Veo的API默认generate_audio为false，resolution默认为720p；H3的文本转视频ratio默认是1:1。如果不设置这些，你就是在比较一个无声的720p片段和一个正方形片段。
• Veo 3.1拥有H3完全没有的两个功能：seed和negative_prompt。对于2D动漫来说，后者确实重要，我后面会展示。

---

MiniMax H3 动漫视频生成器 vs Veo 3.1，相同的帧画面背靠背对比

一个原创角色。一个关键帧。一个提示词，逐字符复制到两个模型中。其他所有设置都各自调到最高。

MiniMax H3，图生视频，2K，8秒，原生音频。打开声音：人群背景音、击球声和日语喊叫声都是与画面同时生成的。使用Atlas Cloud上的minimax/h3/image-to-video生成。

Veo 3.1，图生视频，1080p，8秒，手动开启generateaudio，并添加了negativeprompt以保持线条平涂。相同的第一帧，相同的提示词。使用Atlas Cloud上的google/veo3.1/image-to-video生成。

两者都画得很漂亮。Veo的击球广角镜头，配有手绘冲击线和飘浮在空中的漫画拟声词，确实很可爱。这是诚实的起点，也是为什么本文其余部分将讨论参数和指令遵循，而不是感觉。

为什么大多数MiniMax H3动漫视频生成器 vs Veo 3.1的测试都错了

今年夏天同时发生了两件事。

动漫成为AI视频中产量最高的格式。2026年世界杯被改写成一个少年锦标赛，球员被塑造成独裁者、海盗船长、海军将军和导师，剧情“几乎每场比赛后都会更新”，跨越TikTok、Instagram、X和YouTube（Complex，2026年7月）。

MiniMax H3发布了开放权重。第0天的ComfyUI帖子获得了330分和95条评论，人们在几小时内就发布了真实的本地运行数据（Hacker News，2026年8月）。

把这两件事放在一起，你会期待看到大量动漫对比。但几乎都没有，因为大多数测试都以四种方式之一构建错误。

他们比较的是画面，而不是约束条件。 动漫镜头讲究的是时机。一个甩镜头接标题卡，在渲染问题之前首先是个时长问题。

他们忘了Veo的API默认是无声的。 在API上，generate_audio默认为false，resolution默认为720p。很多“Veo在动漫中没有音频”的帖子，只是有人从未翻转过布尔值。

他们忘了H3的文本转视频默认是正方形的。 ratio默认是1:1，不是16:9。不设置这个参数直接运行t2v动漫提示词，你会得到一个正方形片段和混乱的结论。

他们使用逼真风格提示词进行测试。 “电影感、体积光、浅景深”正是那种会把2D模型拖向3D渲染着色的词汇。动漫的失败模式不是模糊，而是塑料感。

三个决定动漫测试成败的设置，在按下运行按钮前必须设置

在设置好这些之前，对比是无效的。

MiniMax H3 vs Veo 3.1 动漫规格表：时长、比例、音频、参考素材

我直接从两个模型当前的输入模式中提取数据，而不是相信任何发布文章。下面的每个值都是你可以在模型页面上自己看到的枚举值，不是主观印象。

表1：MiniMax H3 vs Veo 3.1，决定动漫镜头的参数

时长、比例、分辨率、音频和参考素材限制来自MiniMax H3图生视频、H3文本转视频、H3参考素材转视频、Veo 3.1图生视频和Veo 3.1参考素材转视频的实时模式页面。9张图片和12个文件的参考上限以及11种语言对话列表来自MiniMax H3模型卡（Hugging Face，2026年8月）。

现在看排行榜，因为排行榜和规格表说法不同，但两者都很重要。

表2：众投Elo和每分钟列表价格，2026年8月7日快照

Elo和价格数据来自Artificial Analysis Video Arena（Artificial Analysis，2026年8月）。这些是滚动众投结果，会发生变化。$/分钟列是标准化模型估算，不是你的实际发票。

145分的Elo差距很大，但这是通用投票，不是针对动漫的。而且这里我必须直说：MiniMax并没有将H3作为动漫模型来营销。内部一线反馈将电影、动画和喜剧剧情列为H3 不 针对的领域。所以有趣的问题不是“哪个是动漫模型”，而是为什么一个不以动漫为卖点的模型仍然赢得了镜头，而Google在哪些方面仍然胜出。

在教程之前有一个实用说明。下面的每个模型都通过同一个控制台和同一个API密钥运行，这是参数可比较的唯一原因。相同的队列，相同的认证，一张账单。如果你在一个服务上设置GPT Image 2，在另一个服务上设置Veo，你发现的一半差异将来自管道，而不是模型本身。

