这次我们来看 MiniMax H3 与 fal 平台联手推出的 H3 Max。简单说MiniMax H3 是视频生成模型fal 是模型推理托管平台H3 Max 就是跑在 fal 上的托管版视频生成服务。你不需要自己准备一堆 GPU只要申请 API Key用 HTTP 请求就能把视频生成任务发给远端集群跑完再拉结果。对这种使用方式最关心三件事能不能稳定出水片级的视频内容、接口长什么样、批量任务怎么组织。同时也要说清楚H3 Max 不等于 MiniMax H3 的唯一出路。如果你更想本地跑也可以走 ComfyUI 工作流方案搭配整合包和模型下载即可。对 3060 这类 12GB 显存的中端卡来说能否流畅运行取决于分辨率、帧数、步数和量化方案。这篇文章会把 API 服务和本地部署两条路线都拆开讲从环境准备、启动方式、功能测试到接口调用、性能观察、问题排查全部过一遍。如果你关心视频生成模型的本地门槛、接口能力、批量任务和成本结构这篇文章可以先收藏再用。1. 核心能力速览能力项说明项目主体MiniMax H3 模型 fal 推理平台联合推出的 H3 Max 服务模型类型视频生成模型支持基于文本描述的视频内容生成主要使用方式fal 平台 API 调用无需自建 GPU 集群本地部署方式可结合 ComfyUI 工作流、整合包与模型文件进行本地部署尝试推荐硬件参考本地部署需要考虑独立显卡参考常见中端方案为 RTX 3060 12GB实际以模型版本和精度为准GPU 要求本地部署必须有 NVIDIA 显卡API 方式无 GPU 要求启动方式API 服务为 HTTP 请求本地 ComfyUI 为节点工作流启动是否支持 API支持H3 Max 的核心卖点就是托管 API是否支持批量任务API 模式下可按队列顺序提交多任务也支持并发提交需注意速率限制输出内容视频文件具体分辨率、时长、帧率以服务端版本为准适用场景短视频创作、广告分镜预演、内容素材生成、技术实验、教学演示不适合场景无授权人脸生成、伪造真实事件、侵犯版权素材、批量生产误导性内容以下几点是核心判断第一H3 Max 解决的是“没有高端 GPU 也想跑视频生成模型”的问题。模型放在 fal 平台通过 HTTP 提交任务即可。第二本地部署解决的是“数据不出内网、控制生成参数、长期批量生成”的问题但显存和调参门槛更高。第三ComfyUI 生态已经可以承接 H3 模型社区里也存在整合包和预设工作流适合愿意折腾的玩家。这篇文章不是只有概念下面会给可执行的 API 调用示例、本地 ComfyUI 部署思路、功能验证清单和排查方法。2. H3 Max 的服务定位与本地部署的关系先把逻辑理清MiniMax H3 是这样的视频生成模型它自身具备文本到视频的生成能力fal 是模型托管和推理调度平台提供 GPU 集群、任务队列和结果存储。H3 Max 是两者结合后的对外服务名。可以这样理解MiniMax H3 是“引擎”。fal 是“整车”。H3 Max 是“可以直接上的量产车型”。如果你只是想快速出片、验证效果、做产品原型直接用 H3 Max API 最快不需要关心显存、驱动、CUDA 版本这些事。如果你希望把素材留在本地、自定义节点逻辑、反复调节生成参数那么本地 ComfyUI 部署更合适。从社区热词来看目前讨论热度集中在几个方向MiniMax H3 本地部署。ComfyUI 整合包。RTX 3060 上的运行效果。模型下载。工作流图片。推荐配置。导演台与提示词写法。这些关键词说明一个现象很多人第一反应不是“调 API”而是“能不能在自己电脑上跑”。所以这篇文章两条路线都会覆盖。如果你已经有 fal 账号可以直接跳到第 5 节看 API 调用如果手里只有一张 3060 且想本地跑建议从第 6 节开始看。3. 适用场景与使用边界3.1 适合哪些人第一类短视频创作者。需要快速把文案变成分镜参考视频用 H3 Max API 一次提交多个方案选择效果最接近的一条继续加工。第二类产品经理和独立开发者。需要给客户演示“AI 视频生成”能力但不想维护 GPU 集群直接用 fal 平台托管服务最省事。第三类本地部署爱好者。有 3060 或者更高端显卡喜欢用 ComfyUI 拉工作流想完全掌控模型文件、采样器和提示词。第四类技术研究者。需要对比视频生成模型的效果差异、不同提示词写法对内容稳定性的影响。3.2 不适合哪些人第一类完全不接受 API 成本又只有 4GB 显存显卡的人。视频生成模型对显存要求高4GB 显卡跑完整视频生成链路会很吃力。第二类希望零代码、零学习成本直接出片的人。无论 API 还是 ComfyUI都需要理解基本参数和提示词逻辑。第三类需要生成真实人物长期连续剧情的项目。视频生成模型在一致性上仍有局限单段生成和最终成片之间的差距需要专业的后期工具补齐。3.3 合规边界视频生成模型能力越强边界问题越重要。下面是必须遵守的底线不得生成无授权真实人物的肖像视频。不得生成虚假新闻、虚假证词、误导性内容。不得把他人作品直接作为训练或生成素材除非已获得授权。涉及商业发布、广告投放时需要确认平台的深度合成标识要求和服务条款。团队内部测试数据要隔离不要存放未脱敏的隐私信息。API Key 要放进环境变量或密钥管理服务不要提交到代码仓库。使用 H3 Max 或本地部署模型时建议先建立一套“输入素材审查 输出内容复核”的流程尤其是公开场合使用前。