# 用 Colab 跑 MiniMax H3：三張照片拍出 15 鏡的 AI 小實驗
來源：Realpha 讀市場（blog.getrealpha.com）
原文與圖表：https://blog.getrealpha.com/blog/daijoubu-ai-short-film/
> 小實驗紀錄：在 Google Colab 的 A100 上跑 MiniMax H3，從三張照片生成 15 個 3 秒鏡頭。整理環境怎麼裝、模型選哪一版、怎麼把模型存在雲端硬碟省下載時間、一鏡要多久，以及模型自己冒出假中文的處理方式。片中三位人物都是 AI 角色。
Published: 2026-10-12
Locale: zh-TW
Tags: AI 影片, Colab, MiniMax H3, 小實驗
TL;DR: Colab A100 跑 MiniMax H3，一鏡 3 秒約 45 秒生成；真正花時間的是第一次搬 57GB 模型，存到雲端硬碟後下次直接複製。
> *既然簡潔是智慧的靈魂，*
> *冗長只是它的枝葉與外表的花飾，*
> *那我就長話短說。*
> —— 莎士比亞《哈姆雷特》第二幕第二場（約 1600 年，本文自譯）
2026 年 10 月 12 日，我在 Google Colab 的 A100 顯示卡上跑 MiniMax H3（一個能把照片變成影片、還會自己配上聲音的模型），用三張照片生成 15 個 3 秒的鏡頭，接成一支約 55 秒的小實驗《大丈夫》。生成本身很快，一鏡約 45 秒；整趟約 35 分鐘裡，有 20 分鐘花在搬模型。下面是我實際跑過的做法。
## 為什麼用 Colab
H3 的模型檔加起來約 57GB，家裡 8GB 顯示卡的電腦跑不動標準版。我本來就有 Colab Pro，裡面可以選 A100（80GB 顯示卡記憶體），所以直接在雲端跑，不另外租機器。
開筆記本前先做兩個設定：「執行階段類型」選 **A100 GPU**，再打開 **大量 RAM**。實測一次生成時，顯示卡記憶體峰值約 52GB，80GB 的 A100 夠用，小一號的卡就會很緊。
## A100 有多快、能跑什麼
Colab Pro 現在選得到 A100，這是我覺得最值得介紹的地方：以前要租雲端機器才跑得動的大模型，現在在瀏覽器裡就能跑。我那台 A100 是 80GB 顯示卡記憶體，系統記憶體約 167GB。下面是我自己實測過的數字：
| 跑什麼 | 實測結果 |
|---|---|
| H3 照片生影片，1344×768、3 秒 | 每鏡約 45 秒，顯示卡記憶體峰值約 52GB |
| 同上再放大成 2K（2560×1440） | 生成加放大一段約 206 秒 |
| 15 鏡連續生成 | 約 12.5 分 |
拿我家的電腦比：8GB 顯示卡連 H3 標準版都載不進去，只能跑壓縮過的小版本。80GB 的意思是，一般要分好幾張卡才裝得下的模型，一張就放得下；生影片、生 2K 圖、跑大型語言模型這類吃記憶體的工作，都可以先拿 A100 試。要注意的只有一件事：它按開著的時間扣運算單元，跑完要記得關。
## 筆記本分成七格
| 格 | 做什麼 | 實測時間 |
|---|---|---|
| 1 | 確認顯示卡、記憶體、硬碟 | 幾秒 |
| 2 | 下載 ComfyUI（一套用節點拼流程的開源生圖生影片工具）並裝套件 | 約 45 秒 |
| 3 | 連接雲端硬碟，準備模型 | 第一次下載很久；之後從雲端硬碟複製約 20 分 |
| 4 | 放入起始照片 | 幾秒 |
| 5 | 在背景啟動 ComfyUI | 約 2 分 |
| 6 | 依序生成每一鏡，做完一鏡就存進雲端硬碟 | 每鏡約 45 秒，15 鏡約 12.5 分 |
| 7 | 用 ffmpeg 把所有鏡頭接成一支 | 幾秒 |
第 3 格會跳出「要允許這個筆記本存取你的 Google 雲端硬碟嗎？」，授權畫面要按 **全選**。我第一次沒在時間內按，那格就以掛載失敗結束，只能重跑。
## 模型選哪一版
H3 在 Hugging Face 上有好幾種壓縮版本，我用的是這一組：
- 影片主模型：修剪過的 int8 版（`minimax_h3_fl2va_pruned_int8_convrot`），在 A100 上省記憶體，畫質我看不出差別
- 文字理解模型：int8 版
- 影像與聲音的解碼器各一個
- 4 步加速外掛（turbo LoRA 768p）：原本要跑幾十步，加了它 4 步就出片
只用官方公開版本，不用網路上改過的「越獄版」，那類版本違反模型授權。
## 省時間的關鍵：模型存在雲端硬碟
Colab 每次斷線，機器上的檔案就全部清空。如果每次都重新從 Hugging Face 下載 57GB，光等待就很久。我的做法是第 3 格先看雲端硬碟裡的 `minimax_h3_models` 資料夾：有就直接複製過來，沒有才下載，並順手存一份回雲端硬碟。
生成也比照辦理。第 6 格每做完一鏡，就把影片存到雲端硬碟；萬一中途斷線，重新執行全部時，已經存好的鏡頭會自動跳過。
最後一件事別忘了：跑完到「執行階段」選 **中斷連線並刪除執行階段**。A100 開著就一直扣運算單元。
## 參數與尺寸
每一鏡設定 73 格、每秒 24 格，約 3 秒。尺寸我先用 1344×768 橫式，跟放大到 2K 的版本比過，手機上看差別不大，就沒再放大。這次改成 768×1344 直式，像素數一樣、速度一樣，比較適合手機滑著看。
每一鏡的描述我都用中文寫，分成三件事：景別（近景或只剩臉的特寫）、人物動作、鏡頭動作（固定、慢推、橫搖、拉遠）。同一張照片連用十幾次，靠景別和鏡頭動作輪換，畫面才不會像同一張圖在晃。H3 一次只動 3 秒，所以每鏡只寫一個動作。
## 意外：模型會自己講假中文
H3 會依照描述一起生成聲音。片子生出來以後，我用語音辨識把聲音軌掃一遍，發現 15 鏡裡有 5 鏡，模型自己「講話」了：沒有人寫台詞，它還是冒出一串聽起來像中文、其實沒有意思的句子。
我先把那幾段音量壓到原本的百分之四，再掃一次，假中文還在，因為後面的音量調整把整體又拉大了。後來改拿第一鏡的雨聲墊底，聽起來還是很假。這一版乾脆把原聲整段拿掉，台詞全部放字幕，配樂另外找。下次寫描述，我會直接寫「沒有人說話」，從源頭擋掉。
| 項目 | 數字 |
|---|---|
| 片長 | 約 55 秒（含片頭片尾字卡） |
| 鏡頭 | 15 鏡，每鏡約 3 秒 |
| 起始照片 | 3 張 |
| 每鏡生成時間 | 約 45 秒（A100） |
| 整趟時間 | 約 35 分，其中搬模型約 20 分 |
| 冒出假中文的鏡頭 | 5 鏡 |
## 帶得走的一件事
**動手之前，先把限制寫下來，再決定要做什麼。**
我只有三張照片，所以這支片只有三個地點；模型一次只動 3 秒，所以每鏡只寫一個動作。限制先寫下來，內容才照著它長出來，不會寫完才發現拍不出來。下次開始一個新專案，先花五分鐘寫一張「我手上有什麼、不能做什麼」的清單，再開始規劃。