【Minimax H3】第三首歌曲MV总结
-
7900XTX Minimax H3：Cappy《Colors Song》制作过程
原本是要挑战试试分镜做故事影片的，奈何到了周末就不想努力，就和好基友玩了两天三角洲
，就水了多一期视频接着做歌曲类型，这次就更舒服了，经过前两次的折腾，几乎可以说这次真的只做了去suno生歌曲选一首，然后其他全权都交给agent去搞了。(中途就2-3个画面我说不行，让agent多抽了几次卡）这篇记录从策划到上传的完整流程。
分享我使用的工作流供测试
️ （有md和json）
工作流分享
成品
- 横版 MV：1080p，约 3 分钟（含频道片头和 15 秒片尾），附 CC 英文字幕
- 3 支竖版 Shorts：Red·Orange·Yellow / Green·Blue·Purple（含副歌）/ Pink·Brown·Black·White
- 封面：颜色场景拼贴 + 黄色大字 SONG
工具链
环节 工具 作曲、演唱 Suno 歌词对时间、测拍子 Whisper（逐词时间）+ librosa 视频生成 本地 ComfyUI + MiniMax-H3（参考图生视频 / 首尾帧生视频） 剪辑、字幕、转场 ffmpeg + Python（PIL）脚本 放大到 1080p Real-ESRGAN（realesr-animevideov3） 硬件 AMD RX 7900 XTX 24GB（ROCm） 画面全部在本机生成，没有用在线视频服务。
1. 策划：10 个颜色，每个 4 小节
上一支 Phonics 每个字母只有 2 小节，节奏偏赶。这次每个颜色给 4 小节（约 9.6 秒），更适合低龄观众：
- 第 1–2 小节：Cappy 喊出颜色，童声合唱回应，舞台就是这个颜色。
- 第 3–4 小节：唱出这个颜色的东西，Cappy 和它互动。
颜色 东西 互动 Red 气球 被一大堆红气球围住 Orange 胡萝卜 啃胡萝卜 Yellow 香蕉 剥香蕉 Green 青蛙 青蛙跳过来 Blue 小鸟 小蓝鸟停在身上 Purple 葡萄 举起一串葡萄 Pink 火烈鸟 学火烈鸟单脚站 Brown 我自己！ "Brown like me, it's Cappy!" Black 小黑猫 小猫蹭过来 White 雪人 舞台飘雪，雪人挥手 挑东西有两个原则：
- 模型容易画对：简单、常见、轮廓清楚的东西。
- 道具贴着 Cappy、放在画面中间：之后要裁竖版 Shorts，道具离得太远会被裁掉。
结构是：开场 → Red 到 Blue → 副歌 → Purple 到 White → 副歌 → 结尾。教室场景负责开场、副歌和结尾，颜色舞台负责每个颜色。
2. Suno 做歌
风格提示词沿用前两支，让 Cappy 的声音保持一致。重点是这几句：
- 写实测的 BPM。上一支实测 99，我写 110，Suno 也不会照做。
- 写明 "every color gets four full bars"，否则后半首容易唱急。
- 女声领唱加童声合唱一问一答："Red, red! (Red, red!)"。
歌词句式是固定的，小朋友容易跟唱：
Red, red! (Red, red!) What is red? (What is red?) A big red balloon! (Balloon!) Red, red, red! (Red!)3. 分析歌曲、定切点
用 Whisper 拿到每个词的时间，用 librosa 测拍子。这首实测约 99.4 BPM，一拍 0.604 秒，一小节约 2.41 秒。
切点规则：
- 切在小节线上；
- 这个颜色的最后一个词要在切点之前唱完。
Whisper 的词开始时间常常偏早 0.1–0.9 秒，所以最后以拍子网格为准，Whisper 只用来核对。
最后整首切成 16 段：开场、10 个颜色、4 段副歌、结尾。
4. 生成：两种场景，两种做法
模型是 MiniMax-H3，在本地 ComfyUI 里跑，8 步加速 LoRA，分辨率 1024×576，最后再放大。每段把这一段的原曲音频锚在第 0 帧，引导口型和动作节奏。
教室段：首尾帧锁定母版
开场、副歌、结尾都在同一间教室。AI 视频最大的问题是每段的背景和角色位置都不一样，接起来会跳。
我的做法是准备一张教室母版图（这次调亮了，比 Phonics 那张更明亮），把它同时锁在每段的第一帧和最后一帧。这样每段都从同一个画面开始、回到同一个画面结束，段和段之间几乎看不出接缝。
