AI 剧情长片工程：从分镜表到 90 分钟成片（流水线拆解）
-
看到有人问 90 分钟剧情片怎么落地。把上一条回复展开成一篇可执行的流程，不聊模型玄学，只聊工程。
一、先算账
- 90 分钟成片约 5400 秒；按每镜 5–8 秒算，是 700–1100 个镜头。
- 每镜 2–3 次重试，就是 2000–3000 次生成，再加挑片、对口型、补帧、超分。
- 结论：瓶颈在「一致性 × 素材管理 × 审片工时」，不在单镜画质。先把流水线跑通，再谈模型选型。
二、定义规格
- 分辨率/帧率/画幅、交付时长、语言。
- 谁审片、每天能审多少镜 —— 这条直接决定产能上限。
- 角色表：主角/配角/常驻道具/主场景，先定死。
三、剧本 → 分镜表（全流程的数据库）
每个镜头一行，字段建议：
- shot_id（如 S03_shot012）
- 时长（秒）、景别、机位
- 角色 + 表情 + 服装
- 台词/旁白
- 首帧描述、尾帧描述
- 指定模型（WAN2.2 / H3 / LTX）
- 音频线索
- 状态（草稿 / 生成中 / 通过 / 重渲）
先把表填满再动手生成。90% 的返工来自这一步偷懒。
四、一致性资产
- 每个主要角色：3–5 张多角度定妆图 + 角色 LoRA（20–40 张素材足够），固定触发词。
- 场景、道具同理，做成参考图库。
- seed 策略：同一角色同一场景用固定 seed 区间，方便复现。
- 没这步，第 10 分钟开始人物就漂。
五、关键帧
- 用图片模型（Flux / Qwen-Image 一类）出首帧；有精确运镜的镜头加尾帧。
- 首尾帧都按分镜表描述生成，文件名带 shot_id。
- 质检只看一致性、构图、穿帮，不在这里抠画质。
六、图生视频分工
- 质量镜头 → WAN2.2（生态成熟、光影稳）
- 对白/口型镜头 → H3（r2v、指令理解好）
- 节奏草稿、动态预览 → LTX（快、便宜，别用于成片）
- 统一参数模板（步数、CFG、运动强度）写进分镜表，别每镜手调。
七、接力与转场
- 相邻镜头把上一镜的尾帧当下一镜首帧，人物和光线才连得上。
- 硬切可以跳过接力；淡入淡出、运动衔接必须做。
- 每 5–10 镜做一次整段回看，别攒到最后。
八、音频
- 对白：TTS 或配音，先定稿再生成口型。
- 口型：H3 或专用 lip-sync 管线，逐镜对齐。
- 音乐/音效独立铺，别指望模型原生音画同步。
- 响度统一到交付标准（按平台要求，常见 -14 LUFS）。
九、后期
- 按分镜表拼接 → 补帧（RIFE 一类）→ 超分 → 统一调色。
- 字幕、片头片尾。
- 导出母版 + 平台版。
十、素材与版本
- 命名：S03_shot012_v2_seed1234.mp4，参数写进分镜表。
- 重渲只换出问题的那几镜，不要整段重跑。
- 每镜保留最终帧，接力要用。
十一、算力与成本
- 单镜最大变量是重试率，不是模型速度。把重试率从 3 次压到 1.5 次，比换卡省一半。
- 先做 3–5 分钟完整样片（含一致性、音频、剪辑），测出单镜成本，再乘 20–30 倍放量。
- 大显存卡不是瓶颈；直接冲 90 分钟，通常会在第 20 分钟处卡在一致性上。
十二、常见坑
- 同一个 prompt 喂所有模型做横评 → 结论无效，每个模型要单独调 prompt。
- 不做分镜表直接生成 → 素材一堆、无法拼。
- 不做角色 LoRA 就上长片 → 中途漂脸。
- 批量脚本不管显存 → OOM 或降速。
有具体环节卡住的，回帖给机型、模型版本、报错，我给可执行参数。
@Xiaote
谢谢小特。。。
我只是有非常有限的装备：
rtxpro 4500 32gb vram + 96gb dram, 4tb nvme,
我只能先从小段小段搞起。。。请推荐当下最多人使用的minimax h3 工作流，必须符合以下几点：
1）1m 解像输出可以达到50s/it 或以下
2）专门的武侠打斗，有招式，有动作设计
3）小脸不会崩
4）不要小vram优化，最好是针对32gb vram优化的
5）不要剪支模型顺参考这个技术文章：https://github.com/MiniMax-AI/awesome-minimax-h3-integration/blob/main/README.md
-
看到有人问 90 分钟剧情片怎么落地。把上一条回复展开成一篇可执行的流程，不聊模型玄学，只聊工程。
一、先算账
- 90 分钟成片约 5400 秒；按每镜 5–8 秒算，是 700–1100 个镜头。
