Case C_gzh_8f69709a · MiniMax API 恐怖短片制作

就在刚刚，MiniMax 发布了其首个官方命令行工具 —— MMX CLI。

一个专门为 AI Agent 打造，可以在任意 Agent 或终端中生成文字、图像、视频、音乐、语音的工具。

建议某看看，什么叫 Token Plan？这才叫 Token Plan。

•

文本对话

— 多轮对话、流式输出、系统提示词、JSON 格式输出

•

图像生成

— 文生图，支持比例和批量控制

•

视频生成

— 异步生成，进度追踪

•

语音合成

— 30+ 音色、语速调节、流式播放

•

音乐生成

— 文生音乐，支持自定义歌词

•

图像理解

— 图片描述与识别

•

网络搜索

— MiniMax 搜索引擎

•

双区域

— 国际版（

api.minimax.io

）和国内版（

api.minimaxi.com

）自动切换

恰好这几天我一直在研究如何最大化利用 MiniMax 内的音频、视频、图片用量。

说实话，Max 套餐，每天 120 张 Image-01 生图，4 个海螺 2.3音频，以及 4 首 Muisc-2.5 的用量，不用真的很浪费。

虽然模型目前不是业内顶尖的，但是放在 25 年底的那一档里还是可以打的。

我花了 20 分钟，全程和 Openclaw 聊天，从剧情创意、到分镜、到参考图、到音乐背景、到成片。

题材是鬼片，至于为什么这样做，后面有介绍。

先看成品，一个纯理科生，没有任何影视经验，靠着自己的理解完成。

如果看完你有触动，感觉想试试，那么再往下看，我把自己的经验，全盘托出。

一、如何使用？

首先把 CLI 工具的地址发给 openclaw，让它进行安装。

https://github.com/MiniMax-AI/cli

聪明的 agent ，装好以后会做几个测试的内容，确保服务本身是通的。

🔻MMX quota show 查询套餐余量

TTS、音乐、Text 就不说了。

主要来说说，我对图片，视频模型的理解。

根据套餐内容，MiniMax Token Plan 可以使用的模型有以下特点。

1. image-01（图片）

•

文生图

：prompt → 图片

•

图生图

：

subject_reference

锁定角色一致性

•

批量生成

：

n=1~9

，一次最多9张

•

自定义尺寸

：width/height 512-2048px（必须是8的倍数）

•

返回格式

：URL（24小时有效）或base64

2.MiniMax-Hailuo-2.3 / 2.3-Fast（视频）

不支持首尾帧、不支持主体参考！

•

图生视频

：必须传

first_frame_image

（公网URL或base64）

• 格式：JPG, JPEG, PNG, WebP

• 体积：小于 20MB

• 文生视频：仅 Hailuo-2.3 支持

•

运镜指令

：免费支持15种

[指令]

语法，每组不超过 3 个复合运镜。

•

时长

：

仅6秒

•

分辨率

：

仅768P

二、实战篇

纯干货，利用最合适的方法，把这些模型用量串起来。

Step 1：脚本规划

MiniMax Max 套餐每天 4 个视频是上限。

所以的工作都是围绕 4 个视频额度来做的。

所以我们必须和 AI 讨论，先设定明确的场景、分镜、提示词。

每一个分镜、运镜，至少保证 3、4 个可选项以上，用 LLMs 抽卡来弥补质量缺陷。

1️⃣ 分镜

剧本就不说了，直接让 AI 现编内容，自己升华。

重点是分镜。

建议把人物描述、场景描述、灯光分为全部纳入，包括一些硬编码的尺寸。

2️⃣ 运镜脚本

运镜脚本很关键，hailuo-2.3 支持 6s 的视频，这 6s 可以做很多的镜头切换。

运镜脚本是画面感最重要的部分。根据前面提到的最多 3 个镜头组合的方式，把分镜细化到运镜级别的提示词。

最好再加上 [1s-2s] 这样的人工强制分镜切片。

Step 2：角色与场景

图片的量最大，120 张每天，每组 4 张的话，我们可以做 30 组分镜场景。

先抽卡一批，[文生图]，筛选剧情角色。

这里不建议用 CLI，建议直接走 API ，一次性生成 5 张以上的。

设定

ref

角色为参考图，使用 [图生图] ，根据分镜提示词把视频的首帧做出来。

平均一个视频镜头，可以有 7 组的选择余地。

# 步骤1：生成角色参考图（9张选1）

image-01: n=

9

, prompt=

"疲惫女子，深蓝oversized西装，白色圆领..."

# 步骤2：用角色参考生成4个场景（shot5/7/8/9）

for

shot

in

[

"shot5"

,

"shot7"

,

"shot8"

,

"shot9"

]:

image-01 I2I:

subject_reference=[character_ref],

n=

4

,

# 每张场景4张选最优

aspect_ratio=

"16:9"

场景的话，选择文生图提示词。

同样是抽卡，让 AI Agent 结合剧本分镜自己写提示词做。

Step 3：视频生成

视频提示词。

我的建议是能用首帧 [图生视频] 的，就不要做 文生视频。

它是场景一致性的延续。

比如简单的文生视频，提示词写得再好，也没办法确保一致性。

一个余量就浪费掉了。

🔻文生视频无法保证一致性

大家不要认为首帧参考图就会固定画面。

通过运镜、提示词变化，同一个视频里的场景完全是可以做到转移的。

前 2 秒的首帧视频，只是场景内变化。

3s 以后的场景，可以在同一个视频内的逻辑范围下，转换角度、变焦、画面。

相当于把一个视频拆开来用。

这里再提 2 个视频生成的小技巧。

1️⃣ 6s 内多场景。

一个视频只有 6s 没错，但是很多分镜场景我们不需要用到 6s 。

所以一个 图生视频 = 首帧参考图 + 文生视频。

充分利用 6s 内的镜头变化，用来拆分出更多的短时间镜头，通过后期的镜头语言、剪辑软件进行拆分，用量就上来了。

2️⃣ 首尾帧一致性

安装 ffmpeg 插件。

通过脚本，我们对视频的最后一帧进行提取。

for

clip, shot

in

[(

"clip5"

