MiniMax H3 动画视频生成器：15秒，4:3，以及Veo 3.1标题卡片搞砸了

整个夏天，我的信息流一直在循环播放同一个视频。世界杯球员被重绘成少年漫画主角。一个独裁者。一个海盗船长。一个在最后四秒才出现的饱经风霜的导师。每个帖子数百万的播放量，剧情几乎每场比赛后都会更新。

制作这些视频的人不是在写基准测试帖子。他们选择模型，消耗积分，然后在下一场开球前发布。

所以我拿了一个动漫关键帧和一段提示词，在相同输入下，将 MiniMax H3 作为动漫视频生成器与 Veo 3.1 进行对比测试，两者都推到最高设置。

首先出问题的不是图像质量。而是一个下拉菜单。Veo 3.1 只能生成 8 秒，并且只提供两种宽高比。一个镜头先停留在脸上，然后随着球做摇摄，最后落定一个标题卡，这不可能在 8 秒内完成。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，意味着完全无法实现复古 OVA 画幅。
• 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 32 kHz 立体声同时生成，不是后期配音。
• 参考包功能差距很大：H3 最多可接受 9 张图片加上最多 3 个视频和 3 个音频片段（总共最多 12 个文件）。Veo 3.1 的参考端点接受 3 张图片，一旦使用，duration 会缩减为仅 [8]。
• 两个会悄悄毁掉测试的陷阱：Veo 的 API 默认将 generate_audio 设为 false，resolution 设为 720p；H3 的文本转视频 ratio 默认是 1:1。忽略这些，你就是在比较一个无声的 720p 片段和一个方形片段。
• 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，第二个功能确实很重要，我会展示它的作用。

---

MiniMax H3 动漫视频生成器 vs Veo 3.1，同一帧的背靠背对比

一个原创角色。一个关键帧。一段提示词，逐字复制到两个模型中。其他所有设置都调到最高。

Zdu1SJ7kN_o

MiniMax H3，图生视频，2K，8 秒，原生音频。打开声音：人群嘈杂声、击球声和日语喊叫声是在同一通道中与画面一起生成的。使用 Atlas Cloud 上的 minimax/h3/image-to-video 生成。

r_7UCdbs8Mk

Veo 3.1，图生视频，1080p，8 秒，手动开启 generate_audio，并添加了 negative_prompt 以保持线条平整。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，带有手绘冲击线和空中漂浮的漫画音效，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 动漫视频生成器与 Veo 3.1 的对比测试会出错

今年夏天同时发生了两件事。

动漫成为 AI 视频中数量最多的格式。2026 年世界杯被改写为一场少年锦标赛，球员被塑造成独裁者、海盗船长、海军将军和导师，剧情在 TikTok、Instagram、X 和 YouTube 上“几乎每场比赛后都会更新”（Complex，2026 年 7 月）。

而 MiniMax H3 发布了开放权重。发布当天的 ComfyUI 帖子获得了 330 个点赞和 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，你可能会期待看到大量动漫对比。但几乎没有，因为大多数测试在构建时都犯了以下四种错误之一。

他们比较的是画面，而不是约束条件。 动漫镜头是时机的艺术。一个摇摄到标题卡的镜头，在成为渲染问题之前首先是时长问题。

他们忘记了 Veo 的 API 默认是静音的。 在 API 上，generate_audio 默认是 false，resolution 默认是 720p。很多“Veo 在动漫中没有音频”的帖子，只是有人从未翻转过那个布尔值。

他们忘记了 H3 的文本转视频默认是方形的。 ratio 默认是 1:1，而不是 16:9。在没有设置的情况下运行动漫 t2v 提示词，你会得到一个方形片段和一个混乱的结论。

他们使用照片级真实的提示词进行测试。 “电影感、体积光、浅景深”正是那种会把 2D 模型拉向 3D 渲染着色的词汇。在动漫中，失败模式不是模糊，而是塑料感。

在运行前决定动漫测试的三个设置

在任何事情之前，在两边都设置好这些，否则比较无效。

MiniMax H3 与 Veo 3.1 的动漫规格表：时长、比例、音频、参考

我提取了两个模型的实时输入模式，而不是相信任何发布帖子。下面的每个值都是你可以在模型页面上自己读取的枚举，而不是印象。

表 1：MiniMax H3 与 Veo 3.1，决定动漫镜头的参数

时长、比例、分辨率、音频和参考限制来自 MiniMax H3 图生视频、H3 文生视频、H3 参考生视频、Veo 3.1 图生视频 和 Veo 3.1 参考生视频 页面上的实时模式。9 张图片和 12 个文件的参考上限以及 11 种语言的对话列表来自 MiniMax H3 模型卡（Hugging Face，2026 年 8 月）。

