当视频模型进入完整工作流：MiniMax H3 与 TapNow Creative OS 的一次实测

# 当视频模型进入完整工作流：MiniMax H3 与 TapNow Creative OS 的一次实测

最近，我一直在用真实商用任务测试各种新的视频模型。MiniMax H3 发布后，我重点关注了一个问题：它不仅能不能生成效果自然的 15 秒视频，还能否应对 1 分钟、2 分钟的长视频，以及其中涉及的素材组织、叙事、配音和反复修改。

经过一轮测试，我最终在 TapNow Creative OS 中使用 H3。TapNow 的无限画布负责组织参考图、配音、脚本和不同版本，H3 则负责将这些多模态参考转化为动态视频。两者结合后，整个创作流程更加顺畅。

另一个值得关注的问题是成本。按照这轮测试中的相同设置，TapNow 上使用 H3 的成本约为 Seedance 2.0 的三分之一。来源材料显示，TapNow 当时提供限时订阅优惠，H3 生成也有相应折扣。对于品牌包装、MV、UI 动效等需要反复生成和修改的商用任务来说，单次成本降低后，创作者会更愿意尝试不同方向。

这次测试中最明显的变化，就是可以更放心地反复生成：镜头不合适就重来，一致性不够就再跑一版，不必过度担心积分消耗。

## 一、用 H3 完成一支 60 秒户外品牌 TVC

这次首先测试的是一个接近实际交付的任务：用 AI 制作一支 60 秒、带完整故事和配音的户外品牌 TVC，主题为《向上，也向彼此》。

故事围绕两名登山者展开。两人一起冲顶，其中一人体力下降，另一人本可以继续前进，却选择停下来扶住同伴。对方恢复后，两人重新出发；在后半程，他们又互换角色，彼此保护，最终一起登顶。

故事并不复杂，但从 AI 视频制作的角度看，任务包含了多项挑战：

– 两名人物需要保持一致；
– 多张参考图要分别发挥作用；
– 60 秒叙事需要拆分为四段；
– 每一段之间要自然衔接；
– 画面还要统一雪山环境、装备材质和摄影风格；
– 同时处理旁白、环境声、镜头设计以及二次修改。

这也是将整个项目放入 TapNow Creative OS 中执行的原因。测试的重点并不是 H3 能否生成一个漂亮镜头，而是它进入完整工作流后，能否成为真正用于项目落地的生产工具。

测试多个项目后，一个较为明确的结论是：H3 更适合参考关系清晰、画面需要商业质感、音乐与镜头需要融合的项目。它目前还不是只靠一句提示词就能稳定交付的万能工具。项目说明需要清楚，素材需要准备充分，二次编辑也要能够定位到具体镜头。

## 二、先组织创意和素材，再开始生成

在制作登山主题广告时，我没有一开始就直接写分镜，而是先把主题、人物关系和情绪方向交给 TapNow Agent，通过 Brainstorm 将“向上，也向彼此”拆解成一条能够拍摄的故事线。

Agent 还可以接入包括飞书在内的应用和工具，读取客户 Brief、团队文档、品牌资料以及参考素材，帮助创作者在更接近真实工作的环境中推进项目。

当创意仍不够具体时，还可以继续调用 Skill，将主题进一步推进到脚本、镜头和视觉方案。方案成形后，通过 Visualize 应用把方案转成交互式视觉提案，便于向客户解释故事逻辑和画面方向，也减少重复制作演示文稿的工作。

剧本确定后，先锁定两位登山者的脸、年龄、服装和装备，确保后续四段视频保持较好的一致性。随后补充雪山环境、光线和摄影风格，让模型明确“高级户外 TVC”的视觉方向。

旁白也被单独准备成标准音频参考。由于 60 秒视频需要拆成四段生成，如果每段都让模型自由发挥，音色和语速容易发生变化。提前提供统一声音，可以让四段视频的配音保持在同一条基线上。

此外，还需要用一段统一提示词约束整体风格，包括画幅、雪山环境、色彩、摄影质感、镜头语言、人物一致性、品牌装备呈现方式，以及旁白和环境声要求。

## 三、用分段生成解决长视频衔接

H3 能够同时理解文字、图片、视频和音频。在分镜阶段，可以将画面、动作、旁白和环境声写在同一段提示中，实现音画同步生成。

例如，第一段 15 秒视频被拆分为多个镜头：

– 开场是黎明前的雪山极大全景，两名登山者在画面下方缓慢向上移动；
– 随后切入冲锋衣、冰爪、登山扣和绳索等装备细节；
– 两名登山者短暂交换眼神，开始正式攀登；
– 山风增强，两人继续向前；
– 结尾进入狭窄山脊，登山绳突然绷紧。

为了保证后续衔接，第一段结尾特别写清楚人物站位、动作和关键物体：女登山者在前，男登山者在下方，登山绳处于绷紧状态。第二段则从同一根绷紧的绳索继续。

按照同样的方法，最终生成了四个 15 秒片段，并将每段的结尾画面作为下一段的参考。整体衔接效果较好，其中中段“伸手救援”的动作连接最为稳定，前后几乎可以看作同一个镜头；另外两处则主要通过景别切换和蒙太奇完成过渡。

