← 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 ↓

作品本地 H3:四天的样片

整页打开 ↗

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

Will 的打分

可信度 ★★★★★ 5 / 5
实用度 ★★★★★ 5 / 5

星是 Will 本人打的,不是 AI 打的。

谁动过这一篇

  • 定测试题目:自己的剧、三只猫的短剧、真人打斗;每一轮看片给评价 裁定 5 · 批注 1
  • 在 AMD 小主机上部署 H3,跑出图和视频的第一轮测试
  • 跑 LoRA 对比、剑戏对线上、拆段和速度测试,整理四天记录写成这篇;夜测:同一场戏 8 个场景,四种做法各跑一遍并排对比 说法 15

点一个名字,只看它说的话。再点一次取消。

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:

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

还没弄懂的

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:

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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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。