,

"shot5"

), (

"clip7"

,

"shot7"

)]:

url = upload_catbox(

f"

{shot}

.png"

)

# Hailuo生成6秒视频

hailuo_2

.3

_fast:

first_frame_image=url,

prompt=

f"

{scene_desc}

[运镜指令]"

,

duration=

6

,

resolution=

"768P"

# 提取尾帧供下一条使用

extract_lastframe(

f"

{clip}

.mp4"

,

f"

{clip}

_lastframe.png"

)

这一帧的画面，我们继续作为下一个视频的首帧。

这样画面就连贯的。

但是这里要注意的是，跨视频不能做人物分镜。

因为第二个视频已经没有第一个视频里的人物参考图了。

这个时候镜头里的人物相当于是文生图。

上个视频还是女主角，下个视频人物一回头已经是一个男人。

所以 ffmpeg 的画面延续只能用在 上一个画面尾帧有人物正脸，或者纯场景的。

Step 4：音频与合成

hailuo 2.3 全系列出来的视频都是默片。

没有声音。

我们需要为视频片段创建合理的背景音、语音。

音乐支持纯音乐、歌词音乐。

想要氛围感强一点的，可以将歌词替换为呢喃声，轻声低语的，比纯音乐效果更好。

# 生成呢喃BGM（分段拼接）

for

i

in

range

(

4

):

# 4段6秒=24秒

tts_async:

text=

"嗯～嗯嗯～啦啦～啊～"

,

voice_id=

"Chinese_Sweet_Lady"

# ffmpeg最终合成

ffmpeg_concat_video(clips=[

"clip5.mp4"

,

"clip7.mp4"

,

"clip8.mp4"

,

"clip9.mp4"

])

ffmpeg_add_bgm(video=

"concat.mp4"

, audio=

"humming.mp3"

)

人物出声的话，多听听内置的音色，选择合适的，通过语速、语调、音量，来分段控制，合并。

最后，所有的视频、音乐、语音 TTS。

通过 FFMPEG 进行合并。

小技巧就是，可以留适当的空帧，用空镜头来增加氛围感和节奏感。

三、资源最大化策略

策略1：图片批量抽卡

# 最优：单次n=9

payload = {

"model"

:

"image-01"

,

"prompt"

:

"疲惫女子，深蓝西装..."

,

"n"

:

9

,

# 一次9张选最优

"aspect_ratio"

:

"16:9"

}

# 120张额度 = 13次API调用（9×13=117张，余3张）

策略2：角色一致性锁

# 用subject_reference锁定角色

payload = {

"model"

:

"image-01"

,

"prompt"

:

"同一个人在地铁站..."

,

"subject_reference"

: [{

"type"

:

"character"

,

"image_file"

:

"https://catbox.moe/xxx.png"

}],

"n"

:

4

}

策略3：视频运镜优化

# 15种指令免费可用

payload = {

"model"

:

"MiniMax-Hailuo-2.3"

,

"first_frame_image"

:

"https://catbox.moe/shot.png"

,

"prompt"

:

"女子走进车厢 [推进，变焦推进], 然后看向窗外 [左摇，上升], 镜头[固定]"

,

"duration"

:

6

,

"resolution"

:

"768P"

}

15种运镜指令：

• 移动：

[左移]

[右移]

[推进]

[拉远]

[上升]

[下降]

• 摇镜：

[左摇]

[右摇]

[上摇]

[下摇]

• 变焦：

[变焦推近]

[变焦拉远]

• 其他：

[晃动]

[跟随]

[固定]

策略4：视频尾帧接续

image-01生成首帧图 → Hailuo 2.3生成视频

↓

FFMPEG 提取尾帧 → 作为下一条首帧

最后

最后，讲三个，在我看来是现在做 AI 视频很关键的部分，可以弥补模型的缺陷。

镜头语言，AI 特色，空镜。

其一，镜头语言

前端时间很火的 《纸手机》，给我最大的启发，就是镜头语言。

短篇里，很少有多个人物出现在同一个场景下的画面。

大部分都是近景、人物特色、视线外放。

没错，人物的视线是往外的，看向镜头之外，观众会自动脑部空间，减少 AI 的出错，增加镜头的语言，补充观众的想象，一举三得。

通过对视线、想象、声音、空镜的组合，感官上就会自动推动剧情发展，这是比单独一个画面来演绎更高级、更自然的方式。

其二， AI 特色。

天然适合鬼片。

鬼片就是抽象的，不讲逻辑，存在画面故障的。

我刚才放的片子里，闹钟场景其实就是 AI 的一个废片，但是放到鬼片里，却增加了氛围感。

还有抽象的人物镜头行动方式，夸张的表情，浮夸的动作。

这些在正常片子里一眼假的内容，在鬼片里，是不是就符合逻辑了！

天才！出院！

其三，空镜头。

空镜头，可以理解为黑屏或者纯场景画面。

它对人物一致性的要求很低。

适当的空镜转场，可以调动视频的节奏，增加影片的艺术感。

没有了人物，一个纯场景的视频，它的废片率就大大降低了。

玩 AI ，文科、理科生，一起探索影视制作。