MiniMax-H3数字人口播｜一张照片+一段录音生成对口型说话视频｜中文工作台·自动防换镜头

上传一张人物照片和一段录音，生成带原录音的口播视频。作者 / 整合发布：王知风。AI 工具群：957732664；官网：https://huigui.ai。

部署与使用

1. 使用上海二C容器实例，单卡 RTX 4090 48GB、20核、90GB内存、50GB系统盘。其他显卡和区域尚未验收。
2. 
3. 开机后点击“打开H3数字人口播”（HTTP 7860）。工作台会自动检查模型、启动服务，无需手工启动。首次准备需要时间，页面会显示状态。
4. 
5. 上传清楚的单人正脸或半身照片（PNG/JPG/WebP）和干净人声录音（WAV/MP3/M4A等），确认已取得肖像和声音使用授权，点击“开始生成”。
6. 
7. 默认使用高画质；需要更快可选极速。生成完先预览声音和画面，再下载保存。
8. 用完到优云控制台关机。关闭网页不会停止计费。按平台规则，关机后的磁盘/镜像存储仍可能收费，实例长期关机可能被回收。

两种画质

选项	配置	最终私有镜像实测条件与耗时
高画质（默认）	剪枝 BF16 主模型、INT8 文本编码器、DMD 8步	4090 48GB，1312×736、24fps，6.5秒约291秒
极速	剪枝 INT8 主模型、同一 INT8 编码器、DMD 8步	同卡同清晰度，6.5秒约200秒

以上为2026-10-25最终私有镜像新实例连续两次生成实测，不是任意素材的速度保证。自动重做、模型加载和服务器负载会增加时间。界面的“标准”清晰度约90万像素，不代表16GB标准模型档。输出按照片比例计算，高清约100万像素，不能宣称原生4K。

模型与启动

• 5个大模型文件通过软链读取上海二C公共库 /model/ModelScope/Comfy-Org/MiniMax-H3，不用从用户电脑上传。
• 公共库尚未提供的 DMD 8步 LoRA（约2.3GB）和4B看图提示词模型（约4.8GB）已经放在镜像中。运行时无需下载模型。
• 主程序 /root/h3-digitalhuman；开机入口 /start.d/60-h3-digitalhuman.sh；工作台7860；内部ComfyUI只监听127.0.0.1:8188。
• 遇到缺模型提示先检查该区域公共库挂载，禁止用“服务已启动”代替模型就绪。

限制

• 历史测试覆盖横屏照片和约15秒录音；竖屏、60秒长录音尚未验收。页面允许最长60秒，不等于已验证该长度。
• 人物身份、口型、动作与随机种子有关；停顿时嘴可能未完全闭合。
• 系统会检测换镜头并尝试重做，但不能保证所有素材均成功。失败应查看页面错误，不应隐藏错误或无限重试。
• 相同素材和参数可能复用上次结果；想重新生成可更换随机种子。
• 使用者应遵守各上游模型许可证，并只处理获得授权的照片和声音。

发布验收状态

v1最终私有镜像的新实例已完成：无需手工修补的自动启动、真实图片和音频上传、两档生成、浏览器未静音播放到结束、MP4实际下载及完整解码。抽帧检查未见换镜头；不保证任意素材的身份和口型效果。社区审核与公开入口验收单独记录。