【接上一期】我把H3 Director的4个工作流跑了一遍：图片和音乐该怎么用？

大家好，我是你的智能搭子阿洁。

接着上一期的H3 Director实测，我们继续往下做。上期介绍了这个项目和它的9个工作流，先测了文字生成视频、人物参考两个入口。

这次我给人物配了一段歌、让三张图片分别动起来、把同一个人物放到不同场景，再把两格故事板变成视频。其中有一个入口，点完生成，得到的其实是图片。

四个入口都有了输出，但用法差别很大。同样一张人物图，拿来告诉模型“她是谁”，和要求视频“从这张图开始”，是两回事。 这也是这篇最想讲清楚的地方。

这轮我选好音乐后，让Codex接手操作并逐步截图，继续用本地RTX 5070的12GB显卡测试。先把短样片跑通，再看哪些做法适合接着用。

01　有现成歌曲，先试第3个音乐视频

音乐视频这项，我用了示例里的白发精灵人物，加上一段约21.6秒的《荒》音乐片段。

目标很具体：让画面里的人物演唱这段歌，音乐沿用上传的文件。 这和只在生成视频后面铺一条背景音乐，要求不一样。

人物图片卡选Reference，也就是人物参考；音乐放进Audio卡，关键是这三项：

• Music：说明音频里是什么。
• Lock：让这条音频作为锁定的声音使用。
• Whose voice → Singer：把声音对应到画面里的歌手。

看原图

这里我会特别留意时长。换过音频后，要核对波形上显示的片段长度，以及Director底部的Duration；我这次把项目时长设成21.6秒，没有直接沿用示例原来的30秒。

分镜则尽量让脸和嘴可见：正面中近景、略带侧面的中近景、正面近景，每段7.2秒。背影再好看，也不能拿来检查有没有在唱。

这次用了768×448、Ref2VA Turbo 6步，按约5秒一段渲染，生成用时约7分24秒。最终视频约21.46秒。

看原图

抽帧里，白发、黑色服装和人物主体保持住了，嘴部有变化。不过，计划里的三种景别没有变成三个很明显的切镜，成片更像连续靠近人物。

音轨比对显示，输出音乐与原片段高度一致、没有测出整体时间偏移，但结尾少了约0.13秒。画面有没有逐句唱准，还需要结合原片听看；仅凭张嘴的截图，判断不了精确对口型。

如果想尝试给自己的歌曲做人物演唱画面，这个入口值得先做短片段测试。先检查声音和嘴，再考虑把整首歌交给它，能少等不少时间。

02　三张图分别做开场，要用第4个工作流

第4个“Shots from pictures”，最容易和人物参考混在一起。

人物参考的意思是：“记住这个人的样子，帮我拍一段新画面。”

这里的图片则是：“这个镜头就从这张画面开始，再往后演。”因此，图片卡要选First frame（首帧），Director使用First / last frame模式。

我这次放了同一个人物的侧面、正面和背侧面三张图，每个镜头约5秒。提示词写的是从图中状态往后发生的动作和运镜。

这三张原图都是竖构图，所以视频也保持竖版，设成448×672，并选了Pad适配。把竖图直接塞进横版再用Crop居中裁切，头顶和身体就可能被裁掉；先统一比例，比生成后再救构图省事。

看原图

图里上排是输入，下排是各镜头实际首帧。三个视角都对应上了；原图经过视频编码后，颜色和细节有轻微差异。

这条视频用了FL2VA Turbo 8步，生成约5分15秒，实际长度约14.79秒。计划写15秒，文件不一定正好15秒，H3会按自身的帧数规则生成。

这项适合已经挑好开场画面的情况，比如人物出场、产品展示、分镜首帧。我想让镜头从哪一张画面起步，就把那张图绑定到对应镜头。 图片之后怎么动，仍要靠提示词和成片一起检查。

03　第5个入口先出图，给视频准备素材

接下来这个“Pictures”，名字很直白：每个镜头生成一张静态图片。

我仍然用了白发精灵人物，把输出切到Pictures，只写两个场景：一个在橙子摊前，一个在咖啡馆窗边读信。人物卡作为Reference，负责提供外观参考。

最初我用768×448做了一轮短测，后来把出图分辨率提高到1344×768，沿用同一个人物、两个场景和随机种子重新生成。下面放的是提高分辨率后的结果，这两张合计生成约1分2秒。

