同一个剧本，三家 AI 拍 15 秒漫剧：Muse vs Grok vs 本地 H3

AI 工具实战 · 漫剧特辑

网上「漫剧工作流」很多：剧本 → 分镜 → 角色卡 → 图生视频 → 配音 → 剪辑。几乎没有人用同一剧本、同一关键帧，把 Muse、Grok Imagine、本地 MiniMax H3 一起冲到 15 秒再并排看。这期补这一块。

剧本：雨夜便利店

女主短发、米色风衣、红围巾。雨夜便利店门口捡到钥匙，抬头看见店里灯闪——架子上飘着字条「找到我」。

对白（≤25 字）：

1. 「这是谁的钥匙……」
2. 「……找到我？」

三镜 × 5 秒：中景捡钥匙 → 特写惊疑 → 全景字条浮现。

三张关键帧

K1 · 中景推近：雨中蹲下捡钥匙。

K2 · 特写：钥匙与眼神。

K3 · 全景：灯闪，字条「找到我」。

三家怎么凑满 15 秒

成片并排

Muse（三镜接触印）

墙钟约 175 + 158 + 184 秒；每段 720×1280、6.0s、带音轨。

Grok 1.5（三镜接触印）

每段约 43–45 秒出片；720×1280。

Grok 1.5 · 单段 15 秒（对照）

一次生成约 15.04s，墙钟约 103 秒。接缝为零，但长镜头里脸和动作更容易漂。

本地 H3（三镜接触印）

K1 为 fast（768×1344）；K2/K3 为 preview（352×608）上采样进成片——见下方坑。

对比表（只谈这一次）

踩过的坑（值得写进你的 checklist）

1. H3 不要一上来就 15 秒 × fast × 近 1MP。 3080 上整段 15s 会 OOM；5s fast 可行，但长任务轮询可能 Connection reset——这次 K2/K3 因此掉到 preview。
2. Grok 列优先试 grok-imagine-video-1.5。 旧版约 8s / 848×480；1.5 这次直接给到 720×1280，且单段能到 15s。
3. Muse 竖图 I2V 可以出 9:16。 不用先横再裁；但仍建议统一 ffmpeg 硬切到精确 5s。
4. 拼镜用硬切，别溶解。 动作点切开，接缝处裁掉重复帧；统一 24fps 再 concat。

可复用的 15 秒流水线

1. 剧本：一拍钩子 → 反转 → 悬念；对白 ≤25 字。
2. 关键帧：先做角色锚点，K1 定稿后编辑出 K2/K3（脸一致性优先于炫技构图）。
3. I2V：同一英文运动提示 + 中文对白原文；每家各 3 段。
4. ffmpeg：scale/crop 到 720×1280，每段 trim 5s，硬切 concat。
5. 音轨双版本（可选）：原生口型轨 vs 统一 IndexTTS 旁白——画面对比更公平。

谁适合用哪家

• 要快出片、愿意花钱、要口型：Grok 1.5；短剧先试单段 15s，分镜多再拼。
• 零预算试水、接受排队：Muse；适合验证剧本和分镜，不适合赶工期。
• 要可控、要 R2V/首尾帧、能守着显卡：本地 H3；先 5s fast，显存紧就 preview，再拼。

下一期如果重跑，我会优先把 H3 三镜都稳在 fast，并加上 insightface 脸相似度按秒打分——这次接触印已经够说明「同输入三家差在哪」，但还没量化漂脸。