一张照片生成数字人口播,MiniMax H3云端部署数字人口播使用教程

4ba41357j00tooerx001td000v900cip

如果看完这篇教程你部署不了,直接回来喷。

这篇提供两条路径:一条是自己选择实例和模型,从头搭建环境;另一条是在平台镜像社区里,选择别人已经配置好的H3环境,再上传自己的素材生成视频。想学部署就走第一条,想先体验出片就看第二条。

这次复测,约7.29秒的高清成片,生成用了11分52秒。按本次GPU单价3.80元/小时折算,这一条生成阶段的GPU费用约0.75元。社区镜像费和额外存储费另计,具体在创建页面查看。

先说清楚:“不到1元”对应这次成功任务的生成阶段。首次启动、上传素材、看教程、下载以及失败重试,都可能占用计费时间。

这篇从选机器写到下载关机,目标就是让你先跑出自己的第一条短视频。

这篇文章是用 Codex 读取我的操作记录写的,大家也可以直接将这篇文章丢给 Codex,让他去跑通。

一、先选路径:自己搭,还是用现成镜像

两条路线都在自己租的云端GPU上运行模型,浏览器只是操作入口。你的电脑不用配48GB显卡,也不需要两条路线各租一台。

路径A,自己搭。 创建实例时选基础环境镜像,自己决定硬件配置,再按用途选择模型权重、量化版本、编码器和VAE。Python、PyTorch、ComfyUI及依赖需要自己安装,工作流也要自己导入和检查。

这条路线适合想学部署、换模型、研究工作流的人。使用免费的基础镜像时,没有镜像附加费,但GPU和可能产生的存储费用照常计算。时间主要花在安装、下载、排错和生成上,版本和模型也由你自己维护。

路径B,用社区里已经配置好的镜像。 在镜像社区搜索H3,选择说明中明确支持照片和音频参考生成的版本,再按作者建议选择硬件。安装依赖、配置模型和整理工作流的工作通常已经由镜像作者完成,但启动方式和附带功能要看具体说明。

这条路线适合想先跑出成片的人。社区镜像可能免费,也可能按运行小时额外收费,不能只看GPU单价。你主要负责选对镜像、准备素材、生成和检查结果;遇到镜像特有的问题,先查作者的说明。

两条路线的画质并不因是否付镜像费而自动拉开差距。 如果底模、工作流、素材和参数一致,镜像主要省下的是配置时间。画质和稳定性仍要看实际生成结果。

两条路线都以“照片+配音生成短Digital HumansOral”为目标。本文的模型、预览和高清参数来自我自己的实测环境,供你复现和对照;不同社区镜像可能使用其他权重或工作流,不能直接把本文的效果和耗时当成它们的实测结果。

两条路线都先准备自己的照片和配音。是否附带文字转语音、音色克隆等功能,要看所选镜像,不能默认都有。

ef8819a5j00tooetd005zd000v900anp

图中选中的是路径A的“平台镜像”。走路径B时,切换到“社区镜像”,再搜索适合的H3环境。

二、开机前,把这几样东西准备好

先准备素材,再租机器,可以少花一些等待的钱。

第一,准备平台账号。 登录优云智算,按页面要求完成账号设置,并确保余额足够覆盖本次试跑。首次使用不建议直接包月,先用按量计费把流程跑通。

78b62d66j00tooeu8005wd000mf00c6p

这是此前保存的空白登录页截图,实际登录方式以当前页面为准。

第二,准备一张人物照片。 先选清晰、单人、面部无遮挡的照片。新手第一次建议使用成年人物的正面或轻微侧脸照,避免复杂手势和多人同框。照片和声音都要有使用授权。

第三,准备一段6—7秒的配音。 可以自己录,也可以用已经获得授权的声音生成好。先试听,检查有没有杂音、尾句缺失和错误读音。

第四,准备与配音一致的逐字稿。 音频里说什么,提示词里就写什么。不要音频是一句话,提示词又改成另一句话。

例如可以用这一句做短测试:

