3 步采样造全曲对口型 MV:MiniMax H3 完整工作流与实测数据
Disastrous_Page_301 · reddit · 2026-09-16
Reddit 用户发布用 MiniMax H3 Extender 制作约 2 分 50 秒全曲对口型 K-pop 风格 MV 的完整方法论,17 个 1024×576 片段、虚拟歌手单一连续表演。
对口型关键做法:
- 按歌词句边界切分音频为 17 段,严格在最安静的换气处切割;
- 用 htdemucs 分离人声——全混音伴奏会完全淹没人声条件;
- 用官方保留语法 <Audio 1>: fullycopy - <Audio 1>,否则 H3 只把音频当音色参考、口型乱动;
- 参考图构图优先于提示词,半身「对麦唱歌」照的口型一致性远好于全景。
速度与基准: TaoMate 3 步 ref2va turbo LoRA,RTX 3090 上每 9.4 秒片段约 4–5 分钟(8 步为 12.5 分钟);音频包络相关性 0.944、零接缝损失。对比三种 LoRA,TaoMate 时序与电平最佳。
自动化质检「评审委员会」: 四道自动评分(音频对齐、Vision LLM 测口型 Pearson 相关、镜头稳定性、缺陷检测三帧多数投票),不合格片段自动重掷,分数更高且过缺陷门槛才替换。作者提醒门槛校准要小心——一次包络窗口错位导致好素材被误杀半天。
局限: 3 步采样严重压制镜头运动(3D 放大器可提升皮肤质感但耗时约 12 倍);快速唱段偶有音素漂移。工作流 JSON 与 QC 脚本待发布。
「编程与Agent」频道最新
- General Reasoning 首发博客:详解如何用强化学习训练 Agent 集群协作 — rosstaylor90 · 2026-11-02
- 开发者指出:编码不再是瓶颈,使用量窗口才是 — kylegawley · 2026-11-02
- demo 通过≠可上线:让 Agent 接管业务前必答的五个问题 — _kellhus · 2026-11-02
- AI agent 通过 100 次测试，为何仍不能接管业务 — djgoel123 · 2026-11-02
- 让 Agent 全权创作:纯代码产出 1 分 44 秒动画短片《最后的园丁》 — ivegotnoidea1 · 2026-11-02
- 起床、用 Claude Code、睡觉：梗图调侃一天全靠它 — tekbog · 2026-11-02