现在来看排行榜，因为它们与规格表不同，而且两者都很重要。

表 2：众包投票 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）。这些是滚动众包投票，数据会变动。$/分钟列是归一化的模型估计值，不是你的发票。

145 点的 Elo 差距很大，但这是一个通用投票，不是动漫投票。而且我必须直说：MiniMax 并没有将 H3 定位为动漫模型。内部一线反馈列表将电影、动画和戏剧列为 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，以及 Google 在哪里仍然占得上风。

在教程开始前有一个实用说明。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，这是参数具有可比性的唯一原因。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，你会发现一半的差异是管道问题，而不是模型问题。

构建镜头：MiniMax H3 vs Veo 3.1，逐步操作

一个贯穿始终的例子。“Last Whistle”：一个原创的青少年前锋，红头发，白色和海军蓝的 9 号球衣，泛光灯，击球时的摇摄，以及一个必须在最后两秒内出现并保持稳定的日语标题卡。

没有真实球员，没有官方角色，没有现有的动漫 IP。只有风格和致敬。稍后会有更多关于原因的解释。

第一步：使用 GPT Image 2 设计动漫关键帧

关键帧承载了艺术指导，这样视频模型就不必自行发明了。注意左三分之一的空白区域：这是故意的。标题卡将由视频模型写在那里，这是文本稳定性测试。

plaintextCopy
1现代少年体育动漫的单帧。赛璐珞着色2D动画，手绘墨线，线条粗细一致，纯色填充，硬边图形阴影，绝对没有3D着色和照片级真实皮肤。特写一个原创的青少年前锋：凌乱的深红色头发，白色和海军蓝的球衣，号码9，脸颊上有汗水和草痕，眼睛睁大，带着疲惫的决心，嘴巴张开，正在大喊。在他身后，体育场泛光灯照亮了一面模糊的观众色彩墙；径向速度线从画面中心爆发；一片草叶悬浮在空中。饱和调色板，深青色阴影，温暖的橙色轮廓光。16:9构图，角色位于画面中心偏右，左三分之一干净空白。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)。其他没有。

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

GPT Image 2 on Atlas Cloud：质量设置为 high，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大喊，赛璐珞着色，纯色和速度线

两个模型都接收到的关键帧。纯色，硬阴影，以及一个等待标题卡的空左三分之一。

第二步：MiniMax H3 图生视频，所有设置拉到最高

相同的图片输入，2K 输出。我在这里将 H3 限制为 8 秒，只是为了匹配 Veo 的上限。这不是 H3 的极限，第 4 步会解除限制。

plaintextCopy
1赛璐珞着色2D动漫，手绘墨线，纯色，无3D着色。在击球手的脸上停留一拍，然后一个剧烈的摇摄跟随球，当他击球时，摇摄将画面拖成条纹状的 sakuga 运动轨迹。撞击瞬间有一帧完全静音。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三分之一处，并保持稳定，无变形、无闪烁、无漂移。击球手用日语喊出一句台词：「まだ終わってない！」音频：体育场咆哮声渐强，一次尖锐的击球冲击声，标题卡下的一声低沉太鼓。

设置：模型 minimax/h3/image-to-video，resolution: 2K，duration: 8，ratio: adaptive（图生视频从其输入图像中获取画面形状），image = 第一步的输出。

