其实我最早看到 H3 这个模型的时候，第一反应是“又一个视频生成模型”，但真正用过之后才发现，它跟单纯文生视频、图生视频完全是两个物种。H3 的核心卖点并不只是生成一段好看的视频，而是把“高精度编辑”这个事做进了模型原生能力里，角色替换、局部重绘、镜头语义理解都能干。但单靠 H3 自己，还是有一个痛点：它需要一个足够精确的蒙版或者参考区域，才能把“替换”和“编辑”做到位。这就要靠 Sam3.1 上场了。
Segement Anything 系列出来的时候我就一直在跟踪，Sam3.1 相比前代，单点点击分割的稳定性高了不少，边缘细节也细，关键是它对视频里连续帧的语义一致性做了专门优化。把 H3 和 Sam3.1 串进同一条 ComfyUI 工作流，体感是“终于有人把视频编辑的最后一公里给打通了”。这套组合能做的不是简单加个滤镜、换张脸，而是真正基于内容理解的精准编辑：角色替换、画面局部改动、提示词增强，一次跑完，还能接长视频输出。
这篇就完整拆一下我在本地搭建的这套 H3+Sam3.1 工作流，从思路、部署到实际跑片，把能踩的坑、能省的步骤全写出来。如果你已经在玩 ComfyUI，那这套管线可以直接帮你把“短视频生成”升级成“长视频编辑”；如果你刚入门，这篇也足够让你了解整个体系，按步骤搭起来。
1. 为什么是 H3+Sam3.1：这套组合到底解决了什么问题
1.1 H3 核心能力不只是“生成”，而是“导演式编辑”
先聊聊 H3 在我实测里的真实表现。MiniMax H3 系列有几个不同配置，H3、H3 Pro、H3 Max，能力是阶梯分布。H3 基础版跑日常测试足够，H3 Pro 在响应速度和分辨率上有优化，H3 Max 则是画质细节和语义理解拉满的版本。我本地主力用的是 H3 Pro，生成速度跟画质的平衡最好，H3 Max 我也在云端试过，效果确实更强，但本地跑起来对显存的要求也更现实。
H3 最让我意外的是它对提示词的理解方式。它不是单纯把文字转成“一个画面”，而是会把提示词解析成多个语义单元，比如主体、动作、环境、光照、镜头语言，然后再根据这些语义单元去规划画面结构。这就让它在“编辑”上有了天然优势，你可以只改某个语义单元，保持其他部分不动。比如画面里的人在走动，你只想替换他的上衣颜色，H3 能够锁定“人物”和“动作”，只重绘“上衣”，这个精度是以前模型很难做到的。
导演台模式是另一个实用的东西。它不是简单生成一段视频，而是允许你定义多个分镜、每个分镜的提示词和镜头运动，H3 会按时间序列去生成一段结构完整的叙事视频。我在做角色替换时基本离不开导演台，因为替换一个角色往往牵涉到多段分镜，角色要在不同场景下保持一致的外貌，单纯逐段生成再硬切，角色早就变形了。
H3 还自带提示词增强功能。这个功能很关键，它能把一句 “一个人在雨里走” 扩展成带镜头运动、环境细节、光影方向、情绪氛围的完整分镜描述。实测下来，这个增强不是简单加形容词，而是会基于视频生成模型的语言理解能力补全语义。换句话说，你给 H3 一个简单指令，它能自己“脑补”出前后因果并落实到镜头细节里。
1.2 Sam3.1 在组合里的定位：给像素级操作提供“精确选区”
那 Sam3.1 在这套组合里到底干啥？它解决的是 H3 的“边界问题”。H3 再强，它也是生成模型，对“具体哪一块区域要变动”这种空间上的指令理解有限。你说“把左边的人换掉”，模型需要知道“左边的人”对应的具体像素区域是哪一块。这个活，就是 Sam3.1 的看家本领。
