← 全部学习 本地模型 在学 写于 2026-11-16 更新 2026-11-17 #评测#H3#本地部署#AI 视频#出图
本地跑开源 H3 视频四天:一个人说话能用,打斗不行
为什么要弄懂MiniMax 开源了 H3 视频和图片模型。我想知道放在自己两台机器上跑,能不能代替线上 API 出片:速度够不够、画面好不好、哪类戏能用。
一句话结论能跑,但不值得。最好看的做法 5 秒要 14–30 分钟,睡一晚只出一两分钟,算上抽卡更少;线上 API 几分钟一条、还更好。本地视频只剩线上做不了的内容(比如成人向)有用;Will 个人不拿它变现,也不屑于。图片模型质量好,留着出图、改图。
点击直接看最终结论 ↓ 下面每一行是一组,点一下展开看片,再点一下收起;共 9 组,往下一路点下去不会漏。
夜测 · 同一场戏四种做法 3 条 笔记本 Fast / High、小主机 Turbo 4 步 / Pika 6 步并排,看速度和画面 ▸ 点开看▾ 收起
M1 边走边说 · 四格并排
左上笔记本 Fast、右上笔记本 High、左下小主机 Turbo 4 步、右下小主机 Pika 6 步;声音用的是 High 那条。台词:我刚才在想,这条走廊好像比上次长了。
5 秒 · 3分30秒 / 16分58秒 / 19分20秒 / 26分30秒明细
- 笔记本 Fast
- 3分30秒
- 笔记本 High
- 16分58秒
- 小主机 Turbo 4 步
- 19分20秒
- 小主机 Pika 6 步
- 26分30秒
- 参考
- 1 张人物图 + 1 段参考声音
- 日期
- 2026-11-17
M5 山崖大风 · 四格并排
左上笔记本 Fast、右上笔记本 High、左下小主机 Turbo 4 步、右下小主机 Pika 6 步;声音用的是 High 那条。台词:风这么大,你站稳一点。
5 秒 · 3分46秒 / 13分51秒 / 19分00秒 / 27分00秒明细
- 笔记本 Fast
- 3分46秒
- 笔记本 High
- 13分51秒
- 小主机 Turbo 4 步
- 19分00秒
- 小主机 Pika 6 步
- 27分00秒
- 参考
- 1 张人物图 + 1 段参考声音
- 日期
- 2026-11-17
M7 慢剑起式 · 四格并排
左上笔记本 Fast、右上笔记本 High、左下小主机 Turbo 4 步、右下小主机 Pika 6 步;声音用的是 High 那条。台词:起手要慢,心要静。
5 秒 · 3分13秒 / 16分29秒 / 19分20秒 / 26分30秒明细
- 笔记本 Fast
- 3分13秒
- 笔记本 High
- 16分29秒
- 小主机 Turbo 4 步
- 19分20秒
- 小主机 Pika 6 步
- 26分30秒
- 参考
- 1 张人物图 + 1 段参考声音
- 日期
- 2026-11-17
中等动作 · 新场景 7 条 只给一张人物图,换场景、加一点动作,不打斗 ▸ 点开看▾ 收起
M1 边走边说
朝镜头走两三步,侧头说话,镜头跟着后退。台词:「我刚才在想,这条走廊好像比上次长了。」
5 秒 · 3 分 30 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 30 秒
- 日期
- 2026-11-16
M2 转身回头
背对镜头看窗外,转过身来说话。台词:「你终于来了,我等了好一会儿。」
5 秒 · 3 分 36 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 36 秒
- 日期
- 2026-11-16
M3 坐下起身
从石凳上站起来,理一下袖子。台词:「走吧,再坐下去天就黑了。」
5 秒 · 3 分 49 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 49 秒
- 日期
- 2026-11-16
M4 端茶喝茶
双手端杯、吹一下、喝一口、放下。台词:「这茶有点苦,不过挺提神的。」
5 秒 · 3 分 37 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 37 秒
- 日期
- 2026-11-16
M5 山崖大风
风吹头发和裙摆,抬手挡风,远望后回头。台词:「风这么大,你站稳一点。」