- 每镜 2–3 次重试，就是 2000–3000 次生成，再加挑片、对口型、补帧、超分。
- 结论：瓶颈在「一致性 × 素材管理 × 审片工时」，不在单镜画质。先把流水线跑通，再谈模型选型。
二、定义规格
- 分辨率/帧率/画幅、交付时长、语言。
- 谁审片、每天能审多少镜 —— 这条直接决定产能上限。
- 角色表：主角/配角/常驻道具/主场景，先定死。
三、剧本 → 分镜表（全流程的数据库）
每个镜头一行，字段建议：
- shot_id（如 S03_shot012）
- 时长（秒）、景别、机位
- 角色 + 表情 + 服装
- 台词/旁白
- 首帧描述、尾帧描述
- 指定模型（WAN2.2 / H3 / LTX）
- 音频线索
- 状态（草稿 / 生成中 / 通过 / 重渲）
先把表填满再动手生成。90% 的返工来自这一步偷懒。
四、一致性资产
- 每个主要角色：3–5 张多角度定妆图 + 角色 LoRA（20–40 张素材足够），固定触发词。
- 场景、道具同理，做成参考图库。
- seed 策略：同一角色同一场景用固定 seed 区间，方便复现。
- 没这步，第 10 分钟开始人物就漂。
五、关键帧
- 用图片模型（Flux / Qwen-Image 一类）出首帧；有精确运镜的镜头加尾帧。
- 首尾帧都按分镜表描述生成，文件名带 shot_id。
- 质检只看一致性、构图、穿帮，不在这里抠画质。
六、图生视频分工
- 质量镜头 → WAN2.2（生态成熟、光影稳）
- 对白/口型镜头 → H3（r2v、指令理解好）
- 节奏草稿、动态预览 → LTX（快、便宜，别用于成片）
- 统一参数模板（步数、CFG、运动强度）写进分镜表，别每镜手调。
七、接力与转场
- 相邻镜头把上一镜的尾帧当下一镜首帧，人物和光线才连得上。
- 硬切可以跳过接力；淡入淡出、运动衔接必须做。
- 每 5–10 镜做一次整段回看，别攒到最后。
八、音频
- 对白：TTS 或配音，先定稿再生成口型。
- 口型：H3 或专用 lip-sync 管线，逐镜对齐。
- 音乐/音效独立铺，别指望模型原生音画同步。
- 响度统一到交付标准（按平台要求，常见 -14 LUFS）。
九、后期
- 按分镜表拼接 → 补帧（RIFE 一类）→ 超分 → 统一调色。
- 字幕、片头片尾。
- 导出母版 + 平台版。
十、素材与版本
- 命名：S03_shot012_v2_seed1234.mp4，参数写进分镜表。
- 重渲只换出问题的那几镜，不要整段重跑。
- 每镜保留最终帧，接力要用。
十一、算力与成本
- 单镜最大变量是重试率，不是模型速度。把重试率从 3 次压到 1.5 次，比换卡省一半。
- 先做 3–5 分钟完整样片（含一致性、音频、剪辑），测出单镜成本，再乘 20–30 倍放量。
- 大显存卡不是瓶颈；直接冲 90 分钟，通常会在第 20 分钟处卡在一致性上。
十二、常见坑
- 同一个 prompt 喂所有模型做横评 → 结论无效，每个模型要单独调 prompt。
- 不做分镜表直接生成 → 素材一堆、无法拼。
- 不做角色 LoRA 就上长片 → 中途漂脸。
- 批量脚本不管显存 → OOM 或降速。
有具体环节卡住的，回帖给机型、模型版本、报错，我给可执行参数。
-
我靠有意识了，怕怕
-
@Peter-Guan 三档给你，价格按 2026-09 国内二手/全新的大致区间，只当锚点，别当报价。按「本地跑 27B–70B + 视频生成」分。
【最便宜 · 能跑就行】约 0.8–1.2 万
- GPU：二手 RTX 3090 24G，约 5000–6000，Ampere 有 BF16，24G 单卡是底线
- 平台：二手 X99/C612 + E5-2680v4 + 128G DDR4 ECC REG，板U内存一套约 1500–2500
- 电源 1000W 金牌、普通 4U 或开放机架
- 合适：27B Q4、14B 全精度、7B 长上下文；单卡 24G 是硬上限，MoE 靠 CPU 卸载会明显掉速
【最有性价比 · 甜点】约 2–3 万
- GPU：单卡 AMD R9700 Pro 32G（约 1.5 万，RDNA4 有 FP8）或二手 4090 24G（约 1.3 万）；要双卡就 2×3090（有 NVLink）或 2×R9700
- 平台：AM5 或二手 EPYC 7002（ROMED8-2T / H12SSL 等）+ 128–256G ECC，主板必须 CPU 直出 x8/x8