教室段不能再接角色参考图，否则模型会在片中插一张白底的角色设定图。
颜色舞台段：三张参考图
每个颜色是一个独立舞台，接 Cappy 的正面、45°、侧面三张参考图，保证长相一致。
5. 检查每小段视频生成效果
每批生成完，让agent主动把每段截 7 帧拼成一行的表，快速看一遍：（准确点的话还是推荐点开视频自己看）
- 长相有没有走样；
- 有没有插进白底参考图；
- 道具有没有出现、有没有变成两个；
- 教室段最后有没有回到站姿。
模型有个习惯：道具和动作通常在片段后 40% 才出现。所以提示词要写"从第一帧起道具就在 Cappy 旁边"。Red 段后来就改成从第一帧开始，Cappy 就只露出头，埋在一大堆红气球里。
每段耗时
分辨率 像素 124 帧（5.2 秒） 243 帧（10.1 秒） 294 帧（12.3 秒） 960×544 0.52 MP — 约 580 秒 640–700 秒 1024×576（横）/ 576×1024（竖） 0.59 MP 225–255 秒（中位数 243 秒，61 段） 505–590 秒（中位数约 540 秒，25 段） 670–750 秒 1120×640 0.72 MP 约 590 秒 ※ — — 1344×768 1.03 MP 约 500–670 秒 ※ — — - 只测了一次，数字里可能包含切换模型、排队的时间，只能当作大概参考。
- 1.0mp也有试着生成，但是真的太久了，中途就直接截停任务换跑0.6mp了。
换算成成片时长：0.59 MP 下，每 1 秒视频大约要 45–60 秒生成。片段越长，每秒越慢。
整首歌的时间
做法 生成 放大到 1080p 合计 0.59 MP + animevideov3 放大（我的做法） Phonics 33 段约 2.7 小时 约 5 分钟 约 2.8 小时 1.03 MP + 放大 估计 6–7 小时（124 帧是 0.59 MP 的 2–2.7 倍） 约 5 分钟 约 6–7 小时 6. 拼接
剪辑全部用 Python 脚本控制 ffmpeg：
- 声音换回原曲：模型生成的声音全部丢掉，每段换回 Suno 原曲的对应片段。
- 转场：
- 教室 → 舞台：镜头推进黑板，黑板变成下一个颜色，再打开到舞台；
- 舞台 → 教室：舞台淡成黑板绿，再从黑板里拉出来；
- 舞台 → 舞台：0.2 秒白闪。
- 颜色卡：左上角弹出这个颜色的色块和单词。
- 单词弹字：唱到 "A big red balloon" 时，底部弹出 "Red balloon"，颜色那个词用对应颜色。
- 副歌歌词：用粉笔字体写在黑板上，唱到哪句出现哪句。
- 片头片尾：开头接频道片头；片尾停在最后一帧慢慢推近 15 秒，黑板写 "Watch next!"，留给 YouTube 的片尾推荐卡片。
拼接要用 ffmpeg 的 concat filter。用 concat demuxer 直接复制流会丢帧，音画会错位。
7. 放大到 1080p
三种方法都实测过：
方法 整首耗时 效果 realesr-animevideov3 约 5 分钟 边缘干净，毛发变成光滑的卡通感 
RealESRGAN_x2plus 约 2.5 小时 保留毛发纹理 SeedVR2 3B 30–40 小时 细节最多，但补出写实毛发，而且在 AMD 卡上太慢 卡通风格的片子，最终我选择 animevideov3 又快又好看。（主要是图快
）范例
️
8. 竖版 Shorts
横版直接裁成 9:16 太窄，火烈鸟和雪人会被切掉。最后的版式是：
- 中间是从横版里裁出的正方形窗口，放大到 1080×1080；
- 上下用同一画面的虚化放大版填满；或者是做点小设计的竖版背景图
- 上方放频道 logo，下方放跟唱歌词。
9. 封面
封面是颜色场景拼贴，中间放大大的 Cappy，加上彩虹色的 COLORS 和黄色的 SONG，也是用 PIL 脚本排版的。
踩坑清单
- 其实没什么坑，就是你发现什么不对味就直接和agent说，让它自己去折腾。
欢迎各位大佬和群友们拍砖！🤩
-
教学教学。。。我想学
-
-
@imbiplaza-asus 不要玩 老哥 reverse过来才对哈哈哈 我才要跟你学习
-
@imbiplaza-asus yesss 我也是有打算玩unreal engine, 想把我的city做进去做个小游戏.
