Seedance 2.5 对比 MiniMax H3：大家都测试了30秒的Flex。没人测试过Shot 4。

MiniMax 周五发布了 H3。二十四小时内，Seedance 2.5 就落到了人们手中，时间线坍缩成一场对话：三十秒、原生 4K、五十个参考输入。H3 的发布帖安静地躺在下面，几乎没人真正跑过一次测试。

我理解为什么。三十秒是个漂亮的数字。它适合上标题。

但如果你真的制作竖屏短剧，你就会知道，毁掉你夜晚的不是第三十秒。而是第四镜。男主的下颌线偏移了半厘米，他的领结少了一个褶，观众在钩子落下之前就划走了。没有人因为一段片段是十五秒而不是三十秒而流失。他们流失是因为特写里的那个人不是全景里的那个人。

所以我跳过了规格表对决。我建了一张角色转面图，一张六格场景板，写了一个 15 秒哥特短剧提示词，然后把完全相同的包发给两边。然后我盯着那张脸。

关键要点

• 只有 H3 今天可调用 — Seedance 2.5 的 API 在字节跳动已上线，但在这个平台上仍是一个第 0 天页面。
• 规格清晰分界： Seedance 2.5 = 单次 30 秒、原生 4K、最多 50 个参考；H3 = 5–15 秒、2K、每个片段带立体声。
• 角色稳定性是一个打包问题 — 一个良好的参考包，而不是一个更大的模型，能稳住那张脸。
• 两者都生成原生音频； H3 还能从最多三个音频参考中固定一个声音。
• 按每帧像素评判，而不是按秒数 — 在同一轮运行中，H3 返回 1440p，而 Seedance 返回 720p。

Seedance 2.5 对比 MiniMax H3 的结果，在没有理论之前

在没有理论之前，先看工作流产生的结果。这是从一个完成的 15 秒竖屏片段中提取的四帧并拼贴在一起。这是 MiniMax 自己的 H3 参考运行，完全使用你将在步骤 1 和步骤 2 中看到的角色转面图和场景板，原生 1440x2560。我自己使用相同包的运行稍后会在教程中给出，显示 playground 状态。

 

 

她到达了雕刻的门，这是场景板中的第 4 格，然后是走廊对峙，然后是紧贴他的特写，然后是双人镜。他的发际线在侧面和特写中分得一样。她的半扎编发王冠经受住了整个脸部的特写，这正是大多数模型悄悄重建脸部的地方。奶油色蕾丝紧身胸衣从第一帧到最后一帧保持了相同的领口和袖口。

这就是整个测试。不是三十秒。四帧和一条下颌线。

为什么 Seedance 2.5 与 MiniMax H3 在同一周发布，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，将文本、图像、视频和音频作为单一上下文读取，并返回 5 到 15 秒的片段，最高可达 2K，带有原生立体声。它还可以编辑现有素材，并将运动从一个片段转移到另一个片段，MiniMax 表示权重将在几天内发布（Reuters，2026 年 7 月）。

Seedance 2.5 在同一窗口期落地，带着一个更响亮的数字：单次生成 30 秒、原生 4K 以及一次任务中最多 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，具有局部编辑功能（可重绘帧的一部分，同时保留表演、光照和相机行为）、参考到视频（可接受绿幕遮罩或 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）。

 

 

注意力差距是有趣的部分。我找到的几乎每篇帖子都是关于 2.5 的片段。与此同时，公共竞技场的数字却说明了别的情况：在 Artificial Analysis 图像到视频排行榜上，Seedance 2.0 720p 以 1196 Elo 领先，Gemini Omni Flash 以 1195 紧随其后，而 MiniMax H3 在发布仅四天后就已位列第三，Elo 为 1185。Seedance 2.5 在那里还没有评分（Artificial Analysis，2026 年 7 月）。讨论最少的模型，是分数与注意力之比最高的模型。

现在来看真正决定你输出结果的部分，因为它几乎与你选择哪个标志无关。

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，而且全都可以由你来修复：

想自己把 Seedance 2.5 和 MiniMax H3 放在同一个提示词面前吗？Atlas Cloud 的模型比较 可以一次运行两个模型，并排显示——相同的提示词和设置，生成前估算成本——这样你无需预订两次测试，就能判断面部、动作和屏幕文字。

Seedance 2.5 和 MiniMax H3 在 Atlas Cloud 的模型比较中，使用相同提示词。Seedance 2.5 返回 720p，费用 $2.42；MiniMax H3 返回 1440p，费用 $1.12，两项费用均在运行前估算。在模型探索器上实时捕获。

第一行是大多数人最容易出错的地方。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。发送一张干净的合成图像，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 对比 MiniMax H3 规格表，以及你今天实际可以调用的内容