构建镜头：MiniMax H3 vs Veo 3.1，逐步操作

一个连续运行的示例，从头到尾。“最后哨声”：一个原创的青少年前锋，红发，白色和海军蓝9号球衣，泛光灯，关于击球的甩镜头，以及一个必须在最后两秒出现并稳定保持的日语标题卡。

没有真实球员，没有官方角色，没有现有动漫IP。只有风格和致敬。稍后详细说明原因。

第1步：使用GPT Image 2设计动漫关键帧

关键帧承载美术方向，这样视频模型就不必自己发明。注意左侧三分之一处的负空间：这是故意的。标题卡将由视频模型写在那里，这就是文本稳定性测试。

PlainCopy
1一帧现代少年体育动漫的画面。赛璐珞风格的2D动画，手绘墨线，线条粗细一致，纯色填充，硬边图形阴影，绝对不能有3D阴影或逼真皮肤。特写一个原创的青少年前锋：凌乱深红色头发，白色和海军蓝球衣，号码9，一侧脸颊有汗水和草痕，睁大眼睛，疲惫而坚定，嘴巴张开，正在呐喊。他身后，体育场泛光灯照亮了一堵模糊的观众色彩墙；径向速度线从画面中心爆发；一根草叶悬在空中。饱和色调，深青色阴影，暖橙色边缘光。16:9构图，角色位于画面右侧中心，左侧三分之一处干净留白。图像中没有任何文字。

设置：模型 openai/gpt-image-2/text-to-image，质量 high，尺寸16:9（2048x1152）。没有其他设置。

Atlas Cloud上的GPT Image 2工作区，包含Last Whistle关键帧提示词和输出面板中完成的动漫帧

Atlas Cloud上的GPT Image 2：质量设为高，右侧是完成的关键帧。

基础动漫关键帧：一个原创的红发前锋在体育场泛光灯下呐喊，赛璐珞风格，纯色和速度线

两个模型接收的关键帧。纯色，硬阴影，左侧三分之一空白等待标题卡。

第2步：MiniMax H3图生视频，全高设置

输入相同的图片，输出2K。这里我仅将H3限制在8秒，以匹配Veo的上限。这不是H3的极限，第4步会解除限制。

PlainCopy
1赛璐珞风格2D动漫，手绘墨线，纯色，无3D阴影。在前锋脸上停留一拍，然后随着他击球，一个剧烈的甩镜头跟随球，画面模糊成条纹状的作画运动轨迹。击球瞬间有一帧完全静默。在最后两秒内，粗体白色日语标题文字「ラストホイッスル」出现在画面左侧三分之一处，并保持稳定，无变形、无闪烁、无漂移。前锋用日语喊出一句台词：「まだ終わってない！」。音频：体育场欢呼声增强，一次尖锐的击球声，在标题卡下出现一个低沉的太鼓声。

设置：模型 minimax/h3/image-to-video，resolution: 2K，duration: 8，ratio: adaptive（图生视频从输入图像获取画面形状），image = 第1步的输出。

如果你改用文本转视频，请提醒自己：必须明确写出 ratio: 16:9。默认是 1:1，它会愉快地给你一个正方形的动漫片段。

Atlas Cloud上的MiniMax H3图生视频工作区，包含Last Whistle提示词、加载的关键帧和输出面板中的完成片段

Atlas Cloud上的MiniMax H3图生视频：左侧加载了第1步的关键帧，右侧播放着完成的片段。

第3步：Veo 3.1图生视频，手动开启音频

提示词完全相同，逐字逐句。改变任何一个形容词，就不再是对比了。改变的是Veo提供而H3没有的额外字段。

negative_prompt，对于2D动漫来说，这是这个列表中最重要的单个控制：

PlainCopy
13D渲染，CGI，塑料着色，逼真皮肤，真人实拍画面，运动模糊糊状，变形文字，乱码文本，多余手指，字幕条

设置：模型 google/veo3.1/image-to-video，resolution: 1080p（需要更改，默认是720p），duration: 8（这是上限），aspect_ratio: 16:9，generate_audio: true（API默认是false，这是无声片段的陷阱），seed: 20260807，image = 相同的第1步输出。

