用一块 6GB 显卡搭内容生产线:8 条 AI 空镜 + 全自动合片,单条 55 秒视频 40 分钟
先给结论:在 RTX 3060 Laptop(6GB 显存)、32GB 内存的 Windows 机器上,用 MiniMax H3 的 W4A8 量化版加 4 步蒸馏 LoRA,可以稳定输出 480×864、5.17 秒、带原生音轨的空镜,单条 191.4 秒;8 条串行 24 分钟;后面拼片、TTS、字幕、三规格转码、水印全部脚本化,整条 55 秒视频 40 分钟、0 元。
下面是完整链路和踩过的坑,环境版本都写清楚了,可以直接照着复现。
一、环境
| 项 | 版本 / 取值 |
|---|---|
| 显卡 | RTX 3060 Laptop,6GB |
| 内存 | 31.8GB,系统 pagefile 建议 32GB |
| ComfyUI | 0.45.0(独立目录,端口 8190) |
| Python | 3.11.15 venv |
| torch | 2.14.1+cu130 |
| 扩散权重 | `minimax_h3_fl2va_pruned_w4a8_mixed.safetensors`(11.68GB) |
| 文本编码器 | `qwen3vl_4b_fp8_scaled.safetensors`(4.88GB) |
| VAE | video fp16 4.85GB + audio fp32 0.56GB |
| 加速 | 4 步 Turbo LoRA 0.28GB + ClipProj 0.28GB |
总权重 23.8GB,靠 ComfyUI 的动态卸载在 6GB 上跑起来,显存峰值 5.2--5.4GB。
二、出片命令
text
cd D:/Hermeswork/MiniMaxH3/ComfyUI
venv/Scripts/python.exe main.py --port 8190 --lowvram --disable-pinned-memory
text
cd D:/Hermeswork/MiniMaxH3/h3lite
py -3.13 scripts/h3_generate.py --base-url http://127.0.0.1:8190 \
--comfyui D:/Hermeswork/MiniMaxH3/ComfyUI --component-set B \
--workflow-template h3_w4a8_t2v_compat \
--prompt-text "a hand slides a laptop onto a cooling stand, slow push-in" \
--resolution 480x864 --length 121 --steps 4 --watch
三个参数是硬约束:`--length` 必须是 8n+4(121 / 124 / 168...),采样器 euler,CFG 1.0。
三、五个具体的坑
**1. 两套 ComfyUI 抢内存。** 出图那套(8188)常驻会占 17GB 私有内存,H3 加载时 commit 只剩 0.7GB,必失败。改成脚本串行:先 `taskkill` 8188,再起 8190,出完片再把 8188 拉回来。
**2. 默认模板会打 SageAttention 补丁。** 没编译 sageattention 就抛 `RuntimeError`;用 `h3_w4a8_t2v_compat` 模板绕开,代价是慢 30--40%,但稳定。
**3. 脚本默认连 8188。** 报 `WinError 10061`,必须显式 `--base-url http://127.0.0.1:8190`。
**4. 结尾 `verification_failed` 不等于失败。** 那是命名和音轨策略的自检;以 ffprobe 读到的 width/height/duration/audio 流为准。
**5. 节奏门与素材时长冲突。** 短视频的节奏要求平均镜长 ≤2.5 秒,而 H3 一条 5.17 秒。做法是一条切四个取景:`-ss 0 / 1.05 / 2.15 / 3.20` 各取 1.3 秒,配不同裁切比例做推近。8 镜 × 4 片 = 24 个切点、平均 2.20 秒,实测通过。
四、后期链路
- 旁白:edge-tts,8 段,按 5.3 字/秒配时长;
- 拼片:ffmpeg concat,字幕用 SRT + libass 烧入;
- 放大:`scale=1080:1920:flags=lanczos`;
- 三规格:9:16 原样、3:4 底部对齐裁 `crop=1080:1440:0:480`、16:9 模糊底 + 居中竖屏;
- 水印与片尾:先裁母片再加水印,顺序反了会把右下角切掉。
五、能做什么、不能做什么
能做:环境、物件、过场、街边门头、菜品热气、桌面手部动作,这些空镜的运动足够骗过眼睛。
不能做:画面里需要被读到的文字(必是乱码)、跨镜头稳定的人脸、直接投电视的清晰度。
所以定位很清楚:它替的是素材采购和外出拍摄里的"空镜"部分,不是替掉摄影和表演。真要人出镜,还是得拍。