将能力与可用性分开，紧张感就变得清晰。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方面领先。在可用性上，H3 是本周在一个通用模型平台上拥有三个实时端点的那个。如果你在做 2026 年规划的 AI 视频模型比较，第二列和第一列同等重要。

关于测试设置的完全披露。 我运行测试时，Seedance 2.5 在我的平台上尚未开放，所以 Seedance 方面使用的是 Seedance 2.0 参考到视频，这是同一家族中当前正在出货的成员，具有相同的四模态参考系统。如果 2.5 会改变答案，我会说明。Seedance 2.5 页面 目前只是一个第 0 天通知。

以下所有内容都在一个浏览器标签页中，用一个密钥运行，总共三个模型：

H3 也有文本到视频和图像到视频入口，如果你想要纯文本基线或首尾帧控制。

在计划批量生成之前，还有一件事值得知道：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，没有一次拼写错误，这是生成视频中最难保持稳定的事情之一。

 

 

Seedance 2.5 对比 MiniMax H3 短剧工作流，逐步操作

五个步骤。完全按照写出的提示词复制，包括那些丑陋的部分。我没有为了文章清理它们，你也不应该为了模型清理它们。

步骤 1：使用 GPT Image 2 构建角色转面图

在制作任何视频之前先制作参考包。一张图像，两个角色，每个角色三个视图，纯白色无缝背景，均匀的摄影棚灯光。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，均匀中性摄影棚灯光，地面无阴影，无文字，无标签，无水印。
2
3左半部分，男主角，三个视图依次排列：正面、右侧面、背面。20 多岁，肤色苍白，深色波浪中长发，轮廓分明的下颌线。穿着及地黑色天鹅绒长礼服外套，翻领和袖口有细微的同色系刺绣，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。手臂放松垂于两侧，中性表情。
4
5右半部分，女主角，三个视图依次排列：正面、右侧面、背面。20 岁出头，肤色白皙，长波浪栗色头发，半扎编发王冠。穿着奶油色维多利亚棉质蕾丝连衣裙，长袖带蕾丝袖口，合身紧身胸衣有小纽扣，全长及踝裙，奶油色踝带低跟鞋。手臂放松垂于两侧，中性表情。
6
7摄影写实风格，所有六个人物比例一致，脚部对齐在同一基线，整体清晰对焦。

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

这是目标形状。六个人物，一条基线，背景中没有任何可争论的内容： 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 提示词执行的 GPT Image 2 运行，与上述参考图进行比较。

步骤 2：用六格场景板锁定场景

你稳住了脸。但光线仍然会背叛你。第二张参考图像固定了六个相机位置、月光的方向、空气中的雾气量以及地面的湿滑程度。你是在告诉模型，这部电影只有一种光照设置。

plaintextCopy
1一张六格电影场景板，2 行 3 列，面板之间细黑分割线，每个面板底部用优雅的小号白色全大写字母间距字体标注。主题：废弃哥特城堡内部，夜晚。冷蓝色月光，低飘雾气，湿滑反光石质地面，高挑彩色玻璃窗，铁制蜡烛壁灯带小暖色火焰，深暗低饱和度黑色，厚重天鹅绒窗帘。所有面板中无人物。
2
3面板 1，标注“WIDE ESTABLISHING VIEW - CORRIDOR”：一条长柱廊后退到一扇有灯光的彩色玻璃窗。
4面板 2，标注“LOW ANGLE - MOONLIGHT ACROSS FLOOR”：低角度，一束月光斜照在湿滑的石板上。
5面板 3，标注“DOORWAY & STAIRCASE COMPOSITION”：一个拱形门道，框住一段弯曲的石头楼梯。
6面板 4，标注“CLOSE DETAIL - CARVED DOOR”：紧贴的雕花木门特写，带铁制把手。
7面板 5，标注“WINDOW-SIDE VIEW - FOG & CURTAINS”：高挑窗户，雾气涌入，窗帘边缘在前景。
8面板 6，标注“FINAL POSTER FRAME - EMPTY HALL”：对称的空旷大厅，可看到图案地毯通往窗户。
9
10摄影感、电影感、胶片颗粒，所有六个面板色调一致。