Sam3.1 是 Meta 开源的 SAM 系列的最新版本。SAM 模型的核心理念是“分割一切”，任意图片里任意对象，给一个点、一个框或者一段文字，就能把它精确成蒙版。Sam3.1 相比前代提升了不少：第一，边缘细节更准，头发的发丝、物体的边界这些以前容易糊掉的地方，现在分割出来哪怕放大看也扎实；第二，跨帧稳定性更好，视频场景里同一人物在不同帧的位置和形态有变化，Sam3.1 能保持蒙版的一致性，这比一帧一帧手动抠图靠谱太多；第三，对文字提示的理解更强，可以输入自然语言，比如“第二个人”“远处的汽车”“桌子上的杯子”，它能正确对应到目标区域。
把 Sam3.1 拆进 H3 工作流里的意义在于：H3 负责“怎么改”，Sam3.1 负责“改哪里”。没有精确蒙版的时候，你只能整段画面重绘，容易把不想改的部分也改掉；有了精确蒙版之后，H3 只对蒙版内部的区域做重绘，画面其他部分保持原样，这样视频编辑的精度就提升到了像素级。
1.3 组合思路：先分割、后编辑，比全图重绘稳太多
我最早尝试做角色替换的时候，试过直接用 H3 的图生视频功能，把整张图丢进去，提示词说“把人物A换成人物B”。效果确实能用，但问题也很明显：人物是换掉了，人物的衣服、背景环境、光照方向也顺带被“带偏”了。这就好比你只想换掉墙上的挂画，结果把整面墙都重新刷了一遍漆，色彩纹理全变了。
加入 Sam3.1 之后，思路变成了“先分割、后编辑”。第一步，用 Sam3.1 把原图里的目标角色或者目标区域精确地切出来，生成蒙版；第二步，把原图、蒙版、编辑提示词一起交给 H3。H3 会严格按照蒙版的边界去执行重绘，蒙版之外的画面从原图采样保留。这样人物替换得非常干净，背景的细节、光影的方向、周围物体的相对位置都能保持住，最终效果跟“换头不换身”完全不是一个级别，更像是专业的后期团队在操作。
另一个用得好的地方是“局部编辑”。有一次我要把视频里路边的中文路牌改成英文，目标区域非常小。如果把整帧丢给 H3 重绘，模型大概率把路牌改完的同时，把旁边的树和行人也都“顺手”改了。用了 Sam3.1 路牌单独抠出来之后，H3 只改动这块极小的区域，周围完全不动，这种局部修改的能力放在视频生产里是刚需。
2. 本地部署：先把 ComfyUI 上的 H3 和 Sam3.1 都跑起来
2.1 硬件门槛实测：显存、内存、显卡怎么选
所有本地部署最开始都要面对硬件问题。H3 毕竟是视频生成模型，对显存的需求是实实在在的，不是能靠优化代码完全绕开的。我先说我自己的配置：主力机是一张 4090 24G，内存 64G，跑 H3 Pro 生成 720p 短视频片段是够用的，1080p 也能跑，但速度会明显掉下来，生成 5 秒的视频片段大概要 6 到 10 分钟。
如果你手里是 3060 12G 或者 4060 16G 这种配置，也不是不能用，但要接受两个限制。第一是分辨率，720p 会比较安全，1080p 容易爆显存；第二是并发，本地部署时 ComfyUI 的进程尽量只开一个，后台不要挂别的吃显存的东西。我踩过一个坑，用 16G 显存的机器跑 1080p 时，ComfyUI 直接报 CUDA out of memory，后来把 batch size 从 2 降到 1，分辨率保持 720p，才稳下来。
内存方面，32G 能不能跑？我也实测过。从理论角度，32G 内存加载模型权重是够的，H3 模型权重在 7B 参数左右，quantize 之后加载进显存或内存都可行。但从实操角度，32G 内存会比较紧张，因为除了模型权重，ComfyUI 本身、Sam3.1 的模型、视频帧缓存、临时文件都要占内存，跑长视频时经常会出现内存占用飙到 90% 以上的情况。我个人建议，如果你条件允许，64G 内存是更稳妥的选择。当然 32G 是能用的，关键是把虚拟内存设大一点，Windows 下建议设 64G 以上，Ubuntu 下 swap 也建议开 32G，不然跑分镜拼接时特别容易进程被杀。