白发、尖耳、黑色服装和法杖这些主要特征保留了，图里能看到橙子表面、信纸和杯碟的细节。这次是重新生成，人物位置和构图也有变化。

看原图

它在创作流程里的位置就清楚了：还没挑好画面时，可以先出静态图，再决定哪张值得做成视频。

图片会保存到output/H3，也会进入input/h3-director-stills，方便在图片卡里继续选择。如果要接第4个工作流，可以把选中的图设成镜头首帧。这次我分别验证了出图和图片转镜头，还没有把这两张新图接着生成视频。

挑图时，我还会检查手部、道具和局部细节。人物一眼认得出来，还不够决定这张图能否继续用。

04　先排故事板，再生成双人镜头

第6个“Storyboard”，我用了项目自带的两个人物和大厅场景，缩成两格、每格5秒的小测试。

第一格是远景：紫发的Luna在左，红发的Inferna在右，两人隔着大厅相对而立。

第二格靠近一些：两人走近，面对面看着对方。

看原图

故事板节点里，图片、每格时长和镜头文字都可以一起安排。画面先摆出来，人物站哪边、下一格看什么，就比只在一长段文字里交代更直观。

故事板和首尾帧，区别在哪里？

看着这两格图，确实容易联想到首尾帧，但两者交给模型的任务不同。

首尾帧是在安排一个镜头的两端。 首帧图告诉模型从哪张画面起步，尾帧图给出希望收束到的画面，中间生成过渡。如果只有首帧，就是前面第4项的用法：从指定图片开始，再按提示词往后动。

故事板是在安排一组镜头。 每一格可以有自己的时长、构图、人物站位和动作描述，先把“先拍什么、接着拍什么”摆清楚。它也能放很多格，不只是一头一尾两张图。

这次的两格分别对应两个镜头，使用的是Storyboard参考；没有把面板勾选为镜头首帧或尾帧。因此，这两格图不是整条10秒视频被固定下来的起点、终点，生成时的景别和切换时刻仍可能变化。

两种做法也可以配合。故事板面板上还有“First frame of its shot”和“Last frame of its shot”，可以把某一格同时指定为对应镜头的首帧或尾帧，再送进Director。本轮先测故事板参考，尚未展开这种组合。

这两个按钮要分清：

• Use in Director：把画好的整张故事板变成素材卡。
• Send to Director：把各格的时长和描述送成时间轴上的镜头。

看原图

我这次同步后，新镜头追加在原示例镜头后面。最后清掉测试副本里的两个旧镜头，只保留新来的两格，并把时间改成0—5秒、5—10秒。同步后先看一眼镜头总数和总时长，别让旧镜头一起混进生成任务。

中间还遇到一个Windows路径问题：故事板图片已经生成了，提交时却提示图片输入不可用。前端用了正斜杠子目录路径，后端枚举的是反斜杠；这次保留原文件，另外复制一份到input根目录，再在测试副本里重新引用，才通过校验。

最终这条768×448视频约10.13秒，生成用时约4分15秒。抽帧能看到两个人物保持左右位置，画面也从远到近，逐渐变成面对面的近景；景别变化没有严格卡在写下的5秒位置。

这轮复用了示例已有的面板图，测试的是“故事板转镜头，再生成视频”。Qwen重绘面板和自动抠图等做法，这次没有展开。

手里有什么素材，就从对应入口开始

跑完这四项，我会这样选：

• 有歌曲，想做人物演唱画面：第3个，先把音频Lock和人物对应关系设好。
• 有已经选好的开场图：第4个，每张图绑定一个镜头首帧。
• 还缺场景图、人物画面：第5个，先生成静态图片挑选。
• 已经想好镜头顺序和人物站位：第6个，先排故事板再送进Director。

想跟着试，可以在已装好H3模型的ComfyUI里打开Templates，搜索H3 Director，按上述英文名称找对应示例。我本次用的是seesee75-commits维护的v1.0.0，项目入口见H3 Director仓库。

12GB显卡这轮跑通的是短样片：音乐和故事板用了768×448，静态出图提高到1344×768，三张图转镜头用了448×672。每项的素材和设置不同，上面的用时可以参考，不适合拿来当工作流速度排名。

我会先拿这些短结果挑出能继续用的画面。

考虑到篇幅，这期先测第3到第6个，共四个工作流；剩下的第7到第9个——动作控制、人物替换和自定义采样，留到下一期测完。

智能搭子 · 和你一起把AI真正用起来 · 真实体验 · 客观判断 · 持续探索