MiniMax H3 对口型：让照片照着一段人声唱歌、说话

要准备什么

• 首帧：要唱、要说的那个人，最好是正脸的近景或中近景，短边 720 像素以上。场景、衣服、光线都由它定。
• 人声：干净的人声，最好不带伴奏，2–60 秒，MP3、WAV、M4A、AAC、FLAC、OGG 都行。带伴奏的先把人声分离出来；超过 60 秒的切成几段，分几条做。
• 同一个人的参考照或角色：人转头、镜头移动时脸才稳得住，见人物一致性。

命令

h3 submit --mode lipsync --first-frame girl_river.png --audio verse1.wav --seconds 8.4 \
  --ref front=face_front.jpg --ref three_quarter_left=face_left.jpg \
  --prompt "A medium close-up frames the young woman standing by the river at dusk, facing the camera. She sings with gentle, expressive facial movement, her right hand resting lightly on her chest, her hair moving in the evening breeze. The camera pushes in with small amplitude at slow speed in one continuous shot." \
  --dialogue "晚风吹过河岸，我还在等你。" \
  --sound "Soft wind over the river, water lapping against the bank, distant birds." \
  --wait --out ./out

--seconds 填人声的长度。用存好的角色时，把 --ref 换成 --character 小美：平台会带上她的全部照片，嘴型照样跟着你的人声。

台词一字不差

• --dialogue 必须和人声逐字一致，标点也一样，否则口型会对不上。
• 唱什么语言就写什么语言：中文歌词就写中文，平台不翻译。
• 以句号结尾。

描述写表演，不写歌词

描述里写这个人怎么唱、怎么说：表情、手势、小动作和运镜，不要再写一遍歌词。有间奏的，加一句 keeps relaxed closed lips during instrumental sections and sings only when vocals are audible。

「每个字都咬清楚」这句平台已经自动加了，不用自己写。

会让嘴不动的词

别写 restrained、subtle、minimal、almost still 这类词。 我们实测过：同样的种子、图和人声，写了这些词，嘴几乎不动、只露出牙齿；去掉以后，嘴就清楚地一张一合了。描述里写表情和手势，嘴交给人声去带。

什么样的画面对得最准

• 正脸近景最稳。
• 侧脸、手或头发挡住嘴、远景、画面里好几个人、快速转头，都会让口型变差。
• 图里的脸太小，先把首帧裁得近一些再提交。
• 首帧先裁成目标比例（9:16、16:9 或 1:1），否则平台会居中裁掉多出来的部分。

预期

MiniMax H3 是声音和画面一起生成的，不是强制对口型的工具，偶尔嘴型会和词有点出入。重要的镜头出两版（--segments 2，积分两倍）挑好的那版。

一支 MV 就是几段对口型，再加几个不唱的镜头。每段和其他视频一样按秒计：夜里每秒 ¥0.06，白天每秒 ¥0.09。歌本身也能在 XXT 上出：一次出 2 首，每首 100 积分。

成片、歌曲和上传的素材在任务结束后保存 8 小时，之后自动删除，请及时下载。

常见问题