如果你改为使用文生视频，有一个警告：请明确写出 ratio: 16:9。默认是 1:1，它会很乐意给你一个方形的动漫片段。

Atlas Cloud 上的 MiniMax H3 图生视频工作台，包含 Last Whistle 提示词，已加载关键帧，输出面板中播放完成片段

MiniMax H3 图生视频 on Atlas Cloud：左侧加载了第一步的关键帧，右侧播放完成的片段。

第三步：Veo 3.1 图生视频，手动开启音频

提示词相同，逐字复制。改变一个形容词就不算比较了。变化的是 Veo 提供而 H3 没有的额外字段。

negative_prompt，对于 2D 动漫来说，这是这个列表中最有用的控制：

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

设置：模型 google/veo3.1/image-to-video，resolution: 1080p（更改它，默认是 720p），duration: 8（这是上限），aspect_ratio: 16:9，generate_audio: true（API 默认是 false，这是静音片段陷阱），seed: 20260807，image = 相同的第一步输出。

Atlas Cloud 上的 Veo 3.1 图生视频工作台，显示已启用生成音频，已加载动漫关键帧，输出面板中播放完成片段

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

第四步：在五个特定于动漫的轴上评分

这里不需要生成任何东西。只需观察，在动漫真正会出问题的地方。两个片段都嵌入在本文开头附近，所以你可以自己打分，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 写出了 ラストホイッスル，所有八个片假名都正确且稳定。右侧，Veo 3.1 写出了三个字符，不是要求的词，也不构成一个词。

标题卡是决定胜负的地方，而且差距不大。H3 精确渲染了要求的片假名，硬边且稳定，叠加在球门区域的条纹摇摄上。Veo 3.1 产生了一个垂直堆叠的三个字符，既不是要求的词，也不是一个词。在同一帧上，它还将角色移出了画面，并让背景滑向半照片级真实的体育场画面，尽管 photorealistic skin 和 3D render 位于负面提示词中。

表 3：决定动漫片段的五个轴，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，这也正是我把它写进两个提示词的原因。在发布当天的 ComfyUI 帖子中，用户 fwip 抱怨即使是官方演示提示词也被忽略了：“一个剧烈的摇摄，从屋顶上把漂浮的文字拖走，带有运动条纹。但视频根本没有做那个过渡，只是用切替换了它。” 在这次运行中，是 Veo 把摇摄换成了切，而 H3 做了拖尾。每个只运行一次不是定论，我不会声称相反。但这确实意味着批评不是 H3 特有的：在这个测试中，摇摄是两边最不可靠的指令。如果你的分镜依赖于摇摄，请围绕它而不是通过它来规划分镜。

第五步：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。这是一堵墙。Veo 的 aspect_ratio 枚举只有两个值，都不是 4:3，其 duration 枚举没有 12。90 年代 OVA 的样子根本不可实现。

plaintextCopy
1一个 1990 年代 OVA 动漫片段，4:3 全画幅。手绘背景艺术，可见笔刷纹理，赛璐珞上色角色，粗且不均匀的墨线，泛光灯周围强烈的光晕辉光，16mm 胶片颗粒和微弱的门框抖动。同一个红发前锋，穿着白色和海军蓝的 9 号球衣，在雨淋湿的球场上走下场，观众噪音逐渐消失，变成一声单一的铃声。镜头缓慢推近他的脸。他用日语轻声说：「次は、勝つ」。复古调色板：柔和青绿色，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，远处一声混响很重的哨声。

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

Atlas Cloud 上的 MiniMax H3 文生视频工作台，输入了 OVA 提示词，输出面板中播放完成的复古片段

MiniMax H3 文生视频 on Atlas Cloud，输入了 OVA 提示词，片段完成。完全披露：这次特定运行将 Aspect Ratio 留在了 16:9，Duration 为 8，所以你在右侧看到的是宽屏短版本。下面的 4:3 十二秒片段来自 API 调用，明确设置了 ratio: 4:3 和 duration: 12。

4:3 复古 OVA 片段：同一个前锋在 90 年代动漫风格中走下湿漉漉的球场

H3 文生视频，4:3，12 秒。交付的文件分辨率为 1920x1440，这是精确的 4:3 像素，带有 32 kHz 立体声音轨。此处以较慢帧率的无声 GIF 显示，以保持页面轻量。使用 Atlas Cloud 上的 minimax/h3/text-to-video 生成。

