H3 Video：AI 短劇全流程
這套流程來自幾部真實片子的返工經驗。核心思路：先規劃，每個關卡讓人確認，錯了只修出錯的那一層。
總流程（按順序，不跳步）
| 步 | 做什麼 | 關卡 |
|---|---|---|
| 0 | 研究：先看同類優秀作品和別人的做法，記下手法 | — |
| 1 | 寫規劃：基調與風格、台詞表、分段、生成清單（模板見 templates/規劃模板.md） | 用戶確認規劃 |
| 2 | 配音：旁白和畫外音用 TTS 單獨出，量真實時長 | 用戶試聽確認音色 |
| 3 | 角色母版：每人一張正面全身圖，在故事的世界裡拍 | 用戶確認母版 |
| 4 | 首幀：每段一張，只到動作剛開始 | 用戶確認首幀前不准生成影片 |
| 5 | 生成：先用最快設定出草稿 | — |
| 6 | 逐句說話人檢查、視線檢查、接縫檢查 | 錯了只重做那一段 |
| 7 | 放大、字幕、響度、封面 | 用戶驗收 |
| 8 | 復盤：對照規劃裡的「要驗證的做法」逐條打分，把教訓寫進知識庫 | — |
七條硬規則
- 風格服從故事基調。 動手畫任何東西前，先寫「基調與風格」一節：光源和暗度、色調、衣物新舊髒污、表情、背景氛圍。母版也在這個世界裡拍，不用攝影棚灰背景。每張圖先問「它屬於這個故事嗎」，再看細節。黑暗故事配乾淨漂亮的偶像臉，是最常見的翻車。
- 一次生成只有一個發聲來源。 旁白、畫外音絕不進 H3，否則畫面裡的人會對著旁白對口型，提示詞裡寫「閉嘴」也壓不住。旁白段生成無台詞影片，聲音後期疊上。
- 在場但不說話的角色： 生成時不給台詞；說話人需要藏起來時拍背影或過肩。
- 台詞表是唯一來源。 每句記類型（對白/畫外音）、說話人、看向誰、原文。按約 3 字/秒預算，每句在本段內說完。後續步驟不准改台詞。
- 視線： 說話人看聽者，聽者看說話人。提示詞裡每句都寫清楚誰看誰。
- 首幀有錯就重做首幀， 不靠提示詞補救。檢查要放大到原圖解析度看手、眼、嘴、飾品、多餘物體。
- 逐句說話人檢查不過不交付。 每句台詞的時間段抽密集幀網格（
scripts/speaker_grid.py），只回答一個封閉題：「誰的嘴在動：A / B / 都動 / 都不動」，再和台詞表對。稀疏抽 4 幀會漏。
生成與返工的原則
- 先草稿再放大： 用最快能看的解析度出片，確認後只放大通過的版本。
- 失敗先歸因： 判斷問題出在提示詞、首幀、腳本還是後期，再決定改哪一層。多段同錯修共享參考（母版），單段錯只修本段，一次只改一項。
- 提示詞寫正向描述， 不堆「不要……」。想避免的東西回到輸入（首幀、母版）去修。
- 記錄每段用的首幀、母版、種子、提示詞， 方便只重做一段。
- 片頭 2 秒測試： 只看前 2 秒，觀眾要知道在看什麼。
參考資料
references/流程細節與教訓.md：每一步的具體做法和踩過的坑。references/ComfyUI節點與參數.md：Qwen-Image 出母版、Qwen-Image-Edit 改圖、VoxCPM2 克隆配音、H3 Ref2VA 的節點和參數，以及已知故障的解決辦法。references/開源流水線調研.md：9 個開源 AI 影片項目的做法對比，哪些值得搬、哪些不搬。templates/規劃模板.md：規劃文檔模板，含台詞表和驗證表。
腳本
全部腳本通過環境變數 COMFY_URL 連 ComfyUI（預設 http://127.0.0.1:8188）。用法見 scripts/README.md。
| 腳本 | 作用 |
|---|---|
t2i_masters.py | Qwen-Image 批量出角色母版（風格前綴 + 每人描述） |
edit_image.py | Qwen-Image-Edit 局部改圖，其餘保持不變 |
voice_design.py | VoxCPM2 按文字描述設計角色聲音，每人出 A/B 兩條試聽 |
tts_clone.py | VoxCPM2 用一段參考音克隆音色，批量出旁白 |
h3_ref2va.py | 組裝並提交 H3 Ref2VA 工作流（參考圖、參考音、首幀錨定） |
wait_download.py | 等任務結束並下載全部輸出 |
ws_progress.py | 看任務進度（必須用提交時的 client_id） |
asr.py | faster-whisper 轉寫，核對配音一字不差 |
speaker_grid.py | 按台詞表逐句出密集幀網格，做說話人檢查 |
upscale_video.py | RealESRGAN 逐幀放大影片 |
post_subtitle_loud.py | 燒字幕 + 兩遍 loudnorm 到 -14 LUFS |
make_cover.py | 出 3:4 和 9:16 兩版封面 |