我用 MiniMax H3 做了一次可复核的测试不拍摄真人画面也不手工制作口型只输入一张男性正面照片和一段完整中文男声观察最终视频的音画长度、嘴型变化和画面稳定性。上图为测试流程的视觉整理人物照片来自在线演示提供的官方示例素材。这次得到的成片约6.67 秒、544 × 544、24fps。输入男声长 6.648 秒成片视频流长 6.667 秒两者相差约 19 毫秒。整句口播播放到末尾人物嘴部和局部表情持续变化。MiniMax H3 中文男声完整测试成片测试输入与处理方式图像输入为了验证基础能力我使用了在线演示提供的官方示例人物图。它不是我生成的原创人物本文也不把它作为原创素材展示。音频输入测试使用一段 6.648 秒的中文男声大家好只需要一张照片和一段声音人工智能就能让我自然地开口说话。原始输出比口播多出约 0.64 秒尾部空白。为统一比较口径我只裁掉这段空白并重新封装原始男声音频没有替换生成画面也没有二次修改口型。我重点检查了什么普通的“照片配音频”不会改变静态画面。这次测试关注模型能否依据音频生成连续画面让嘴型、下巴和局部表情随声音变化同时保持人物身份、衣服和背景稳定。上图是从完整成片中等距截取的 8 个时间点。嘴型持续变化最后一帧正常收口人物身份和整体画面基本稳定。实测结果检查项观察结果口播完整性中文男声完整播放视频没有在句子中途停止音画长度音频 6.648 秒视频流 6.667 秒相差约 19 毫秒嘴型变化嘴部、下巴和局部表情随音频持续变化身份一致性没有出现明显换脸衣服与背景总体稳定可见缺陷个别帧的牙齿和嘴角有轻微变形这里的“约 19 毫秒”只表示两个媒体流总时长接近不能单独证明逐音素级口型完全同步。肉眼可以确认人物持续说话但更精细的唇音对应关系还需要逐帧分析。影响结果的几个边界照片条件会影响稳定性。本次输入是清晰正脸侧脸、遮挡或低分辨率图片是否同样稳定本文没有验证。低推理步数不代表最终质量。本次测试使用 7 个推理步数牙齿和嘴角仍有轻微瑕疵。提高步数能否稳定改善细节需要另做对照实验。公开演示环境会引入额外变量。GPU 排队、运行额度和页面状态会影响能否及时复现但不属于模型画面质量本身。肖像与声音需要获得授权。涉及真人时应避免未经允许复制他人的形象或声音更不能用于冒充和误导。结论在这组输入条件下MiniMax H3 能把一张正面照片和一段短中文男声生成连续口播视频句子完整媒体流总时长接近人物身份与背景总体稳定。它的局限也很明确——牙齿和嘴角仍可能变形而这次短样本不能外推到长视频、侧脸、遮挡或复杂动作。这次测试能够支持的结论是它已具备短时正脸口播的基本可用性更长内容和复杂输入下的一致性还需要更多样本验证。