Atlas Cloud上的Veo 3.1图生视频工作区，显示已启用生成音频，加载了动漫关键帧，输出面板中有完成的片段

Atlas Cloud上的Veo 3.1图生视频，已开启生成音频，右侧是完成的片段。

第4步：在五个动漫特定维度上评分

这里不需要生成任何东西。只需根据动漫实际出问题的点来观察。两个片段都嵌入在本文顶部附近，你可以自己评分，而不是相信我的话。

两个片段最后一帧的并排对比，左侧MiniMax H3有清晰的日语标题文字，右侧Veo 3.1有乱码的垂直字符

每个片段的最后一帧。左侧，H3写了「ラストホイッスル」，所有八个片假名正确且稳定。右侧，Veo 3.1写了三个字符，不是请求的文字，也不构成一个词。

标题卡是这个回合决定胜负的地方，而且差距不大。H3精确地渲染了请求的片假名，硬边且稳定，叠加在球门区域条纹状的甩镜头上。Veo 3.1产生了一组三个垂直堆叠的字符，既不是请求的文字，也不是一个词。在同一帧中，它还把角色移出了画面，让背景滑向半逼真的体育场照片，尽管photorealistic skin和3D render就在负面提示词中。

表3：决定动漫片段的五个维度，来自这两次运行

最后一行是迄今为止对H3最响亮的公开批评，这恰恰是我将两者都写入提示词的原因。在第0天的ComfyUI帖子中，用户fwip抱怨官方演示提示词也被忽略：“一个剧烈的甩镜头掠过屋顶，把漂浮的文字拖走，留下运动条纹。但视频根本没有做任何过渡，只是用切镜替换了它。”在这次运行中，正是Veo把甩镜头换成了切镜，而H3执行了拖尾。各一次运行不是定论，我不会声称相反。但这确实意味着批评并非H3特有：甩镜头是整个测试中两边都最不可靠的指令。如果你的分镜依赖甩镜头，请围绕它而不是通过它来设计分镜。

第5步：Veo 3.1在结构上无法输出的4:3复古OVA片段

这不是质量偏好问题，而是一堵墙。Veo的aspect_ratio枚举只有两个值，都不包含4:3，它的duration枚举也没有12。90年代OVA的风格在Veo上根本无法实现。

PlainCopy
1一个1990年代OVA风格的动漫片段，4:3全画幅。手绘背景艺术，可见笔触纹理，赛璐珞角色，粗而不均匀的墨线，泛光灯周围有强烈的光晕，16mm胶片颗粒和轻微的片门抖动。同一个红发前锋，身穿白色和海军蓝9号球衣，在观众噪音逐渐减弱到单一泛音时，走下被雨水浸湿的球场。摄像机慢慢推近他的脸。他低声用日语说：「次は、勝つ」。复古调色板：柔和蓝绿色，尘土琥珀色，深栗色阴影。音频：远处的雨声，一个孤独的模拟合成器垫音，远处一声带有混响的哨声。

设置：模型 minimax/h3/text-to-video，resolution: 2K，duration: 12，ratio: 4:3。手动设置这个比例，记住默认值。

Atlas Cloud上的MiniMax H3文本转视频工作区，输入了OVA提示词，输出面板中有完成的复古片段

Atlas Cloud上的MiniMax H3文本转视频，输入了OVA提示词，片段已完成。完全披露：这个特定运行将宽高比保留为16:9，时长为8，所以你在右侧看到的是宽屏短版。下面的4:3十二秒片段来自明确设置了ratio: 4:3和duration: 12的API调用。

4:3复古OVA片段：同一个前锋在90年代动漫风格中走下被雨水浸湿的球场

H3文本转视频，4:3，12秒。交付的文件为1920x1440，精确到像素的4:3，带有32 kHz立体声音轨。此处显示为静音GIF，帧率降低以保持页面轻量。使用Atlas Cloud上的minimax/h3/text-to-video生成。

第6步：九张参考图片，一个角色，四个片段

跨镜头角色一致性是AI动漫中最难的问题，而解决方法是参考素材的数量。首先构建素材包：重新运行第1步的提示词，将取景分别改为正面、四分之三、全侧面、背面、大笑、咬牙、全身姿势、球衣细节和球鞋细节。九张图片，总共大约八美分。

同一个原创前锋角色的四个角度，作为参考素材包生成，排列成2x2网格

九个参考角度中的四个。H3在一个参考素材包中最多接受九张图片，此外还可以叠加视频和音频参考。

PlainCopy
1赛璐珞风格2D动漫，一致的手绘墨线，纯色，无3D阴影。在每一个片段中保持所参考前锋的脸部、头发轮廓和9号球衣完全一致。一个连续镜头中的四个片段：(1) 低角度推进他的靴子踩在草坪上，(2) 向上甩镜头到他的眼睛特写，(3) 他冲刺越过三个后卫的广角镜头，后卫画成模糊剪影，(4) 定格在半空中头球，速度线向外爆发。音频：人群欢呼声，呼吸声，靴子踩在草坪上的撞击声，定格时一个太鼓声。