设置： 同一模型，质量高，宽高比 16:9。 驱动演示片段的场景板：六张哥特式城堡内部，一种色调，标注可读。 我自己对步骤 2 场景板提示词执行的 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提示词，携带相机位置和音频方向。声音在同一个通道中产生，因此没有单独的语音或配乐步骤。调整时保持短时长，然后在正式剪辑中推到 15 秒。

plaintextCopy
1参考图像 1 是角色转面图：左侧的男人是男主角，右侧的女人是女主角。保持两者身份完全如图所示：他的下颌线、深色波浪头发、黑色天鹅绒长礼服外套、黑色锦缎马甲和黑色丝绸领结；她的栗色半扎编发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、飘浮雾气、湿滑反光石质地面和低饱和度黑色调。
2
39:16 竖屏，高级真人短剧风格，浅景深，电影对比度，无字幕，无屏幕文字，无水印。
4
5镜头 1：中近景，相机缓慢推进。女主角站在月光照耀的走廊中，呼吸急促，眼睛盯着画外右侧的某个东西。雾气在她膝盖高度移动。
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，大衣捕捉光线，表情冷漠而好奇。
7镜头 3：紧贴他脸部特写，半被窗户照亮，然后是她脸部的匹配特写，同时她拒绝移开视线。
8
9音频：低沉的持续低音嗡鸣，遥远的石质回声，她不稳定的呼吸，他步入光线时一个沉重的脚步声，最后一个切上有一个柔和的弦乐渐强。

设置： 模型 MiniMax H3 参考到视频，分辨率 2K，时长 8（滑块默认值；正式剪辑推到 15），宽高比自适应，以及参考资料中的两个文件。面板将其计为 9 个中的 2 个，所以你还有充足的空间来添加服装或道具图片。

值得一提的是宽高比的情况。我将宽高比保持在自适应，只在提示词中写了“9:16 竖屏”。H3 仍然返回了竖屏，所以它从文本中读取了构图，而不需要表单字段。 Atlas Cloud 上的 MiniMax H3 参考到视频，运行完成：两个参考文件已加载，计为 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，站在场景板图 1 的走廊中，雾气在膝盖高度，月光照在湿滑的地板上，正好落在场景板放置的位置。两张参考图像都落地了。

步骤 4：使用相同的包运行 Seedance 2.5 对比 MiniMax H3 的对照测试

不要改变一个字。相同的两张参考图像，相同的提示词，不同的模型。我让每个页面自己的时长默认值保持不变，而不是强制匹配，我会在下面说明每个模型返回了什么。为“适应”另一个模型而重写提示词，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。不要为另一个模型重写它。

设置： 模型 Seedance 2.0 参考到视频，分辨率 720p，参考图像中的相同两张参考图像（同样是 9 个中的 2 个，还有单独的槽位用于最多 3 个参考视频和 3 个参考音频文件）。时长保持页面默认值，返回了一个 10 秒片段。 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，而不是挑选赢家。

两轮运行都保持了角色。相同的奶油色蕾丝连衣裙，带有相同的领口和袖口，相同的栗色头发，相同的雾气月光走廊，从场景板中提取。两者都没有发明一个不同的女人。参考包在两侧都完成了这项工作，这是我最关心的发现。

差异在于形式，而不是面部。这个 Seedance 端点交付了 720p；H3 交付了 2K，输入相同。而且构图不同：H3 从提示词文本中直接读取了“9:16 竖屏”并返回了竖屏，而 Seedance 运行返回了 16:9，因为该页面有自己的宽高比控制，仅凭提示词文本无法覆盖。如果你是为 TikTok 剪辑，这种差异会在你第一次忘记表单字段时让你多花一次运行时间。Seedance 2.5 可能会改变分辨率的这一半，并增加区域级重新尝试，我不会假装我测量了这一点。

步骤 5：修复一镜，无需重滚整个片段

短剧的真正成本不是第一次生成。而是第七次修订。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 在这里的卖点更精细：重绘帧的一个区域，同时保留表演、光照和相机。

plaintextCopy
1使用提供的片段：保持两个角色、他们的服装、相机运动和剪辑节奏完全不变。只改变环境，将月光石走廊替换为同一城堡的舞厅，高挑拱形窗，亮着的水晶吊灯，温暖的烛光，并重新照亮两个角色，使他们的主光源来自画面左侧的吊灯，而不是窗户。将她唯一的一句台词重写为“你从来就没睡着过，是吗。”保持她的表演节奏在相同节拍上。

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

 

 

超越 Seedance 2.5 对比 MiniMax H3 测试：推动参考包的四种方法

同一角色，下一集。 将步骤 1 的转面图保存为资产，只在提示词中更改镜头列表和故事块。身份来自一个文件，而不是你记忆中的措辞。

 

 

固定声音。 H3 最多接受三个音频参考，每个 2 到 15 秒，并且必须伴随图像或视频输入。给它一个声音样本，角色就会以那种音色说话，这样你就不用在剧集之间重新选配音演员了。

 

 

在支付渲染费用之前先锁定相机。 Seedance 2.5 的参考到视频接受 3D 白模区块和绿幕遮罩，因此你可以在灰色几何体上锁定构图，然后再投入最终外观。这个示例运行在 Seedance 2.1 上，是该家族的早期成员，但工作流的形状是相同的。