你好,这是我的数字人口播测试。欢迎一起体验人工智能创作。

实际朗读速度不同,长度也会不同。请以音频播放器显示的时长为准,超时就缩短文案,别为了塞进去把声音加速得不自然。

本文实测的两套预设都是175帧、24fps,输出约7.29秒。第一次先用6—7秒配音跑通;社区镜像若提供其他时长,按对应工作流说明准备素材。本文没有验证15秒或一分钟口播的稳定性。

三、路径A:自己选择实例、模型,完成部署

这条路线从基础环境开始。你要自己安装软件、配置模型,也能看懂每个环节在做什么。

A1. 先根据任务选模型,再决定租什么机器

H3的模型文件不是随便选一个就通用。本篇要做的是参考照片和配音生成数字人口播,所以使用 Ref2VA参考生成路线.

如果你的目标是普通文生、图生音画,才考虑对应的FL2VA工作流;不要把FL2VA权重直接塞进这篇的Ref2VA工作流。官方BF16权重又是另一种资源需求,不能套用本篇单卡量化版的配置和费用。

这篇复现采用Comfy-Org整理的剪枝INT8 Ref2VA权重。需要下载的文件列在下面,模型下载地址统一放在文末。

需要准备五个文件:

  • 视频主模型:minimax_h3_ref2va_pruned_int8_convrot.safetensors。
  • 文本编码器:qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors。
  • 视频VAE:minimax_h3_video_vae_int8_convrot.safetensors。
  • 音频VAE:minimax_h3_audio_vae_fp32.safetensors。
  • 4步预览加速LoRA:minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors。

前四个用于两档生成,第五个用于预览。文件名里的任务和量化后缀都要对应,别只按“H3”搜索后随便下载。

这里的NVFP4 AWQ文本编码器也不能简单理解成“只有5090能用”。模型页明确说明它不要求Blackwell显卡,我们的48GB RTX40系实测也使用了这一文件。是否可用还取决于完整软件环境。

6c7446dbj00tooev000aqd000jl00kip

模型目录中的音频VAE在官方说明里重复列了一次,实际只需要下载一份。

A2. 创建基础环境实例

进入平台“部署GPU实例”,选择基础环境镜像。我们从 Cuda12.2_Py3.10 起步,再独立安装H3运行环境;如果平台目录变动,先核对能否建立下面的环境,不要只凭相似名称判断。

本篇已经验证的硬件是上海二C、48GB RTX40系×1、20核90GB内存。24GB、32GB或其他卡型不属于本教程的已验收配置。自己选硬件不等于随便换卡后还能照搬参数。

磁盘按模型存放方式决定:公共模型能直接读取时,可以减少本地权重占用;若要自己下载模型,还要容纳安装缓存、依赖、输入输出,建议给手动安装预留100—200GB空间。这个范围是空间规划建议,不是模型运行的硬性最低值。我们早期手动部署使用了200GB。

选择按量计费,确认基础镜像费为0或你接受的价格,再创建。GPU、磁盘和任何第三方镜像费用分别看明细。

9c50a9ccj00tooevi0087d000v900g9p

这是手动安装路线的配置预览,没有点击“立即部署”。图中200GB包含额外存储费用;使用公共模型时按实际空间需求选择。

A3. 安装独立运行环境

实例运行后,打开JupyterLab的Terminal。先检查硬件:

nvidia-smi
free -h
df -h /workspace

确认能看到GPU以及足够的内存、磁盘空间,再开始下载。基础镜像名字中的CUDA版本,不等于最终PyTorch使用的CUDA运行时。

下面以实例已有Conda和Git、工作目录为 /workspace 为前提,按我们验收的Python、PyTorch和ComfyUI版本整理。这是手动路线的命令,不要在已经使用打包镜像的实例上再执行一遍。

source “$(conda info –base)/etc/profile.d/conda.sh”
conda create -n h3 python=3.12.16 -y
conda activate h3
cd /workspace
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
git checkout c844cb672186f187bf9455e2808821417a10d296
python -m pip install torch==2.13.0 torchvision==0.28.0 –index-url https://download.pytorch.org/whl/cu130
python -m pip install -r requirements.txt
python -m pip check
python -c “import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())”