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

Veo 3.1的等效设置无法以这些参数运行，你也不需要尝试就知道原因。它的参考端点最多接受三张图片，选择该端点后duration会固定为唯一合法的值8。九张图片的素材包和10秒的拍摄时间都不在范围内。

Atlas Cloud上的MiniMax H3参考素材转视频工作区，显示参考素材计数器为四分之九，输出面板中为第一个片段

Atlas Cloud上的MiniMax H3参考素材转视频。计数器显示Reference Materials (4/9)，下方有MAX:9，这是界面中的上限，而不是规格表上的声明。输出是第一个片段，靴子的低角度推进。

值得再做的四个MiniMax H3动漫视频生成器运行

Last Whistle镜头只测试了四个差异点。这四个测试了剩下的。所有都在H3上运行；注释说明Veo 3.1能否匹配。

1. 超宽作画战斗，21:9，10秒。 Veo根本无法输出21:9。

PlainCopy
1赛璐珞风格2D动漫动作，粗锥形墨线，纯色，硬边阴影，无3D阴影。两个原创蒙面对手在黄昏时分的风刮过的寺庙屋顶上。刀刃碰撞，画面颤抖，两个战斗者在一系列手绘冲击帧和径向速度线中分开。摄像机：低角度推进，然后横向跟踪，然后快速切换到橙色天空下的宽幅剪影。音频：两次尖锐的金属碰撞声，布料啪嗒声，最终定格时一个低沉的太鼓声，没有音乐。

1. 节拍同步AMV片段，参考素材转视频，带音频参考。 H3最多接受三个音频片段作为参考输入。Veo 3.1根本没有音频输入，只有音频输出。

PlainCopy
1赛璐珞风格2D动漫蒙太奇，与参考音轨同步。五个短节拍：窗户上的雨，收紧绷带的手，城市天际线从火车窗外闪过，冲刺起跑，定格在一个伸出的手上。每个片段精确落在参考音频的沉重节拍上。纯色，粗墨线，高对比度夜间调色板，深靛蓝和霓虹洋红。

1. 两行日语对话场景，12秒。 这是口型同步压力测试，12秒已经超出Veo的范围。

PlainCopy
1赛璐珞风格2D动漫，纯色，无3D阴影。两个原创角色在黄金时分的屋顶上，正反打镜头。第一个用日语说：「本当に行くの？」。第二个半微笑着用日语回答：「もう決めた」。嘴巴匹配每个音节。温暖的边缘光，长阴影，头发轻轻飘动。音频：两个不同的日语声音，远处的交通声，一只蝉。

1. 竖屏少年短片，9:16，8秒。 两个模型都能做竖屏，所以这是唯一一个可以真正A/B测试而不是假设的地方。

PlainCopy
1赛璐珞风格2D动漫，竖屏构图。一个原创的青少年跑步者慢动作冲破纸横幅，然后帧率恢复到全速，她加速冲过体育场直道。速度线，纯色，硬阴影，大胆的图形天空。摄像机：低角度跟拍，然后向上甩到她的脸。音频：横幅撕裂声，人群涌动声，一次屏住呼吸然后释放。

如果你想了解这些背后的提示词语法，MiniMax H3提示词指南比我这里更深入地介绍了H3如何解析相机和音频指令。

MiniMax H3 vs Veo 3.1 制作60秒动漫开头需要多少钱

一个标准的动漫OP大约是90秒。假设八个8秒的片段，64秒的成品视频，加上每个片段一个关键帧，每个$0.009。

存在一个真实的价格差异，你应该知道，而不是让我掩饰。Atlas Cloud目录显示MiniMax H3为每秒$0.10的固定价格，而模型README则分解为2K下$0.14/s，768P下$0.10/s。Veo 3.1目录显示每秒$0.20，而其README则区分带音频$0.40/s和不带音频$0.20/s。

我截图中的运行按钮给出了答案。H3参考素材转视频，8秒，2K，报价Run $1.12，正好是每秒$0.14。Veo 3.1图生视频，8秒，1080p，带音频，报价Run $3.2，正好是每秒$0.40。所以按README费率收费，而目录价格是入门级。不过下面我还是列出了两种读数。这些是2026年8月的列表价格。