5 秒 · 3 分 46 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 46 秒
- 日期
- 2026-11-16
M6 由气到笑
皱眉抱臂,忍不住笑出来。台词:「好吧好吧,这次就不跟你计较了。」
5 秒 · 3 分 35 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 35 秒
- 日期
- 2026-11-16
M7 慢剑起式
上步、抬剑、定住,没有对手和特效。台词:「起手要慢,心要静。」
5 秒 · 3 分 13 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 只给 1 张人物图 + 1 段参考声音,场景全靠文字
- 用时
- 3 分 13 秒
- 日期
- 2026-11-16
出图 5 条 H3-Image 图片模型,质量好 ▸ 点开看▾ 收起
三猫 · 纯文字
只写文字,不给参考图。
37 秒一张明细
- 机器
- M5 Max 笔记本
- 日期
- 2026-11-13
立绘转真人 · 战损
拿二次元立绘当参考出真人,这批最好的一张。
70 秒一张明细
- 机器
- M5 Max 笔记本
- 日期
- 2026-11-13
立绘转真人 coser
洛丽塔立绘转真人,最像 cosplay 实拍。
约 70 秒一张明细
- 机器
- M5 Max 笔记本
- 日期
- 2026-11-13
三张参考图 · 原生 4K
人物、场景、构图三张参考。模型直接画 4096×4096,不是放大。Will:好看,但慢。
7 分 10 秒一张明细
- 机器
- M5 Max 笔记本
- 日期
- 2026-11-14
雨天咖啡馆 · 2K
小主机要先编码、重启腾内存再出图,所以每张多 1 分多钟。
约 3 分钟一张明细
- 机器
- AMD 395 小主机
- 日期
- 2026-11-16
Fast 对 Medium 2 条 笔记本上两档视频 ▸ 点开看▾ 收起
Fast 档
544p 生成再放大,快,但背景在晃。Will:「效果非常差」。
5 秒 · 3 分 24 秒明细
- 机器
- M5 Max 笔记本
- 用时
- 3 分 24 秒
- 日期
- 2026-11-14
Medium 档
768p 原生,好很多,但 Will 说还不如线上 API。
5 秒 · 6 分 38 秒明细
- 机器
- M5 Max 笔记本
- 用时
- 6 分 38 秒
- 日期
- 2026-11-14
剑戏对线上 4 条 同一份分镜:本地对线上 Seedance ▸ 点开看▾ 收起
线上 Seedance(对照)
同一份分镜在线上模型的成片,拿来对照。
15 秒 · 线上明细
- 模型
- Seedance(线上)
15 秒一口气
两个多小时,还是糊,动作和声音都乱。
15 秒 · 125 分钟明细
- 机器
- AMD 395 小主机
- 做法
- 官方加速 4 步 + 写实 LoRA,1344×768
- 用时
- 125 分钟(另加编码 8 分钟)
- 日期
- 2026-11-16
前 5 秒 · Pika 6 步
本地几条里最能看的,但太慢。
5 秒 · 35 分钟明细
- 机器
- AMD 395 小主机
- 用时
- 35.3 分钟(另加编码约 9 分钟)
- 日期
- 2026-11-16
前 5 秒
同分镜、5 张参考图,效果一般。
5 秒 · 10 分钟明细
- 机器
- M5 Max 笔记本
- 用时
- 10 分 13 秒
- 日期
- 2026-11-16
15 秒长片 2 条 H3 全参考,和 Wan 2.2 对照 ▸ 点开看▾ 收起
三猫全参考 15 秒
9 张参考图 + 3 段参考声音。Will:速度完全没法用。
15 秒 · 2 小时 36 分明细
- 机器
- AMD 395 小主机
- 用时
- 2 小时 36 分(另加编码 18 分钟)
- 日期
- 2026-11-14
三猫 · Wan 2.2 对照
换另一个开源模型对照。Will:效果还可以,有些地方没张嘴。
15 秒 · 约 31 分钟明细
- 机器
- AMD 395 小主机
- 模型
- Wan 2.2,20 步
- 用时
- 累计约 31 分钟
- 日期
- 2026-11-14
LoRA 2 条 只换 LoRA,看差别 ▸ 点开看▾ 收起
不加 LoRA