生成速度这块，N 卡明显是主流选择，因为显存大、驱动和生态成熟。A 卡目前能跑但麻烦不少，不推荐新手折腾。我实测下来，一张 4090 跑 H3 Pro 720p 30 帧 5 秒片段，大概 8 分钟左右；H3 Max 会更慢，推理时间基本翻倍。如果你准备长期做视频编辑，显卡选择优先级顺序是：显存大小 > 带宽 > 算力。24G 的 4090 是性价比比较均衡的选择；48G 的 4090 双卡也可以，但工作流里需要做模型并行，复杂度会高一些。
2.2 ComfyUI 中接入 H3：节点安装与模型放置路径
ComfyUI 是这套组合的地基。如果你是从零开始，先把 ComfyUI 装好，这个步骤网上资源很多，我这里只说跟 H3 相关的内容。
H3 在 ComfyUI 里的接入方式，现在主要靠社区节点。我用的比较顺手的是 ComfyUI-MiniMax 系列节点，具体安装方式是在 ComfyUI 的 custom_nodes 目录下执行 git clone，然后重启 ComfyUI。装完之后会在节点列表里看到 MiniMax 相关的分组，比如 MiniMax H3 Image To Video、MiniMax H3 Text To Video、MiniMax H3 Enhancement、MiniMax H3 Director Mode 等。
模型权重文件需要单独下载，一般会得到扩展名为 safetensors 的模型文件。下载后放到 ComfyUI/models/minimax 文件夹下，如果没有这个文件夹就手动创建。我在资源下载上走过一点弯路，早期找 H3 的权重找半天，后来发现主要是两个文件：一个是主模型，一个是 text encoder，两个都要放对位置，不然加载节点时会提示找不到 key 或者直接报错。
节点安装好之后，建议先在 ComfyUI 里快速跑一次官方的示例工作流，确认基础链路通不通。我第一次就是这样做的，加载工作流、选模型、填提示词、点击运行，几秒种就能看到模型加载和推理的过程。如果这一步能跑通，说明你的环境基本没问题，后面接 Sam3.1 和编辑链路只是往上加节点而已。
2.3 Sam3.1 环境配置与模型权重加载
Sam3.1 在 ComfyUI 里也有官方或社区节点支持。我是直接用了 ComfyUI 官方的 Segment Anything 节点组，加载 Sam3.1 的权重后，可以通过点选、框选或者文字提示的方式生成蒙版。
Sam3.1 的权重文件是分开的，包含图像编码器的权重和 mask decoder 的权重。图像编码器这部分比较大，尤其是 ViT-H 版本，加载时显存开销不小。我第一次跑的时候没注意，加载完 Sam3.1 再加载 H3，显存很容易爆。后来优化了一个细节：Sam3.1 的图像编码器只在前端分割阶段用，分割完拿到蒙版之后，就可以把 Sam3.1 节点断开，再进 H3 节点。这样显存压力小很多。
ComfyUI 里 Sam3.1 的常用节点有这几个：SAM3 分割节点（接收图像和提示点）、SAM3 文字提示分割节点（输入自然语言定位目标）、蒙版转二值图节点、蒙版膨胀或腐蚀节点（用来微调蒙版边缘）。实际工作中，蒙版边缘微调很关键。Sam3.1 分割出来的蒙版有时候边缘会偏紧，也就是少了半圈像素，这在图片分割里不算大问题，但在视频编辑里会产生“描边感”。我的做法是拿到分割蒙版之后，做一个 2 到 4 像素的膨胀处理，让蒙版稍微扩大一点，这样 H3 重绘时有足够的过渡空间，画面更自然。