TapNow 还支持在画布中直接创建时间线。多个视频片段可以统一选中后进行拼接、裁切和节奏调整，无需逐个导出再处理。

最终成片的整体视觉比较统一：冷蓝灰色的雪山、黑色装备和克制的晨光贯穿始终，四段之间没有明显的风格跳脱，人物关系也能够被清楚读出。

## 四、四类商用任务的测试结果

### 1. MG 科普动画：视觉体系和信息表达较稳定

MG 动画是另一个重点测试场景。过去制作这类动画，往往需要在 AE 中逐步设置关键帧，工作量较大。

这次先通过两张风格参考图明确画面风格、配色和图形语言，再将全片中不应变化的条件写入统一提示词，包括角色形象、色板、图形元素和动效方式。

最终生成的四段片段保持了较稳定的视觉体系：深蓝黑背景、象牙白图形和橙色核心贯穿全片，AI Agent 的方形轮廓也基本没有明显变化。

H3 对图形变形和信息流转的理解，以及中文文字的呈现效果，整体好于预期。画面可以从账号、工具、对话框一路表达到账历和地图，信息传达较为精准。

### 2. 游戏 UI：流程完整，但不能直接作为真实界面

游戏 UI 测试按照真实游戏流程拆分为几个部分：启动与车库、车辆和赛道选择、比赛 HUD，以及冲线与奖励。

各段生成前，先确认主车、配色和 UI 语言，再将片段串联进同一条时间线。最终得到了一支 45 秒的游戏界面展示片。

这类视频的优势在于流程感完整。车库、选车、选赛道、比赛 HUD 和冲线画面能够前后衔接，黑、橙、蓝的色彩也保持了统一，整体已经接近一支游戏概念预告。

不过，它更适合用于提案和视觉方向验证，还不适合直接作为可以上线的真实游戏界面。

### 3. 电梯广告：产品质感突出，文字需要复检

电梯广告更考验短时间内的产品表现和信息呈现。测试中使用两张完整包装图锁定产品外观，并用 9:16 竖屏和 30 秒节奏约束镜头。

成片中，食品质感是最有说服力的部分：辣条的油润质感、辣椒颗粒和火焰色调较为抓眼。包装在多数镜头中也能保持白袋、红标和“大面筋”等核心识别元素，放在电梯屏幕上具有较强的视觉冲击力。

但字幕、包装文字和竖屏安全区仍然需要仔细复检，不能完全省略人工检查。

### 4. 品牌 Logo 动效：适合制作片尾底稿

Logo 动效的流程相对简单，主要将原 Logo 作为唯一视觉参考，并约束字形、比例、出现次数和最后的静帧时间。

测试结果整体稳定。Logo 的中英文结构、白橙配色和画面比例基本得到了保留，结尾还留出了一段便于剪辑衔接的静帧。

因此，这类生成结果完全可以作为片尾动效的初版底稿，帮助创作者节省前期制作时间。

## 五、项目能否交付，比单个镜头更重要

完成这些案例后，对 TapNow 的价值判断也更加清晰。

真实的品牌项目可能包含几十张参考图、十几个分镜、多个角色版本，以及同一镜头生成的多个版本。如何组织这些内容，并让项目在反复修改中保持可控，是比单个镜头质量更现实的问题。

TapNow Creative OS 将创意理解、Brainstorm、参考素材、脚本、分镜、版本管理和后续修改放在同一个上下文中。经过验证的方法还可以沉淀为 Skill。对于经常制作品牌广告、产品视觉、MV 或短视频的人来说，这种工作方法的复用价值可能高于单纯保存大量 Prompt。

它还提供了更接近实际后期的修改能力。例如，可以持续跟踪运动主体后删除主体，也可以只重做时间轴上的指定几秒，不必将整段视频全部推倒重来。

视频无界延长功能也较为实用：既可以从视频开头向前补充，也可以从结尾继续生成，并支持设置延长时长和续写方向，同时引用画布或主体素材控制后续内容。

在辣条广告测试中，原本 15 秒的片段可以直接向后延长 8 秒，得到 23 秒版本，使产品卖点得到更完整的呈现。

此外，还可以直接替换视频中的人物，并尽量保持其他画面元素不变。对于商业项目来说，这类二次编辑能力比重新生成一条视频更加实用。单条视频的生成质量只是起点，可修改性会越来越重要。

## 六、作品之外，过程同样值得被看见

如今 AI 视频越来越多，但公开展示的通常只有最终成片。对于想学习的人来说，真正有价值的部分往往没有出现：

用了哪些参考素材？画布如何组织？人物如何锁定？这一镜为什么要接下一镜？中间又尝试了多少版本？

TapTV 的价值在于，它不仅展示结果，也保留了作品背后的项目过程。参考素材如何摆放、镜头如何衔接、版本如何保留，都可以随着作品继续查看，甚至克隆后制作自己的版本。

对于刚开始接触 AI 视频的人来说，这种学习方式可能比收藏所谓的“神级 Prompt”更有效。Prompt 当然重要，但真正值得复制的，是创作者如何从 Brief 一路推进到成片。

## 小结

这轮测试之后，可以得出几个相对明确的判断。

H3 目前还不能完全替代其他模型，TapNow 也不能完全替代导演、剪辑师或创作团队。真实项目仍然需要创意、审美和分镜，也需要人不断判断什么应该保留，什么必须删除。

但创作工作的重点正在发生变化：越来越强的模型如何进入一个能够修改、协作并最终交付的项目，成为更值得关注的问题。

在这几个案例中，TapNow Creative OS 与 MiniMax H3 的组合展现出了较强的工作流价值。H3 提高了单个画面的质量上限，TapNow 则将 Brief、参考素材、分镜、生成结果和二次编辑留在同一个上下文中，让一次生成不再是终点。

模型决定单个镜头能够达到怎样的效果，工作流则决定这些镜头最终能否成为一件完整作品。