咖啡馆,女生喝咖啡、转头笑着说一句日语,镜头慢推。
5 秒 · 16.7 分钟明细
- 机器
- AMD 395 小主机
- 日期
- 2026-11-16
+ 写实人像 LoRA
同一句提示词、同一个种子,推近后的脸更自然。
5 秒 · 16.7 分钟明细
- 机器
- AMD 395 小主机
- 日期
- 2026-11-16
成人向测试(已打码) 7 条 线上做不了的内容,本地能做;白条遮住胸部和臀部。Will 只当实验体验,个人不拿它变现 ▸ 点开看▾ 收起
首尾帧 · 舞台到卧室
给一张首帧(舞台上的歌手)和一张尾帧,用社区的成人向底模接起来。人物、光线过渡自然,动作只有撩头发。
5 秒 · 约 13 分钟明细
- 机器
- AMD 小主机
- 底模
- PinkCherry(社区成人向 H3 底模,int8)
- 做法
- 首尾帧,544×960
- 用时
- 约 13 分钟(按出片时间推算)
- 日期
- 2026-11-16
首尾帧 · 换一张尾帧
同一张首帧、换一张尾帧。脸和衣服都稳:动作慢、单人、单镜头,正是 H3 擅长的。
5 秒 · 约 11 分钟明细
- 机器
- AMD 小主机
- 底模
- PinkCherry(社区成人向 H3 底模,int8)
- 做法
- 首尾帧,544×960
- 用时
- 约 11 分钟(按出片时间推算)
- 日期
- 2026-11-16
首尾帧 + 成人 LoRA · 躺姿
底模之外再挂成人 LoRA。人物和身体结构都稳,没有崩坏,表情有变化。
5 秒 · 约 12 分钟明细
- 机器
- AMD 小主机
- 底模
- PinkCherry(社区成人向 H3 底模,int8)
- 做法
- 首尾帧,544×960,挂成人 LoRA
- 用时
- 约 12 分钟(按出片时间推算)
- 日期
- 2026-11-16
首尾帧 + 3 个成人 LoRA · 坐姿
一次挂 3 个成人 LoRA,动作是连续的,脸也稳。白条几乎盖掉整个下半身。
5 秒 · 约 9 分钟明细
- 机器
- AMD 小主机
- 底模
- PinkCherry(社区成人向 H3 底模,int8)
- 做法
- 首尾帧,544×960,挂 3 个成人 LoRA
- 用时
- 约 9 分钟(按出片时间推算)
- 日期
- 2026-11-16
H3-Image 出图 · 1
官方图片模型,没挂 LoRA,只靠提示词就能出。
768×1376 · 约 4 分钟明细
- 机器
- AMD 小主机
- 模型
- H3-Image 官方版,6 步,没挂 LoRA
- 用时
- 约 4 分钟
- 日期
- 2026-11-16
H3-Image 出图 · 2
同一句提示词换种子。
768×1376 · 约 4 分钟明细
- 机器
- AMD 小主机
- 模型
- H3-Image 官方版,6 步,没挂 LoRA
- 用时
- 约 4 分钟
- 日期
- 2026-11-16
H3-Image 出图 · 3
官方模型、只靠提示词,也能出很露骨的图,说明官方版并没有拦。
768×1376 · 约 2 分钟明细
- 机器
- AMD 小主机
- 模型
- H3-Image 官方版,6 步,没挂 LoRA
- 用时
- 约 2 分钟
- 日期
- 2026-11-16
单人说话 5 条 一个人、慢慢说一句话;换台词也能复现 ▸ 点开看▾ 收起
姜昭 · 「算了,师父,我慢慢来吧」
慢慢说一句话,脸、衣服、声音都稳,画面好看。这是本地视频里唯一一条 Will 说「效果挺好」的。
5 秒 · 约 3 分钟出片明细
- 机器
- M5 Max 笔记本
- 档位
- Fast:960×544 生成,放大到 1920×1088,4 步
- 参考
- 2 张参考图 + 1 段参考声音
- 用时
- 2 分 56 秒
- 日期
- 2026-11-12
姜昭 · 「师父,这条路我想自己走」
同一套参考图和参考声音,换台词和动作:轻轻一笑、点头
5 秒 · 3 分 50 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 2 张参考图 + 1 段参考声音
- 用时
- 3 分 50 秒
- 日期
- 2026-11-16
姜昭 · 「代价我认了,可我不后悔」
同一套参考图和参考声音,换台词和动作:垂眼想一下,再抬眼认真看镜头