文字提示分割是 Sam3.1 做得比较惊艳的一个能力。实际测试时，输入“画面左侧穿红色衣服的人”，它能完整地把目标人物框出来。不过有时候也会误召回到相似物体，比如输“人”，它可能把海报里的人像也算上。遇到这种情况，我会用 GroundingDINO 先检测目标类别，再用 Sam3.1 做精细分割，双模型配合，定位准确率高很多。
3. 核心工作流拆解：角色替换、画面编辑、提示词增强一条龙
3.1 角色替换：三个关键节点串起一套完整替换流程
角色替换是这套工作流里含金量最高的操作，也是做成“高精度”的关键。整个替换流程我在 ComfyUI 里拆成了三个核心节点段。
节点段一：关键帧蒙版提取。先从视频或图像序列里取一个代表性关键帧，通常是视频第一帧或者角色最清晰的一帧，把这一帧喂给 Sam3.1，通过点击或文字提示把目标角色抠出来。拿到蒙版之后，我会做一次轻微的膨胀处理，确保角色边缘的头发、衣角这些细节不被裁掉。这一段的输出是一个清晰的白底蒙版图。
节点段二：H3 角色替换主推理。把原始关键帧、蒙版、新角色描述提示词一起送入 H3 的 Image To Video 或视频编辑节点。H3 会结合采样的参考信息和蒙版范围，在蒙版内部生成新角色，同时保留蒙版外部的内容。这里有两个参数很关键。第一个是 denoise strength（重绘强度），控制在 0.6 到 0.8 之间比较合适，太高会把蒙版以外的地方也重绘掉，太低则新角色融合不进去。第二个是 prompt strength（提示词强度），这个值越高，H3 越严格按照提示词执行，但又容易让角色跟环境光影脱节。我的经验是 prompt strength 设在 0.8 左右，加上 H3 自带的语义增强，效果最协调。
节点段三：视频序列过渡。H3 输出的是替换后的关键帧，但要保证整段视频都保持一致，还需要一帧一帧地处理。这一步我会把视频逐帧拆开，先用原始视频和替换后关键帧计算位移向量，再用 OpenCV 的稠密光流把蒙版投射到每一帧上。简单说，就是在每个后续帧里找到“上一帧的那个人现在在哪里”，然后把蒙版移动到对应位置，再次交给 H3 做局部重绘。这样逐帧处理下来，替换后的角色能够随着原视频的运动轨迹移动，没有闪烁和抖动。
3.2 画面编辑：局部修改也能稳定输出
角色替换是“换了个人”，画面编辑则是“换个东西”。这套组合里，我对画面编辑的定位是：把画面里任意对象“摘出来、改掉、放回去”，全程不破坏其他部分。
典型场景举例：把街头视频里的饮料广告牌改成咖啡店招牌。直接全图重绘的话，H3 可能会把广告牌改了的同时把街对面的橱窗也改得面目全非。所以我的做法是：先用 Sam3.1 把广告牌区域分割出来，以自然语言输入“画面右侧的发光广告牌”，Sam3.1 直接输出对应的蒙版；然后构建一个新的提示词，比如“同一个位置的咖啡店招牌，深绿色底，白色文字，发光边框，其他画面元素保持不变”，送入 H3。最终 H3 只重绘蒙版区域，周边街景原封不动。
实际操作中，画面编辑最容易出问题的是蒙版边缘的处理。如果蒙版边缘太硬，重绘区域和原画面之间会有一条明显的边界线，视频看起来像贴了一块补丁。我常用的解决办法是：拿到 Sam3.1 输出的蒙版后，做一次高斯模糊，让蒙版边缘产生柔和过渡；然后再把模糊后的蒙版叠加到 H3 的重绘权重图里。这样重绘区域和原画面之间不是硬切，而是渐变过渡，视觉上融合度高很多。
另一个实用场景是“去物体”。比如路边停了一辆很碍眼的车，你想把它从画面里去掉。方法也类似：Sam3.1 选中汽车，蒙版区域送入 H3，但提示词改为“移除选中的物体，填充背景，保持环境光线一致”。H3 在重绘蒙版区域时，会参考周围背景的纹理和色块，生成一个没有物体的背景。这个功能对于视频清理类需求非常有用，比手动逐帧修要省太多时间。
