内容预览:

想自己做短剧,卡住你的往往不是创意,是流程。剧本写完不会分镜,分镜画完不会转视频,视频出来没声音,声音对不上画面。一圈折腾下来,热情先耗光了。其实把工具串起来,这条路比想象中短——用ComfyUI搭台,让MinimaxH3唱戏,一个人也能把短剧从头搓到尾。

先搞清楚这套组合各自干什么

ComfyUI是操作平台,节点式的工作流界面,你把一个个功能块连起来,它就按顺序跑。它不替你创作,但把生成、拼接、调度这些脏活全接了过去。

MinimaxH3是干活的模型,支持文本、图片、视频、音频多模态输入,原生带声音,单段最长15秒,24帧每秒。短剧一集拆成十几个镜头,每个镜头控制在十几秒内,正好落在它的舒适区。

两者一结合,逻辑就清楚了:ComfyUI负责把流程固定成一条流水线,MinimaxH3负责把每一段画面和声音生出来。

配图

剧本别直接喂,先拆成能拍的镜头

很多人第一步就错了,把整段剧本丢给模型,指望它输出一条完整短剧。结果画面跳、人物飘、节奏散。

正确的做法是先拆。把故事拆成一段段剧本,再拆成一个个分镜。每个分镜回答四个问题:这一镜多长、人物什么姿态什么表情、镜头怎么走、声音是什么。

常见做法是给每个镜头标上时间码,比如0到1秒,写明身体姿态、剪影、关键持握、眼神走向,再补上景别和运镜——推、拉、摇、手持晃动还是锁定。音频那一栏单独写:旁白、对白、音效,或者干脆静音。

这一步花的时间最多,但它决定了后面生成的稳定性。镜头拆得越细,模型越不容易自由发挥。

提示词要按规范写,不能靠大白话硬猜

MinimaxH3的生成质量高度依赖提示词结构。行业里常见的做法,是把提示词按模式分类,文生视频带音频、图生视频带音频、首尾帧、参考图等,各有各的写法。

实操中会用角色卡和场景卡来绑定一致性。给每个角色一个固定标记,给每个场景一个固定标记,每一镜都带上。模型渲染时会把标记剥离,但人物和场景的身份就稳住了,不会这一镜是长发下一镜变短发。

角色一致性是短剧的命门。观众可以接受画风粗一点,接受不了主角每集换张脸。

工作流里把生成、配音、拼接串成一条线

ComfyUI的价值在于,你不用每次手动重复。把节点连好之后,流程大致是这样跑的:

剧本输入,自动拆解成多段分镜;分镜逐条转成符合规范的提示词;调度参考素材,送进MinimaxH3生成视频和音频;解码输出;最后拼接成片。

有些工作流会做二次采样,支持自定义参数,让画面细节更耐看。也有在生成后接超分辨率放大和帧插值的做法,把画面拉清晰、把帧率补顺,成片观感会明显上一个台阶。

硬件上不用一上来就顶配。市面上常见的配置思路是,显存有限就先跑通流程,把分辨率和时长压下来,验证故事和节奏,再逐步加码。

手搓短剧,真正省时间的是流程不是工具

工具再强,也救不了一个没拆明白的剧本。

手搓短剧的核心竞争力,是你对节奏的判断:哪一镜该快、哪一镜该停、钩子放在第几秒。模型只负责执行,判断还得人来。

把流程跑顺之后,一集的制作时间会大幅压缩,你才有精力反复打磨开头三秒——那才是决定观众划不划走的地方。

收藏这份流程,下次动手前对着自检一遍:剧本拆到镜头级了吗?角色卡场景卡绑定了吗?提示词按规范写了吗?声音单独规划了吗?四问过关,再开跑。