第六步：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，而它通过参考数量来解决。首先构建参考包：重新运行第一步的提示词，将构图分别改为正面、四分之三侧面、完整侧面、背面、大笑、咬牙切齿、全身站姿、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 在一个参考包中最多接受九张图片，此外还可以接受视频和音频参考。

plaintextCopy
1赛璐珞着色2D动漫，一致的手绘墨线，纯色，无3D着色。在每一个片段中保持引用的前锋的面部、头发轮廓和9号球衣完全相同。一个连续镜头中的四个片段：（1）低角度推进镜头，他的球鞋踩在草地上，（2）向上摇摄到他的眼睛的特写，（3）广角镜头，他高速跑过三个防守球员，画成模糊的剪影，（4）定格在半空中头球，速度线向外爆发。音频：人群咆哮，呼吸声，球鞋与草地撞击声，定格时的一声太鼓。

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 的等效功能无法在这些设置下运行，你不需要尝试就知道原因。它的参考端点最多接受三张图片，选择该端点会将 duration 缩减为唯一合法的值 8。九张图片的包和 10 秒的片段都超出了范围。

Atlas Cloud 上的 MiniMax H3 参考生视频工作台，显示参考计数器为 4/9，输出面板中显示第一个片段

MiniMax H3 参考生视频 on Atlas Cloud。计数器显示 Reference Materials (4/9)，下面有 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，低角度推进镜头到球鞋。

另外四个值得一试的 MiniMax H3 动漫视频生成器运行

Last Whistle 镜头只强调了四个差异。下面这四个强调了其余部分。它们都在 H3 上运行；注释说明了哪些 Veo 3.1 可以匹配。

1. 超宽画幅 sakuga 战斗，21:9，10 秒。 Veo 根本无法输出 21:9。

plaintextCopy
1赛璐珞着色2D动漫动作，粗锥形墨线，纯色，硬边阴影，无3D着色。两个原创蒙面对手在黄昏时风吹的寺庙屋顶上。刀剑碰撞，画面震动，两个战士在一阵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，布料撕裂声，最后定格时的一声低沉太鼓，无音乐。

1. 节拍同步的 AMV 片段，带音频参考的参考生视频。 H3 最多接受三个音频片段作为参考输入。Veo 3.1 没有音频输入，只有音频输出。

plaintextCopy
1赛璐珞着色2D动漫蒙太奇，与引用的音频轨道同步。五个短节拍：窗户上的雨，一只手收紧绷带，城市天际线从火车窗外飞过，起跑冲刺，定格在一只伸出的手上。每个片段正好落在引用的音频的重拍上。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。 这是口型同步的压力测试，12 秒已经超出了 Veo 的范围。

plaintextCopy
1赛璐珞着色2D动漫，纯色，无3D着色。两个原创角色在黄金时分的屋顶上，正反打。第一个用日语说：「本当に行くの？」。第二个半笑着用日语回答：「もう決めた」。嘴巴匹配每一个音节。温暖的轮廓光，长长的影子，头发在微风中轻轻飘动。音频：两个不同的日语声音，远处交通声，一声蝉鸣。

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

plaintextCopy
1赛璐珞着色2D动漫，竖屏构图。一个原创的青少年跑步者慢动作冲破纸制横幅，然后画面快速恢复到全速，她在体育场直道上加速。速度线，纯色，硬阴影，大胆的图形天空。摄像机：低角度跟拍，然后向上摇摄到她的脸。音频：横幅撕裂声，人群涌动声，一声屏住呼吸然后释放的声音。
2
3如果你想要这些背后的提示词语法，[MiniMax H3 提示词指南](https://www.atlascloud.ai/blog/guides/minimax-h3-prompt-guide?utm%5Fsource=blog&utm%5Fmedium=article&utm%5Fcampaign=minimax-h3-anime-video-generator) 比我在这里更深入地介绍了 H3 如何解析摄像机和音频指令。

MiniMax H3 与 Veo 3.1 上 60 秒动漫片头的成本

一个标准的动漫片头大约是 90 秒。可以说总共 8 个镜头，每个 8 秒，共 64 秒的完成视频，加上每个镜头一个关键帧，每个 $0.009。

有一个真实的价格差异，你应该知道，而不是让我掩盖。Atlas Cloud 目录显示 MiniMax H3 为 $0.10/秒，而模型自述文件细分为 $0.14/秒（2K）和 $0.10/秒（768P）。Veo 3.1 列为 $0.20/秒，而其自述文件则区分了 $0.40/秒（含音频）和 $0.20/秒（不含）。