 

 

本地化一个母版剪辑，而不是重新拍摄。 区域级替换可以替换一张脸、一个产品或一种口语，同时保持相机、时间和嘴唇动作不变。这里，一个母版美容剪辑被重新选角和重新配音，用于西班牙语、韩语和印地语，而房间、构图和嘴唇动作都保持不变。

 

 

另外，因为有人会问，当你停止理智时，运动转移看起来是什么样子：三个穿西装的男人，被三只照片级逼真的水豚取代，忠实地跟随原始片段的运动路径，直到它们堆叠成一个金字塔。

 

 

还有这一切的朴素版本，没人会发帖：一张静态海报变成一个动态海报，布局保持不变。 静态源海报。将其输入参考到视频，提示词为“保持帧、调色板和布局，使文字动起来”，你就会得到同一个设计的动态版本。

Seedance 2.5 对比 MiniMax H3 短片的实际成本

这里没有数字，因为数字会变，而结构不会。两个系列都按秒计费，按使用付费，无需座位和订阅。这就剩下三个变量：秒数、分辨率层级和重新尝试次数。

第三个变量就是全部账单。一个 15 秒片段第一次尝试就成功，只收一次费。同一个片段第七次尝试才成功，就收七次。所以省钱的做法不是选择更便宜的每秒模型，而是在生成任何东西之前先把参考包弄对。步骤 1 和步骤 2 中的那两个图像调用是整个管线上最便宜的环节，却决定了你要进行多少次视频调用。在整个链路中，投资回报率最高，遥遥领先。

然后纠正每秒的本能。相同的参考包，相同的运行时间：H3 的参考到视频返回 1440p，这个 Seedance 参考到视频端点返回 720p。每秒是错误单位。每帧像素，以及你是否需要另外付费进行单独的上采样通道，才是正确的单位。

音频也应该计入算术。两边都在同一个通道中产生原生同步声音。如果你当前的管线上是视频模型加 TTS 再加一个编辑对齐轨道的编辑人员，那么你节省的是两次 API 调用和一个下午的人力，而这项节省不会出现在任何价格表上。

哪个模型适合哪个工作：

在发货之前。 MiniMax 表示 H3 的权重将在发布后几天内发布，而开放权重与商业许可是不同的，所以在自托管之前请阅读条款。两边的消费者应用和 API 访问在水印和商业使用政策上也不同，我在撰写本文时无法从主要条款页面确认任何一项，所以请查看提供商的条款，而不是相信我的话。而且没有任何模型许可涵盖肖像或商标。如果参考包中包含真人、真实品牌或他人的知识产权，那是一个独立的法律问题，模型的条款不会回答它。

上表中所有模型都在同一个密钥上运行，模型页面 带有当前费率以及可复制粘贴的代码，包括本周 Seedance 系列的促销活动。

常见问题

Seedance 2.5 在角色一致性上比 MiniMax H3 更好吗？

理论上应该如此，它支持最多 50 个多模态参考，而 H3 是 12 个文件，此外还有区域级重试。但截至 2026 年 7 月 31 日，没有我可以指出的配对公开测试，而且 Seedance 2.5 还没有竞技场评分。在我实际能做的运行中，决定身份稳定性的变量是参考包结构，而不是模型代次：使用一张组合转面图加一张场景板，两边都保持了角色。在花时间比较模型之前，先把包弄对。

我现在就能用 Seedance 2.5 吗，还是必须等？

它的 API 在字节跳动已上线。在第三方模型平台上的可用性参差不齐，在我测试的那个平台上，它仍然是一个第 0 天通知。如果你今晚就需要输出，可调用的选项是 MiniMax H3 的三个端点和整个 Seedance 2.0 系列。

MiniMax H3 真的能做 30 秒视频吗？

不。规格是每次生成 5 到 15 秒，24fps。任何更长的都是扩展或拼接，这是不同的事情，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。

两个模型都生成音频吗？我能跨剧集保持同一个声音吗？

两者都在同一个通道中产生原生同步音频，H3 在每个结果上输出立体声。对于持久的声音，H3 最多接受三个音频参考，每个 2 到 15 秒，必须与图像或视频输入一起提交，而不能单独提交。

我实际上应该发送多少张参考图像？

比你想象的要少，结构比你想象的要好。一张精心组合的合成图通常胜过六张松散的裁切图，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，并且不要包含相互冲突的风格样本。

我应该使用哪个模型来制作 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。如果计划一个 30 秒的连续场景，并且希望重新尝试单个区域而不是整段剪辑：为 Seedance 2.5 构建，并检查你的平台何时开放它。