表4：八个8秒片段，包含关键帧

价格来自表1中链接的Atlas Cloud模型页面，2026年8月。这四种目前都没有折扣。

该表不包括的两件事，都比每秒费率影响更大。

重试。 没有人第一次就发布一个动漫片段。无论你假设的倍率是多少，应用于两列，差距会按相同比例扩大。

实际耗时，而这一点反过来。 在2026年8月7日从头到尾计时：H3在2K下8秒花了447秒，大约7.5分钟。H3文本转视频2K下12秒花了334秒。Veo 3.1在1080p下8秒带音频花了152秒，不到三分钟。在这里，Veo获得第一次结果的速度大约是H3的三倍，如果你在凌晨2点迭代一个镜头，这是真正的价值。队列会变动，所以把这当作一个下午的快照，而不是规格。但任何说H3在2K下“2到3分钟”的人，都是在引用README，而不是队列。2K与768P对比一文涵盖了何时更高档次值得多花几分钟。

动漫风格、致敬和你能实际发布的内容

本文中的所有内容都是风格和致敬。一个原创角色，原创球衣，原创标题。没有生成或请求任何官方动漫角色，也没有使用任何真实足球运动员的名字或肖像。世界杯趋势被引用为一种_格式_，因为这就是它的有用之处。

这种区别不是装饰性的。如果你要商业化地制作动漫风格的内容，“90年代OVA的风格”和“这个特定节目中的这个特定角色”是不同的法律对象，只有一个是可行的业务。

关于开放权重：H3确实可以下载，人们在第一天就运行了它。一位评论者报告说，在4070 Ti Super（16GB）上，10秒480p片段需要10分钟，其他人报告在5080上需要3分钟，在RTX 6000 Pro上需要68秒。但自托管运行在768短边；产生2K的Context-IR和Regenerate-2K阶段仍然在API端。

许可证有一个真正的陷阱。社区许可证目前不涵盖欧盟、英国、韩国或美国，理由是这些地区“正在制定或执行AI相关法规”。一个正式的许可申请渠道是开放的，一位HN评论者总结为“你只需要保证不会惹迪士尼生气，他们就会给你发许可证”。有趣，也是如果你在四个地区之一时不能跳过的合规步骤。开放权重文章有完整的地区列表。

常见问题解答

MiniMax H3 与 Veo 3.1 相比，是一个好的动漫视频生成器吗？

对于大多数动漫工作，H3更好，主要原因是渲染之外的因素。它支持4到15秒，而Veo只支持4、6或8秒；它提供六种宽高比，包括4:3和21:9，而Veo只有两种；它列出日语为11种原生稳定对话语言之一；它接受九张参考图片，而Veo只有三张。Veo 3.1在一种特定情况下胜出：当你需要seed来实现可重复的重拍，或者需要negative_prompt来防止镜头漂移到3D渲染着色时。H3没有这两个参数。如果你的管道依赖其中任何一个，那是真正坚持使用Veo的理由。

Veo 3.1 能生成4:3的动漫或15秒的片段吗？

不能，而且不是出于风格原因。Veo 3.1的aspect_ratio枚举只包含16:9和9:16，其duration枚举只包含4、6和8。没有4:3的值可选，也无法请求12或15秒。如果你的参考是90年代电视动漫或OVA，这种取景在Veo上无法实现，而在H3上可用。

为什么我的Veo 3.1动漫片段是无声的？

因为API上generate_audio默认为false。工作区中的切换开关通常已经打开，所以这只影响直接调用API的人。请明确设置generate_audio: true。同时，也设置resolution，因为它默认为720p，而不是你可能想要的1080p或4k。

MiniMax H3 是否支持动漫的日语对话和口型同步？

是的。模型卡列出了11种具有稳定对话支持的语言：阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。音频与画面同时以32 kHz立体声生成，而不是后期配音，这就是为什么口型时间能在整个句子中保持，而不仅仅是前几个音节。在提示词中直接用日语写出日语台词。

我可以使用多少张参考图片来保持动漫角色的一致性？

MiniMax H3最多接受9张图片，最多3个视频片段和最多3个音频片段，所有类型的文件总数上限为12个。Veo 3.1的参考素材转视频端点接受1到3张图片，并且选择它会将duration固定为8作为唯一合法值。对于一个系列中的重复动漫角色，这个差异是全部关键。

MiniMax H3 有开放权重，所以我可以在本地免费运行我的动漫管道吗？

你可以下载并运行，但有三个注意事项。自托管推理在768短边运行，产生2K输出的Context-IR和Regenerate-2K阶段仍然在API端。根据第0天ComfyUI帖子，实际本地速度因显卡而异：在4070 Ti Super上大约10分钟生成10秒480p片段，在5080上大约3分钟，在RTX 6000 Pro上大约68秒。并且社区许可证目前不涵盖欧盟、英国、韩国或美国，所以如果你在这些地区，在商业使用之前需要正式许可证。