还有想过做一个类似pokemongo的game 名字叫malaysiago 哈哈哈
走来走去抓malayboi cinaboi indianboi 加一些malaysia meme(mak kau hijau/myvi/aplj这些进去) 一定很搞笑哈哈哈哈哈哈哈哈哈
等我的SATASSD到我录一下unreal engine来玩玩看
-
-
-
-
-
-
-
@ralfzhu 确实有考虑过CPM特别低的部分
转念一想等歌曲多了扔在一个合集里面 父母在忙的时候打开合集让小孩子自己看蹭点观看数好像也不错 刚好自家有做印刷的技术 就试一试哈哈哈 看后续有没有机缘
目前已经实现agent自产！已经在思考下一个频道了！ 🤩@懒人烘培 感谢大佬鼓励 🤩 烘焙哥双卡那不得随便跑，双11我得再搞个7900XTX来试试双卡了
我是用claudecode - opus 5.5搞出来的，我让agent整理技术包出来了在这哥 
️ https://drive.google.com/file/d/1PfsfElKtdpso_fKPTLm_9uchSm2L-X7_/view?usp=sharing@perter 第一次做频道 试试水！如果有流量的话 打算和本地的一些儿童品牌小小配合，然后自家能印刷衣服/周边，但还是接着生产视频接着发，看这个缘分能不能到我这
-
@ralfzhu 确实有考虑过CPM特别低的部分
转念一想等歌曲多了扔在一个合集里面 父母在忙的时候打开合集让小孩子自己看蹭点观看数好像也不错 刚好自家有做印刷的技术 就试一试哈哈哈 看后续有没有机缘
目前已经实现agent自产！已经在思考下一个频道了！ 🤩@懒人烘培 感谢大佬鼓励 🤩 烘焙哥双卡那不得随便跑，双11我得再搞个7900XTX来试试双卡了
我是用claudecode - opus 5.5搞出来的，我让agent整理技术包出来了在这哥 ️ https://drive.google.com/file/d/1PfsfElKtdpso_fKPTLm_9uchSm2L-X7_/view?usp=sharing@perter 第一次做频道 试试水！如果有流量的话 打算和本地的一些儿童品牌小小配合，然后自家能印刷衣服/周边，但还是接着生产视频接着发，看这个缘分能不能到我这
-
@ralfzhu 确实有考虑过CPM特别低的部分
转念一想等歌曲多了扔在一个合集里面 父母在忙的时候打开合集让小孩子自己看蹭点观看数好像也不错 刚好自家有做印刷的技术 就试一试哈哈哈 看后续有没有机缘
目前已经实现agent自产！已经在思考下一个频道了！ 🤩@懒人烘培 感谢大佬鼓励 🤩 烘焙哥双卡那不得随便跑，双11我得再搞个7900XTX来试试双卡了
我是用claudecode - opus 5.5搞出来的，我让agent整理技术包出来了在这哥 ️ https://drive.google.com/file/d/1PfsfElKtdpso_fKPTLm_9uchSm2L-X7_/view?usp=sharing@perter 第一次做频道 试试水！如果有流量的话 打算和本地的一些儿童品牌小小配合，然后自家能印刷衣服/周边，但还是接着生产视频接着发，看这个缘分能不能到我这
-
@junjie-heng 做的太棒了 赞