5 秒 · 4 分 08 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 2 张参考图 + 1 段参考声音
- 用时
- 4 分 08 秒
- 日期
- 2026-11-16
姜昭 · 「下次,换我来护着你」
同一套参考图和参考声音,换台词和动作:轻笑,抬手把头发拨到耳后
5 秒 · 3 分 54 秒明细
- 机器
- M5 Max 笔记本
- 档位
- Fast,4 步
- 参考
- 2 张参考图 + 1 段参考声音
- 用时
- 3 分 54 秒
- 日期
- 2026-11-16
打斗 · 同一部戏
动作一快就发灰、发糊。
5 秒 · 约 4 分钟明细
- 机器
- M5 Max 笔记本
- 用时
- 3 分 57 秒
- 日期
- 2026-11-12
讲明白
MiniMax 开源了 H3:一个能带声音出视频的模型,和一个图片模型。Will 想知道,放在自己的两台机器上跑,能不能代替线上 API 出片。
上面的作品区就是全部成果。 按类分组,每张卡能直接看片、看大图,卡片上那一行是用时,点开「明细」看机器、档位和日期。
四天里测了这些:
- 自己的剧:《无敌的我》里姜昭说一句话、一场剑戏。剑戏用的是线上 Seedance 已经出过成片的同一份分镜,方便对照。
- 三只猫的短剧:三只猫坐在长凳上自我介绍,带参考图和参考声音。
- LoRA:同一句提示词、同一个种子,只换 LoRA,看写实、动作、运镜各有什么用。
- 出图:纯文字、拿立绘出真人、三张参考图出 4K。
两台机器:一台 M5 Max 笔记本,一台 AMD AI Max+ 395 小主机。笔记本用的是苹果芯片专用版,小主机用的是 ComfyUI。
逐项点评
| 哪类 |
用时(5 秒) |
效果 |
| 一个人慢慢说话 |
笔记本约 3 分钟 |
好看,Will 认可 |
| 换台词复现(3 条) |
笔记本 3 分 50 秒–4 分 08 秒 |
能复现 |
| 新场景 + 中等动作(7 条) |
笔记本 3 分 13 秒–3 分 49 秒 |
动作都做出来了 |
| 夜测 · 笔记本 High |
14–17 分钟 |
比 Fast 清楚,远景稳 |
| 夜测 · 小主机 Turbo 4 步 |
19–21 分钟 |
镜头偏近,场景交代少 |
| 夜测 · 小主机 Pika 6 步 |
26–30 分钟 |
和笔记本 High 几乎一样,慢一倍 |
| 笔记本 Fast 档 |
2.5–3.8 分钟 |
背景晃,差 |
| 笔记本 Medium 档 |
4.5–7.4 分钟 |
好很多,仍不如线上 |
| 剑戏(多镜头快打斗) |
笔记本 10 分钟;小主机 25–35 分钟 |
糊、动作乱 |
| 15 秒一口气 |
小主机 2–2.6 小时 |
完全没法用 |
| 出图 1K–2K |
笔记本约 1 分钟;小主机约 3 分钟 |
可用 |
| 出图原生 4K |
笔记本 3–7 分钟 |
好看,偏慢 |
我验证过什么
- 所有用时都是实测,从开始到出片,包括加载模型。
- 剑戏和三猫用的是和线上一样的分镜、参考图、参考声音,只把引用标签换成 H3 的写法。
- 15 秒一口气出、拆成三段 5 秒再拼,两种都跑过,拆段只省了约五分之一的时间,画质没变好。
- 降到 960×544 能快一倍多,但画面不能用。
- 一种把出图从 6 步减到 2 步的加速 LoRA 也试过:只快 40 秒,画面出现噪点,不值得。
还没弄懂的
- 有些失败的样片,是提示词写法的问题,不一定是模型上限。线上分镜用的中文长稿和导演术语,本地版接不住,但没有专门为 H3 重写一版来比。
- 换成 NVIDIA 云显卡能快多少,没有实测。
最终结论
能跑,但不值得。 本地视频不进生产,要做视频就用线上 API。
一晚 8 小时能出多少:
| 做法 |
5 秒用时 |
一晚出多少 |
算上抽卡(3 条留 1 条) |
| 小主机 Pika 6 步 |
26–30 分钟 |
约 90 秒 |
约 30 秒 |
| 小主机 Turbo 4 步 |
19–21 分钟 |
约 2 分钟 |
约 40 秒 |
| 笔记本 High |
14–17 分钟 |
约 2.5 分钟 |
约 50 秒 |
| 笔记本 Fast |
3–4 分钟 |
约 11 分钟 |
画质不够,背景晃 |
「3 条留 1 条」是估的;打斗、多人、多镜头本地根本做不了,实际只会更少。