我的截图中的运行按钮可以解决这个问题。H3 参考生视频，8 秒，2K，报价 Run $1.12，正好是 $0.14/秒。Veo 3.1 图生视频，8 秒，1080p，开启音频，报价 Run $3.2，正好是 $0.40/秒。所以自述文件中的费率才是实际收费的，而目录标题是入门层级。但无论如何，我下面还是显示了两个读数。这些是截至 2026 年 8 月的列表价格。

表 4：八个 8 秒镜头，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。目前这四种都没有折扣。

该表不包括两件事，而它们的影响比每秒费率更大。

重试。 没有人会发布动漫镜头的第一次拍摄。无论你假设的乘数是多少，将其应用于两列，差距会按相同比例扩大。

实际时间，这一点则相反。 在 2026 年 8 月 7 日从头到尾计时：H3 在 2K 下生成 8 秒耗时 447 秒，约 7.5 分钟。H3 文生视频在 2K 下生成 12 秒耗时 334 秒。Veo 3.1 在 1080p 下生成 8 秒含音频耗时 152 秒，不到 3 分钟。在此，Veo 获得第一次拍摄的速度大约快三倍，如果你在凌晨 2 点迭代镜头，这是真金白银。队列会变化，所以请将这些视为一个下午的快照，而不是规格。但任何说 H3 在 2K 下“2 到 3 分钟”的人都是在引用自述文件，而不是队列。2K 与 768P 对比分析 涵盖了何时更高层级值得额外的时间。

动漫风格、致敬以及你可以实际发布的内容

本文中的所有内容都是风格和致敬。一个原创角色，一套原创球衣，一个原创标题。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，因为这就是它的用途。

这种区别不是装饰性的。如果你在商业上制作动漫风格的内容，“以 90 年代 OVA 的风格”和“来自这个特定节目的这个特定角色”是不同的法律对象，只有一个是可持续的业务。

关于开放权重：H3 确实可以下载，人们在第一天就运行了。一位评论者报告说，在 16GB 的 4070 Ti Super 上，生成 10 秒 480p 片段需要 10 分钟，而其他人发布了在 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 评论者将其总结为“你只需要小指承诺你不会惹恼迪士尼，他们就会给你发许可证”。这很有趣，而且如果你在四个地区之一，这也是你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

MiniMax H3 相比 Veo 3.1 是一个好的动漫视频生成器吗？

对于大多数动漫工作来说，是的，H3，而且主要是因为与渲染无关的原因。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；它在 11 种原生稳定对话语言中包括了日语；它接受九张参考图片，而 Veo 只接受三张。Veo 3.1 在一种特定情况下胜出：当你需要 seed 来重现镜头，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。如果你的流程依赖于任何一个，那是一个真正的理由来坚持使用 Veo。

Veo 3.1 能生成 4:3 或 15 秒的动漫片段吗？

不能，而且这不是风格原因。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 值可选，也没有办法请求 12 或 15 秒。如果你的参考是 90 年代电视动漫或 OVA，画幅在 Veo 上无法实现，而在 H3 上可以实现。

为什么我的 Veo 3.1 动漫片段无声地回来了？

因为 generate_audio 在 API 上默认为 false。工作台切换通常已经开启，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 是否为动漫做日语对话和口型同步？

是的。模型卡列出了 11 种支持稳定对话的语言：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。音频与画面以 32 kHz 立体声同时生成，而不是事后配音，这就是为什么口型在整句台词中保持一致，而不仅仅是前几个音节。将日语台词直接写在提示词中，使用日语。

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 的参考生视频端点接受 1 到 3 张图片，选择该端点会将 duration 缩减为唯一合法的值 8。对于一个系列中反复出现的动漫角色，这个差异是决定性的。

MiniMax H3 有开放权重，所以我可以在本地免费运行我的动漫流程吗？

你可以下载并运行它，但有三个注意事项。自托管推理运行在 768 短边，产生 2K 输出的 Context-IR 和 Regenerate-2K 阶段仍然在 API 端。现实世界的本地速度因显卡而异：根据发布当天的 ComfyUI 帖子，在 4070 Ti Super 上生成 10 秒 480p 片段大约需要 10 分钟，在 5080 上大约需要 3 分钟，在 RTX 6000 Pro 上大约需要 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获得正式许可证。