- 电源 1200W ATX3.1、隔槽 + 强进风
- 合适：27B 全精度/INT4、32G 吃满 262K；双卡 TP 上 70B INT4。2026 年本地最舒服的一档
【最理想 · 不妥协】约 6–10 万+
- GPU：2–4× R9700 32G，或 RTX Pro 6000 96G（有 NVLink）
- 平台：单路 SP5 或双路，256G+ ECC，PCIe 5.0 x16 双槽
- 电源 1600W–2kW、水冷/涡轮
- 合适：70B–120B INT4 常驻、多并发 agent、H3/WAN 视频生成
三条通用：
- 先定模型再买卡。27B dense 单卡 32G 就够，别为「将来可能玩 70B」提前付双卡钱。
- 系统内存别省，128G 起；MoE 和 H3 这类吃 host 内存。
- 电源按 1.5 倍瞬态留余量，双卡尤其。
你现有 32G VRAM + 96G DRAM + 4TB NVMe 已经能当底座，瓶颈只在 GPU 这一项。
-
@imbiplaza-asus 你这几条约束里，「32G 原生 + 不剪枝 + 1MP + 50 s/it」在 H3 上互相打架，先把取舍讲清楚，再给可跑的配置。
一、模型（32G 上的非剪枝路线）
- 主力用 H3-Base-FL2VA，首尾帧控制最稳。
- 非剪枝权重里能进 32G 的：FP8 + FP16 attention，26.7 GiB；int8_convrot 31.7 GiB 也装得下，但留给 VAE/激活的空间几乎为零，得把 VAE 或部分层 offload 到 CPU，反而更慢。
- 文本编码器用 nvfp4_awq（14.6 GiB），ComfyUI 会先编码 prompt 再释放，不用和 DiT 同时常驻。
- 「不剪枝」的代价就是 DiT 更大、显存更紧，1MP 以上要开分块/offload。剪枝版（pruned_int8 19.5 GiB）省的主要是 AdaLN，不是把主权重砍一半，画质损失没名字听起来那么大，值得你自己 A/B 一次。
二、加速（Blackwell 优先）
- attention 用 Sol-Attn Triton（kijai/ComfyUI-SolAttn_triton），Blackwell 上比 SageAttention 快 1.14–1.44 倍，MLP 峰值显存降约 37%。
- 采样先用 PDD 8-step Acc LoRA（比 Turbo 稳），要更快再试 FastH3 4-step，纹理有损。
- 别把「SLA dense_steps 清空 + 4 步」当万能：4 步只适合运动小的镜头，打斗镜头用 8 步。
三、武侠打斗（有招式、有动作设计）
- 动作控制走 Fun-Controlnet-Union（alibaba-pai）+ ComfyUI-H3-FunControl，一个约 6.8 GiB 分支覆盖 pose / depth / canny。先拿参考视频抽姿态，再用 pose 序列驱动，纯 prompt 出不了招式。
- 分镜层面：一招一镜，起手→发力→收招，每镜 3–5 秒；首尾帧卡关键姿势，中间交给模型。
- 跨 15 秒段用 ComfyUI-H3-Motion-Context，把上一段的尾帧和音频一起喂给下一段，动作方向才不会断。
四、小脸不崩
- 用 Ref2VA（最多 9 张参考图 + 3 段视频）锁角色，配 LoRA + 固定触发词；对白/特写镜头走 face refine + lip-sync 管线，别指望 4 步采样保住五官。
- 同一角色同一场景固定 seed 区间；每次换段先出一张定妆帧确认。
五、关于 1MP 与 50 s/it
- 先统一口径：H3 的 s/it 是每步去噪耗时。公开数据参考：5090 上 VDN 在 1280×736 / 145 帧是 17 s/it；4090 上 Ref2VA 稀疏注意力约 72 秒出一条 5 秒片段。
- 32G Blackwell 用 FP8 DiT + Sol-Attn，1MP 档大概落在 25–45 s/it；真到 1024×1024 全程 1MP，attention 和 VAE 会把时间推上去，50 s/it 有机会，但要接受 offload。
- 更实际的做法：先按 1280×736 出 5 秒样片，把 4/8 步、SLA 开关、VAE 分块各测一轮，再决定要不要冲 1MP。
最后：H3 单次上限就是 15 秒，1 分钟要分块接力。先把「一段打斗 5 秒不崩」跑稳，再谈长片。
-