4. 环境准备与前置条件4.1 API 方式环境清单项目要求网络能正常访问 fal 平台服务即可账号需要注册并创建 API Key开发语言Python 3.8 以上或任意支持 HTTP 的语言依赖库requests、Pillow处理返回图片或视频预览时使用磁盘不需要本地模型文件仅保存结果视频需要预留空间API 方式的优势是环境极简不需要安装 CUDA、PyTorch、ComfyUI。只要 Python 环境干净就能完成调用。# 创建虚拟环境 python -m venv h3max-demo # 激活Windows h3max-demo\Scripts\activate # 激活Linux/macOS source h3max-demo/bin/activate # 安装依赖 pip install requests4.2 本地 ComfyUI 方式环境清单项目建议操作系统Windows 10/11、Linux 均可显卡NVIDIA 独立显卡参考社区环境为 RTX 3060 12GB显存越高越从容驱动NVIDIA 最新 Game Ready 或 Studio 驱动CUDA以 PyTorch 版本要求为准通常建议 CUDA 11.8 或更高Python根据 ComfyUI 和自定义节点要求选择磁盘空间模型文件较大建议预留 50GB 以上具体以实际模型体积为准端口ComfyUI 默认 8188冲突时自行切换如果你不想手动装环境可以找社区发布的 ComfyUI 整合包。整合包一般把 Python、ComfyUI、依赖和常用节点都打包好了模型文件按照说明放到指定目录即可。“3060 显卡”通常指 12GB 显存版本。从模型生成视频的工作负载来看12GB 属于“能跑但要控制参数”的级别。更稳妥的判断是先用小分辨率、少帧数跑通流程再逐步提高分辨率不要一开始就上高分辨率长视频。5. 通过 fal 平台调用 H3 Max API5.1 API 调用流程H3 Max 的 API 属于典型的异步任务模式提交生成请求得到任务 ID。轮询任务状态等待完成。任务完成后获取视频结果地址。这种模式适合长任务也适合批量提交。因为视频生成耗时通常以分钟为单位没必要用同步 HTTP 请求。需要注意不同的 fal 产品路径和参数可能不同。下面的示例是“基于常见异步任务服务设计的通用模板”实际运行前需要替换为自己的 API Key、endpoint 和请求体字段。5.2 curl 调用示例# 通用模板实际 endpoint 和 headers 需要按 fal 平台文档替换 curl -X POST https://api.fal.ai/your/h3max/endpoint \ -H Authorization: Key YOUR_FAL_API_KEY \ -H Content-Type: application/json \ -d { prompt: 一只橘猫在窗台上看雨镜头缓慢推进电影感柔和自然光, negative_prompt: 模糊变形文字水印, num_frames: 80, fps: 8 }从这个例子可以看出提示词、帧数、fps 是常见参数。具体支持哪些字段、取值范围多少要看 fal 平台上 H3 Max 的接口定义。不要假设所有参数在服务端都生效建议先用官方示例请求跑通再逐项调整。5.3 Python 调用示例import requests import time FAL_API_KEY YOUR_FAL_API_KEY ENDPOINT https://api.fal.ai/your/h3max/endpoint headers { Authorization: fKey {FAL_API_KEY}, Content-Type: application/json, } payload { prompt: 城市夜景雨后的街道霓虹灯倒映在地面镜头缓慢上升, negative_prompt: 抖动扭曲低分辨率, num_frames: 80, fps: 8, } def submit_task(payload): resp requests.post(ENDPOINT, headersheaders, jsonpayload, timeout60) resp.raise_for_status() return resp.json() def get_task_status(status_url): resp requests.get(status_url, headersheaders, timeout30) resp.raise_for_status() return resp.json() # 提交任务 task_data submit_task(payload) print(提交成功返回, task_data)如果提交接口直接返回结果地址那就省去了轮询如果返回request_id或status_url则需要继续轮询。