3.3 提示词增强：把一句话升级成导演级分镜
H3 自带的提示词增强功能，是我用下来最省心的模块。以前用别的视频生成模型，最头痛的是提示词要写得极其详细，否则生成出来的画面根本不可控。H3 的提示词增强是反向的，你给它一个简单指令，它会自动扩展成一个详细的分镜描述。
举例来说，我输入“男人在雨中奔跑，情绪紧张”，H3 的提示词增强输出大致是这样的：镜头跟随男人侧面，中景，雨滴有明显的运动模糊，男人穿深色外套，头发被雨水打湿，街道反射路灯的光线，背景有汽车驶过，画面色调偏冷蓝，镜头轻微晃动增强紧张感。
这个增强功能不是简单的关键词堆砌，它依赖模型内部的语义理解能力，知道什么样的光线配合什么样的动作能表达“紧张”。这一点在实际项目里非常有用，尤其是在做长视频时，你不需要为每个分镜仔仔细细写详细提示词，只需要写清楚核心意图，H3 会帮你补齐其他细节。
我自己会利用这个特性做一个“提示词模板库”。比如角色介绍场景、追逐场景、对话场景、情绪独白场景，每种场景保存一个基础提示词模板，加上 H3 的增强功能在运行时自动补全，这样即使你的文笔一般，也能快速生成专业级的分镜描述。长期做视频内容，这能显著提升效率和一致性。
3.4 长视频与“无限长视频”的实现思路
老实说，H3 本身并不支持直接生成长达几分钟的视频。所谓“无限长视频”，本质上是把长视频切分成多个短视频片段，再通过关键帧一致性控制，把这些片段拼接成一个完整的长视频。这是目前所有视频生成模型都能做到的“间接方案”，但 H3+Sam3.1 的组合在这套间接方案里有明显优势。
我的具体实现思路是这样的：
第一步，把长视频脚本按逻辑切成若干段落，每段不超过 5 秒。为什么要控制在 5 秒？因为 H3 在当前配置下，5 秒是比较稳定的生成长度，超过这个长度，动作逻辑容易混乱，画面也会出现突变。
第二步，每个段落的末尾一帧要作为下一个段落的起始参考帧。这样下一个段落生成时，起始画面是上一段结尾的延续，视觉上就没断层。这一步是长视频连续性的关键。
第三步，在不同段落中涉及同一角色时，必须用 Sam3.1 从关键帧里取出角色参考图并把角色信息注入到下一个段落的生成中。H3 支持传入角色参考图，这样在多个分镜里角色外貌能够保持一致。这种角色一致性是长视频里最容易被忽略的，也是做得不好会让人一眼看穿是“AI 生成”的地方。
我在实际项目中曾经用这套思路跑过一个 3 分钟左右的小短片，素材拆成 30 多段，每段单独生成，最后统一拼合。拼接起来之后整体还挺完整，镜头之间的逻辑关系、角色的外貌特征、环境的连续性都保持得比较好。当然前提是把前面说到的关键帧衔接和角色参考图两个细节做好，这两步偷懒的话，后面拼接时会发现角色“变形”“失踪”都是常事。
4. 实操过程：从一段样片看整套工作流怎么跑
4.1 准备测试素材与提示词设计
我拿一个实际测试过的场景来演示。素材是一段 8 秒的街拍视频，镜头缓慢推进，画面里有一个穿黑色皮衣的男人站在咖啡店门口，手里拿着手机。任务是：把黑皮衣男人替换成一个穿白色卫衣的女生，同时把咖啡店门口的招牌改成另一个店名。
先处理素材。把视频按帧拆开，取第一帧作为基准图。然后写两个提示词，一个是角色替换的：“一个穿白色卫衣的女生，站在咖啡店门口，手里拿着手机，低头看屏幕，动作自然，表情平静”。另一个是画面编辑的：“咖啡店门口上方的招牌，改成蓝底白字，店名是‘AURORA’，字体现代简约，招牌略微发光”。