「30 分钟出 5 秒,一小时 10 秒,睡一觉起来八个小时,也就是出八十秒……虽然是免费的,但是我也可以用网上的 API 来做呀。」—— Will
电费不是问题,一晚几十日元。贵的是时间:线上改一句提示词当场就能看,本地要等到第二天;质量还不如线上;跑一晚机器什么别的都干不了。
本地还剩两样有用:
- 出图:一张 1–3 分钟,质量好,可以反复改。
- 线上做不了的内容(比如成人向):本地能做,Will 只当实验体验,个人不拿它变现,也不屑于,所以不值得常年占着机器。
想再试本地视频,先租 NVIDIA 云显卡测一次,别为它买设备。
说法清单
文章里的关键说法,一条一条列出来。每条标着是事实、判断还是 Will 的裁定,谁说的,哪天说的。
-
事实 两台机器:一台 M5 Max 笔记本(128GB 内存),一台 AMD AI Max+ 395 小主机(64GB 显存)。都在本机跑,不经过线上服务。
Claude
-
事实 一个人慢慢说一句话的 5 秒片,笔记本 Fast 档约 3 分钟出片,脸、衣服、声音都稳。
Claude
-
裁定 姜昭那条慢慢说话的效果挺好,画面也好看;如果能做到 5 分钟出 5 秒、效果这么好,就是可以用的。
Will
-
事实 笔记本两档视频:Fast 是 544p 生成再放大,5 秒 2.5–3.8 分钟;Medium 是 768p 原生,5 秒 4.5–7.4 分钟。
Claude
-
裁定 Fast 效果非常差,背景也在晃;Medium 好很多,但还不如线上 API。
Will
-
事实 同一份剑戏分镜(15 秒、8 个硬切、满屏飞剑),小主机一口气出 15 秒要 125 分钟,拆成三段 5 秒再拼也要约 103 分钟,画面都糊、动作和声音都乱。
Claude
-
事实 只出前 5 秒:小主机 Pika 6 步版最能看,35 分钟;笔记本 10 分钟,效果一般。
Claude
-
判断 慢在两处:32B 文本编码器读参考图,每段 5–9 分钟;参考图越多、画面越大、片子越长,生成越慢。
Claude
-
判断 H3 擅长英文短提示词、单人、单镜头、慢动作;多镜头快打斗接不住。
Claude
-
事实 写实人像 LoRA 对脸最有用;武术 LoRA 要在提示词里写触发词才生效。视频的 LoRA 挂不到图片模型上。
Claude
-
事实 出图:笔记本 1024×1536 一张约 1 分钟,原生 4K 一张 3–7 分钟;小主机 2K 一张约 3 分钟。
Claude
-
裁定 10 分钟做 5 秒的视频,一小时只能做 30 秒,太慢,对机器损耗也太大,宁可用线上 API;除非有做特殊视频的需求。
Will
-
裁定 小主机上只留出图,其余能重新下载的模型都删掉;笔记本留出图。
Will
-
未解 换成租用的 NVIDIA H100 一类云显卡,5 秒片估计能到 2–4 分钟。没有实测。
Claude
-
事实 同一套参考图和参考声音,换 3 句台词和小动作复现,每条 3 分 50 秒到 4 分 08 秒,都在 5 分钟以内。
Claude
-
事实 只给一张人物图和一段参考声音,换 7 个场景、加一点动作(走路、转身、坐下起身、端茶喝茶、大风、由气到笑、慢剑起式),每条 3 分 13 秒到 3 分 49 秒。抽帧看,七个动作都做出来了,没有明显崩坏。
Claude
-
事实 夜测:同一张人物图和参考声音,8 个场景各跑四种做法。5 秒用时:笔记本 Fast 3–3.8 分钟,笔记本 High 14–17 分钟,小主机 Turbo 4 步 19–21 分钟,小主机 Pika 6 步 26–30 分钟。32 条没有明显崩坏。
Claude
-
判断 笔记本 High 和小主机 Pika 用的是同一种 6 步做法,构图几乎一样;小主机用压缩版,还慢一倍。小主机最快的做法也比笔记本 High 慢。
Claude
-
裁定 30 分钟出 5 秒,一小时 10 秒,睡一觉八小时也就八十秒;笔记本一晚撑死两分钟,还要算抽卡。虽然免费,但可以用线上 API,没有意义;除非线上做不了的内容,而那类内容 Will 只当实验体验。
Will
-
判断 电费其实不是大头,一晚几十日元。真正贵的是:改一句提示词要等到第二天、质量不如线上、机器被占满、早上挑片的人工。
Claude
对整篇的批注
Will补充
更正:不是「成人向没法变现」,是 Will 个人没法、也不屑于拿它变现。