每条执行成功再继续。最后一项应显示CUDA可用;若安装失败或GPU不可用,保留具体错误,先处理版本、驱动或下载问题,不要直接提交生成任务。

本文固定版本是为了复现本次环境,不建议新手一边安装一边全部升级。

A4. 配置模型:先查公共目录,没有再下载

先看看平台目录里有没有需要的文件:

ls /model/ModelScope/Comfy-Org/MiniMax-H3

本次测试地域能读取这个目录,但其他实例或地域要现场确认,不能默认都有。

如果五个文件分别位于该目录的 diffusion_models、text_encoders、vae、loras 子目录中,在ComfyUI根目录新建 extra_model_paths.yaml,填入:

h3_public:
base_path: /model/ModelScope/Comfy-Org/MiniMax-H3
diffusion_models: diffusion_models
text_encoders: text_encoders
vae: vae
loras: loras

已有这个配置文件时添加这一段,不要覆盖其他模型设置。若实际文件夹结构不同,按真实目录修改,不能只写上路径就当挂载成功。

没有公共模型时,从文末的模型下载地址分别下载这五个文件,放到ComfyUI对应目录:

/workspace/ComfyUI/models/
├── diffusion_models/  ← Ref2VA主模型
├── text_encoders/     ← 文本编码器
├── vae/               ← 两个VAE
└── loras/             ← 4步预览LoRA

下载前检查剩余空间,只下需要的文件。手动下载到自己系统盘会占用空间,不能再按“公共模型不占实例盘”的方式计算磁盘需求。

A5. 启动服务,并从自己电脑打开

先用仅本机监听的方式启动ComfyUI:

conda activate h3
cd /workspace/ComfyUI
python main.py –listen 127.0.0.1 –port 8188

这个终端保持运行。在你自己电脑的新终端中,根据控制台显示的SSH信息建立隧道。下面是格式示意,用户、主机和端口必须替换成自己的:

ssh -N -L 18188:127.0.0.1:8188 -p <控制台SSH端口> <SSH用户>@<SSH主机>

保持隧道终端打开,在自己电脑的浏览器访问 http://127.0.0.1:18188。如果本机18188端口已被使用,换一个空闲的本地端口,并同步修改浏览器地址。

这条手动路线通过SSH隧道访问ComfyUI。社区镜像可能提供自己的应用入口或登录页面,按各自的说明操作,两种访问方式不要混用。

A6. 导入工作流,完成第一条生成

下载 01_预览_4步.json 和 02_高清_20步.json,把预览JSON拖入ComfyUI画布。先检查模型下拉框中的文件名与A1清单一致;缺文件就回到A4排查,缺节点则检查ComfyUI版本,不要随机安装一堆第三方节点。

这份附件会提供整理好的参数,省去读者手动画节点;环境和模型仍由你自己部署。若使用官方其他模板,结构与默认参数可能不同,不能直接套用本文耗时。

导入成功后,按后文“共同操作”上传照片、配音和逐字稿,先跑预览,再跑高清,下载后关机。走完路径A,不需要继续创建路径B的实例。

附件内容放在评论区了

四、路径B:选择社区里已经配置好的镜像

这条路线从“镜像社区”开始。在平台控制台进入镜像社区,搜索 MiniMax H3 或 H3,先看镜像详情,再决定用哪一个。平台入口统一放在文末。

B1. 先确认镜像能做你要的任务

名字里有H3,不代表它就能直接做数字人口播。有些镜像主要提供文生视频,有些支持图片参考,还有些才提供图片和音频共同参与的参考生成工作流。

我们这次需要的是 Ref2VA参考生成:输入人物照片和配音,生成带声视频。打开镜像说明后,重点确认以下内容:

  • 是否明确支持照片与音频参考生成,是否附带对应工作流。
  • 作者用什么显卡和内存跑通过,有没有实测记录。
  • 模型已包含、需要挂公共目录,还是第一次启动后下载。
  • 服务怎么启动,从哪里打开界面,是否需要登录。
  • 镜像是否收费,以及最低磁盘要求。

优先选择用途说明清楚、有操作文档和运行示例的镜像。只有“全能”“一键启动”这类介绍,却没有模型、配置和入口说明的,先别急着租机。

B2. 从镜像详情进入部署,再选硬件

在确认合适的镜像后,从它的详情页进入部署。这样创建的实例才会使用这份环境,不要先随便开一台基础环境实例,再找地方“套镜像”。

硬件先按镜像作者的说明选。 本文实测用的是上海二C、48GB RTX40系一张、20核90GB内存,可以作为参考,但不能保证所有H3镜像都适用。

577a3adbj00tooexz006qd000v900ghp

图中用基础镜像页面展示硬件选项的位置,不代表某一份社区镜像的完整配置。进入社区镜像的部署页后,仍要核对顶部镜像名称和版本。

磁盘也要跟着模型存放方式选。我们使用公共模型目录时,50GB系统盘可以放环境和少量输出;如果社区镜像内置了大权重,或者启动后要下载模型,50GB就未必够。以它的镜像大小、磁盘要求和下载说明为准。

付款方式先选按量计费。创建前展开费用明细,把GPU费、镜像费和磁盘费分别看一遍。社区镜像没有统一时价,本文也不把某一份镜像的价格当成平台标准。

目标卡型没资源时,可以等待,或选择作者明确支持的其他配置。不要直接换成显存更小的卡,再指望原工作流照常运行。

确认后创建实例,等待运行。建议设置定时关机;开始任务前检查剩余时间是否足够,避免生成到一半被定时关闭。

B3. 按镜像说明打开界面

实例运行后,回到镜像的使用说明,找到启动方法和访问入口。支持自动启动的镜像,等待服务就绪后打开应用入口;要求手动启动的镜像,在JupyterLab终端执行作者给出的命令。

如果说明提供了ComfyUI入口,就从该入口进入。需要账号密码时,按该镜像的说明获取;有的会提供启动日志,有的会说明默认登录或首次设置方法,不能套用其他镜像的命令。

不要在已有服务正常运行时另起一个ComfyUI,也不要一进来就升级全部依赖。先用作者给出的版本跑通,后面再考虑调整。

B4. 找到参考生成工作流,先跑短片

打开镜像自带的照片与音频参考工作流,确认能看到图片输入、音频输入和提示词等位置。工作流名称、文件夹和节点布局由作者决定,不一定与本文附件相同。

如果镜像提供预览或低步数加速预设,先按作者说明跑一次。没有预览档时,先用它推荐的短片配置测试,不要直接把采样步数改成4。

想使用本文的两套JSON,可以在确认ComfyUI版本、节点和五个模型文件兼容后导入。缺文件或节点时先按说明补全;第一次使用社区镜像,优先把它自带的工作流跑通。

五、共同操作:换上自己的照片、配音和台词

路径A导入本文工作流后、路径B打开镜像的照片与音频参考工作流后,都可以按下面的思路准备输入。下文的节点和提示词示例以本文实测工作流为准;社区镜像的界面不同,就找对应的输入位置。

画布看起来节点很多,但第一遍只需要找到三个地方:图片、音频、提示词。

先上传人物照片。 在图片节点选择自己的文件,确认节点里显示了正确的人物。

再上传配音。 在音频节点选择自己的声音文件,确认选中的是准备好的那一版。

本文附件中的 UPLOAD_YOUR_PORTRAIT.png 和 UPLOAD_YOUR_SPEECH.wav 是占位文件名,需要替换成自己的素材。社区镜像若带示例素材,也检查是否已经切换成你自己的文件。

接着找到提示词,把示例台词替换成你的配音逐字稿。第一次先保留其他设定,尤其是<Picture 1> 和<Audio 1>这两个引用。

你可以沿用下面这个写法,只修改双引号里的中文台词:

integrated_multimodal_description: A single continuous locked-off medium shot of the adult person in<Picture 1>. Preserve their facial identity, clothing and background. Natural blinking and restrained head movement. Look at the camera. Say exactly in Mandarin: “你好,这是我的数字人口播测试。欢迎一起体验人工智能创作。” Match the voice, speaking rhythm and pronunciation in<Audio 1> . Synchronize lips to the spoken words. Complete the sentence within the shot. No cuts, no captions, no logos.

overall_soundscape: Clear speech matching , quiet room tone, no music or sound effects.