提示词设计这块我的经验是，不要写太多相互冲突的细节。比如“穿白色卫衣”和“站在咖啡店门口”之间没有冲突，但如果你再加“背对镜头”和“正面特写”，模型就不知道该听哪个了。尽量让每个提示词都指向单一明确的修改目标，H3 的增强功能会帮你把缺失的细节补全。
4.2 跑 Sam3.1 分割：得到两个精确蒙版
第一步是在 ComfyUI 里加载 Sam3.1 节点，把基准图输入进去。我先用文字提示“站在店门口拿着手机的男人”，Sam3.1 识别之后输出人物的蒙版。这里注意到一个问题：蒙版把人的影子也算进去了，范围比实际人物大了一圈。我用手动点击分割的方式重新跑了一次，在人物轮廓上点了三个点（头部、身体、手），这次输出的蒙版干净了很多，基本就是人的轮廓。
第二个蒙版是招牌区域。“咖啡店门口上方的发光招牌”，Sam3.1 通过文字提示直接识别成功，把招牌区域完整地圈了出来。不过招牌边缘有霓虹灯，蒙版把灯光弥散的部分也包含进去了，我微调了蒙版的阈值，让边缘收紧一点，留出足够的空间给 H3 重绘。
拿到两个蒙版之后，保存成图片文件。建议用 PNG 格式，带透明通道，这样蒙版的边缘信息不会丢失。这一步是所有后续处理的基础，蒙版做不好，后面 H3 再强也白搭。
4.3 H3 生成：角色替换与招牌替换
将基准图、人物蒙版、角色替换提示词一起放入 H3 的编辑节点中，设置 denoise strength 为 0.75，prompt strength 为 0.85。点击运行，H3 开始逐帧推理。
第一次跑出来的结果是：角色替换成功了，白色卫衣女生站在店门口，低头看手机。但枪毙点在于，她的脸是侧向的，跟原视频里黑皮衣男人的正面朝向不一致。我调整了一下提示词，加入“面朝镜头”，重新跑，这一次正脸出来了，整体融合也比较自然，蒙版边界处没有明显的硬切痕迹。
招牌替换相对简单，把招牌蒙版和“AURORA 蓝底白字发光”提示词输入 H3 的编辑节点，denoise strength 设到 0.7，跑出来的结果基本一次通过。蓝底白字、发光边框都在，字体风格虽然跟我想的有一点点出入，但已经很接近了。这里如果要更精确的字体设计，一个可行的路径是先用 Photoshop 把新招牌做成一张图，再用蒙版指引 H3 把图片内容贴进去。不过就目前常用流程来说，提示词已经够用。
4.4 关键帧延续与整片输出
替换单帧成功之后，还需要延展到整段视频。这一步，我先把 8 秒原视频按 30fps 拆成 240 帧，提取第一帧作为关键帧完成替换，然后以这个替换后的关键帧作为起点，结合原视频的运动轨迹，让 H3 对每一帧持续生成。这个环节最容易遇到的问题，就是角色在后续帧里“长变样”，有时是衣领颜色变了，有时是发型变了，所以每次在跑后续帧的时候，要注意控制随机种子，尽量把种子固定下来。固定随机种子能显著减少逐帧推理时的随机变化，让角色外貌更加一致。
整段 240 帧跑完需要不少时间。我自己实际测试，用 4090 跑 720p，每帧推理大约 2 到 4 秒，加上前后处理，240 帧全部完成大约需要 15 分钟。1080p 的时间会翻倍，接近半小时。如果视频更长，这个时长会线性上涨。建议不要一上来就跑长视频，先用 2 到 3 秒的短视频测试参数，参数定好之后再跑完整版本，不然你会在调试阶段浪费大量时间。
5. 常见问题与排查技巧实录
5.1 显存不足、推理速度慢怎么办
问得最多的问题是：“为什么我 16G 显存一跑就爆？”答案比较多维。首先要看你是不是把 Sam3.1 和 H3 同时加载了，两个模型同时驻留显存肯定不够。我的策略是“分割完就释放”，Sam3.1 分割完成后立刻清理节点，释放显存，然后再加载 H3 主推理。在 ComfyUI 里可以手动断开 Sam3.1 相关节点的连接，程序会自动释放显存。
