MiniMax H3 Max Lip Sync Video Generator

H3 Max 根据一张人物照片生成新的说话视频：照片引导外观，文本描述对白与场景，可选音频引导声音和节奏。结果是 AI 生成的表演，不是照片中人物的真实录像。

这个“参考图生成视频”流程适合简短介绍、产品信息或角色场景，每段围绕一位说话者和一个主题展开。若要调整已有视频的口型，请使用独立的视频流程。

在主生成器中调整已有视频的口型。

从新台词出发，选择文字模式；已有语音表演，可以加入参考音频。两种模式都需要提示词，描述场景与表演方式。

参考音频引导表演，不保证精确克隆声纹。发布前请检查人名、专业词发音以及语气。

1. 01

   选择人物照片和可选音频

   上传一张人物照片。如需音频，请提前将完整语音片段剪辑到 2–15 秒；本页面不提供音频编辑器。

2. 02

   写清对白与场景

   写清台词、表情和镜头指令，与可选参考音频保持一致，再确认素材使用授权。

3. 03

   确认准确积分

   选择清晰度和文字模式时长。登录后，上传或录制的音频会自动核算费用；等待准确积分显示后点击生成。文字配音会显示最高预留额度。

4. 04

   生成、检查并下载

   提交一次并查看任务状态。完成后下载视频，分享前连同声音一起观看。作品也可在活动记录中找到。

更多构图与源素材建议，请查看唇形同步质量指南。

写清人物说什么、如何表演、镜头呈现什么。从一句台词、一种表情或动作，以及一个简单镜头开始：

人物看向镜头，说：“欢迎你。今天，我想分享一个可以马上尝试的方法。”语气友好平静，带着轻微微笑。镜头保持稳定，脸部始终清晰可见。

引号区分对白与指令。“友好平静”描述表演，“镜头保持稳定”描述画面。加入音频时应跟随其中的对白，不要另写一句不同的台词。

先朗读台词。五秒内说完太赶，就缩短内容或选择更长的文字生成时长。避免同时安排多次切景和复杂手势；比较结果时，每次只修改一项指令。

积分按生成时长计算，不按提示词字数计算。480P 每秒 4 积分，768P 每秒 7 积分：

音频时长向上取整，最低按 5 秒计算。2–15 秒范围之外的音频会被拒绝，不会被悄悄截短。请确认检测后显示的准确积分，不要根据文件名估算时长。文字配音按分辨率最多预扣 60（480P）或 105（768P）积分，检测实际配音时长后结算并退回剩余积分；失败退回全部预扣。

连同声音观看整段短片，检查对白、口型、脸部细节和镜头。任务完成不代表每项创作指令都被精确执行。

如果任务状态或积分退回情况异常，请附上生成任务信息联系支持。 获取生成任务帮助

使用有授权的素材，并向观众说明逼真的表演由 AI 生成。上传素材的处理方式见隐私政策。 阅读隐私政策