这段提示词的意思是:保留参考人物,固定机位,轻微自然动作,按照参考音频的声音和节奏说出台词,不切镜头,不加字幕、标志和背景音乐。

这里有个必须提前知道的特点:H3会参考输入音频,重新生成声音和画面。它不会把你的原始配音直接复制进成片。 因此,声线、节奏、英文发音和具体字词仍可能变化,生成完一定要听。

六、共同操作:先跑预览,确认方向对了再做高清

使用本文附件时,先按预览工作流默认参数提交一次运行。使用社区镜像自带工作流时,按作者推荐的预览或短片配置提交,等待任务完成。

一次只跑一条。已经提交后,不要因为暂时没看到视频就连续点运行,否则可能把同一个任务重复加入队列。

本次实测,4步预览约57秒完成。首次启动、加载模型和不同素材都会影响时间,不必拿秒表要求每次完全一样。

预览出来后,完整播放一遍,重点看四件事:

  • 人还是不是照片里的那个人,脸有没有明显变形。
  • 台词是否说全,最后半句话有没有被截掉。
  • 声音和读音是否符合预期。
  • 嘴型与声音有没有明显错位,动作是否过大。

预览存在明显问题,先修改素材或提示词。不要指望把同一份有问题的输入切到高清,就能自动修好所有细节。

七、共同操作:切到高清,再生成正式版本

使用本文附件时,把 02_高清_20步.json 拖入画布。使用社区镜像自带工作流时,切换到作者提供的高清预设,或按其说明调整质量参数。

重新检查图片、音频和台词,确保仍然是刚才确定的素材。不同工作流未必自动继承你上一次的选择,不能只切换文件就立即运行。

本文实测的两套设置如下,供你对照;其他社区镜像的默认值可能不同:

预览版使用896×448分辨率、4步采样,搭配4步Turbo LoRA,输出约7.29秒。本次生成用了约57秒。

高清版使用1344×768分辨率、20步采样,不加载Turbo LoRA,同样输出约7.29秒。本次生成用了约11分52秒。

本文的4步预览有配套Turbo LoRA,不能只把高清工作流的20步改成4步。社区镜像若使用其他加速方案,按它配套的工作流和说明操作。

另外,两套预设的画面比例不同,人物构图可能发生变化。这是两套分别跑通的实用配置,不能当成严格同分辨率的画质对照。所谓“高清”指这套更高分辨率、更多步数的预设,底模仍是量化模型,并不会因此变成BF16全精度版。

高清生成完成后,再完整检查一遍。预览没有读错,不代表高清也一定没有读错。

我自己遇到过的一个问题是英文 Claude。最初配音的读法不理想,后面只给旧视频换音轨,声音虽然改了,嘴型仍是旧节奏。最后用正确发音的配音作参考,重新生成了视频。

所以,涉及人名、品牌名和中英文混读,先确认参考配音,再检查成片。不要等视频发布后才发现读错。

八、“一条不到1元”到底怎么算

这组数据来自2026年11月17日的48GB实例复测。预览先跑,高清随后运行,高清复用了部分已加载、已缓存的内容,不是从一台全新冷启动机器开始计时.