推理速度慢的问题，除了硬件本身限制之外，分辨率是最敏感的因素。720p 跟 1080p 的推理时间差距接近一倍。如果你只是测试效果，建议先用 480p 或 720p 跑一遍，确认效果理想后再上 1080p。还有一个优化技巧：把 H3 的 batch size 设为 1。批处理确实能提高效率，但在视频编辑这种需要逐帧处理并依赖固定种子的场景下，过大的 batch 反而会影响角色的连续一致性。
5.2 角色一致性问题：为什么换了个人之后会走样
角色一致性是长视频项目的灵魂。如果你遇到角色在外观上“随时变脸”的情况，一般原因是关键帧参考没做好。我的做法是：每个分镜开始时，把上一分镜结束时的角色截图作为参考图传入 H3 的编辑节点，相当于告诉模型“这个人是之前的同一个人，保持外貌一致”。固定随机种子也是关键步骤，很多随机性和“变脸”问题，都是因为种子没有固定导致的。
还有一个容易忽略的细节是光照变化。如果镜头的运动导致光线变化，同一角色在不同帧里受光的情况不同，模型在重绘时可能把这种光照变化理解成“角色换了新衣服”。这种情况下，提示词里加一句“保持光照方向与原画面一致”，能有效减少这类失真。
5.3 蒙版边缘不够准，重绘之后有描边感
蒙版边缘不够准，是最影响编辑质量的细节问题。Sam3.1 已经很强了，但它在头发丝边缘、半透明物体这类场景下还是会有误差，蒙版要么偏大、要么偏小。偏大时会把旁边的背景括进来，H3 重绘时会把背景也改掉；偏小时会裁掉角色的部分衣领或头发，看起来像把人物削了一刀。
我的处理方法是：拿到蒙版后先在 ComfyUI 里做一步“膨胀 + 模糊”的后期处理。膨胀让蒙版略微外扩，模糊让边缘过渡柔和。这两个参数的具体值要看场景，普通人像场景膨胀 2 像素、模糊半径 4 像素比较合适；如果是大幅度的动作场景，蒙版移动快，膨胀要加到 5 到 6 像素，否则重绘区域跟不上动作变化。
5.4 长视频拼接时的断层感
长视频拼接断层，本质上是“每个小段独立生成，段与段之间没有共同的记忆”。我的解决办法前面提过多次，就是关键帧衔接。段落切换的时候，把上一段最后一帧完整作为下一段的起始帧，这样下一段生成时会自然地延续上一段的画面，而不是重新创造一个场景。
虽然网上有些做法是生成完所有片段后靠后期硬切，但我的经验是：如果关键帧衔接做好了，拼接起来几乎是无缝的；如果没做好，后期补救的成本远大于前期做好衔接的成本。说实话这个问题最花时间，却也最能拉开普通和专业的差距。目前我常用的流程里，关键帧衔接这块是没法省掉的核心环节，也是 H3 跟早期模型相比进步最明显的地方。
结尾的几句实话
折腾这套 H3+Sam3.1 工作流到现在，我的整体感受是：视频生成已经过了“看个乐呵”的阶段，进入了“真能干活”的区间。H3 的文字理解能力和编辑能力本身就很强，而 Sam3.1 把最后一块精度短板补齐了。两者的组合，让“角色替换”“局部重绘”“长视频扩展”这些需求真正能在本地稳定跑完。
实际使用下来，最大的收获倒不是某个具体功能，而是整个工作流的工程化思维。视频编辑不是单点模型能力能解决的事，关键帧选取、蒙版精度、种子固定、分段衔接，每一步都影响最终效果。这套组合让这些环节尽可能标准化，让我可以把更多精力和时间花在创意层面，而不是反复调参。
如果你现在正准备搭一套本地视频编辑环境，我的建议是：先别急着上长视频，先拿一小段素材，把角色替换跑通，再把局部编辑跑通，最后再考虑多段落拼接。一步一步踩稳，等基本链路都熟了，后面想做什么类型的内容都会事半功倍。