先算本次实测硬件的GPU费用:3.80元/小时。

4步预览用了56.52秒,折算约0.060元;20步高清用了712.40秒,折算约0.752元。预览和高清各跑一次,GPU费用合计约0.812元。

计算方法是:

任务耗时 ÷ 3600 × 每小时费用。

使用社区镜像时,需要把它的镜像费加进去,再计算额外存储。例如,假设你选择的镜像收费0.20元/小时,GPU仍为3.80元/小时,两项合计4元/小时;如果任务耗时也相同,高清生成阶段约0.792元,预览加高清约0.854元。

这里的0.20元只是举例,不是指定社区镜像的报价。实际计算时,换成你创建实例页面显示的数字;模型、参数或硬件变了,耗时也要重新测。

机器开着但你没点生成,也会计费。按合计4元/小时举例,多花5分钟整理素材、调整参数或下载,就会多约0.33元。预览加高清再加这5分钟,便是约1.19元。

自己搭环境时,安装和下载占用的开机时间同样会付GPU租金。因此,免费基础镜像没有镜像附加费,但不代表首次部署的总花费一定更少。

标题里的“一条不到1元”,对应本次约7.29秒高清片段成功生成阶段的测算。 它没有包含准备、空转、失败重试和额外存储,也不是每份社区镜像的效果或价格承诺。

九、下载作品,然后真正关机

完成后,在保存视频节点查看、下载MP4。

如果找不到下载入口,可以回到JupyterLab查看输出文件。本文手动部署并使用配套工作流时,输出目录是:

/workspace/ComfyUI/output/MiniMax_H3/

社区镜像的ComfyUI安装目录、输出文件夹和命名可能不同,按镜像说明或保存节点里的路径查找。找到本次生成的MP4,右键下载到自己的电脑。文件可能按预览、高清前缀和序号排列,注意不要下错版本。

下载后,在本机打开视频,确认能播放、有声音、文件完整,再回优云智算控制台关机。

关闭ComfyUI网页、退出JupyterLab、合上电脑,都不等于关闭云端实例。

在实例列表执行关机,并确认状态已经变为“关机”,GPU实例计费已停止。

57a1e4aaj00toof3x003ld000v9006mp

两张截图中的实例名称、ID及密码区域均已遮盖。上图是50GB基础盘验收实例,下图是保留200GB系统盘的旧实例。

系统盘是另外一回事。保留磁盘意味着环境和文件还在平台上,超出基础额度的空间可能继续收费。我们原来200GB系统盘的实例,关机后页面仍显示约0.07元/小时存储费;这次采用50GB基础盘的测试实例,页面显示磁盘费为0。

你的费用以控制台明细为准。不要把“GPU关机不收费”理解成“所有存储永久免费”。

也不要把关机实例当作长期网盘。平台会按欠费和闲置规则回收实例,回收后资料可能无法恢复。下载好作品、素材和自己修改的工作流,比等回收提醒更可靠。

附:继续研究时,先找到这几个位置

路径A按本文安装后,ComfyUI源码在 /workspace/ComfyUI/,模型路径设置在根目录的 extra_model_paths.yaml,生成文件放在对应的 output 目录。

路径B使用社区镜像时,先保存它的使用说明,记下启动命令、模型目录、输出目录和日志位置。不同作者的目录结构不统一,不要直接照搬其他镜像的路径。

第一次先按原有配置完成一条短片,再逐项调整参数。这样出问题时,更容易判断是哪一步引起的。

模型有自己的社区许可,平台也有使用规则;商用前阅读对应模型许可和镜像用途说明。镜像收费不代替人物肖像、声音或模型的使用授权。公开作品应清楚标注AI生成。

如果你卡住了,反馈时把镜像名称和版本、卡型、所用工作流、进行到哪一步、具体报错一起发出来。截图里遮住账号密码和连接信息,便于判断问题发生在哪个环节。

参考资料与下载地址

statement:The content of the source of public various media platforms, if the inclusion of the content violates your rights and interests, please contact the mailbox, this site will be the first time to deal with.
TutorialEncyclopedia

AI提示词创作第九十三节:用AI写出有冲突、有默契的三人主角团

2026-11-15 9:59:02

Information

Meta Orion, the world's most expensive AR glasses, revealed to never go on sale: a more powerful version will be announced in 2027, with a camera in the headset.

2025-1-22 10:09:47

Zenium
Search