# 轮询任务状态示例 status_url task_data.get(status_url) request_id task_data.get(request_id) if status_url: while True: status get_task_status(status_url) state status.get(status) or status.get(state) print(当前状态, state) if state in (COMPLETED, FAILED, ERROR): break time.sleep(5) print(status) else: print(任务已提交request_id, request_id)5.4 结果返回格式异步任务完成后返回内容通常包含以下字段字段说明video_url生成视频的临时访问地址status任务状态例如 COMPLETEDduration视频时长或生成耗时request_id任务唯一标识拿到video_url后用 requests 下载即可。def download_video(video_url, save_path): resp requests.get(video_url, timeout120) resp.raise_for_status() with open(save_path, wb) as f: f.write(resp.content) print(视频已保存, save_path) # 示例调用实际 video_url 从任务结果中解析 # download_video(https://xxx/video.mp4, ./output.mp4)这里需要强调视频地址通常有时间限制应该尽快下载到本地存储不要长期依赖临时链接。6. 本地部署与 ComfyUI 工作流6.1 部署思路如果你决定在本地跑 MiniMax H3最普遍的路线是 ComfyUI。ComfyUI 的特点是节点化、流程透明方便复现和调整参数。完整流程如下安装 ComfyUI官方版或整合包均可。下载 MiniMax H3 模型文件放到 ComfyUI 模型目录。安装所需的自定义节点。导入 H3 视频生成工作流 json。修改提示词、分辨率、帧数等参数。运行工作流观察结果。6.2 安装 ComfyUI# 以命令方式启动 ComfyUI实际路径按安装目录调整 git clone https://github.com/comfyanonymous/ComfyUI cd ComfyUI pip install -r requirements.txt # 启动 python main.py --port 8188如果是整合包直接解压后运行启动脚本即可。常驻内存后浏览器访问http://127.0.0.1:81886.3 模型文件放置ComfyUI 不同模型类型放在不同目录ComfyUI/ ├── models/ │ ├── checkpoints/ # 主模型或检查点 │ ├── diffusion_models/ # 扩散模型 │ ├── vae/ # VAE 文件 │ ├── text_encoders/ # 文本编码器 │ └── loras/ # LoRA 附加模型MiniMax H3 模型下载后放在哪个目录取决于工作流中的加载节点。通常视频生成模型的加载节点会指定diffusion_models或checkpoints。建议先看工作流图片和节点名称再决定放置位置不要盲目防错位置。6.4 导入工作流ComfyUI 的“工作流图片”本质上是一张包含节点配置的 PNG 图片。导入方式打开 ComfyUI。将工作流图片拖入浏览器画布。等待自动加载节点和参数。如果缺少自定义节点根据红色报错提示安装对应插件。工作流导入后重点检查模型加载节点指向的文件是否存在。文本编码器节点是否匹配模型需求。VAE 是否连接正确。采样器步数和 CFG 是否处于合理范围。6.5 本地部署的预期效果以 3060 12GB 显卡为例如果你没有足够的实测对比数据最稳妥的做法是“先小后大”先用低分辨率、少帧数、低步数跑通观察显存占用再逐步提升参数。小参数跑通的典型配置模板实际需调整 - 分辨率512x320 或更低 - 帧数16 或 24 - 步数20 - CFG4 到 7 - 采样器依据工作流默认选择大参数再逐步增加分辨率768x512、1024x576帧数48、60、80步数30 或更高每一次提升都要观察显存占用和生成时间。显存占用可以通过 NVIDIA 管理工具查看nvidia-sminvidia-smi如果显存占用接近 100%说明参数太高需要降低分辨率或帧数。7. 功能测试与效果验证7.1 基础生成能力测试目的确认服务能正常生成一段视频。输入提示词一只橙色的狐狸在雪地里奔跑低角度跟拍自然光写实风格预期结果得到一个视频文件画面内容与提示词有明显相关性。判断成功标准视频能正常播放、没有明显花屏、运动物体前后帧基本连贯。7.2 提示词稳定性测试目的确认相同提示词多次生成是否有基本一致的主题。建议同一提示词重复生成 3 次记录每次的视频风格、构图、主体一致性。如果三次结果差异极大后续批量生成时就需要增加更多约束词。如果三次结果主体一致、细节略有差异属于正常现象。判断标准主体、环境、镜头语言大体保持一致细节变化不影响可用性。7.3 负面提示词测试目的验证负面提示词能降低典型瑕疵出现概率。常见负面提示词模糊变形鬼影文字水印多余手指扭曲面部低分辨率闪烁对比测试不带负面提示词生成 3 条。带负面提示词生成 3 条。检查两者出现花屏、扭曲、水印的频率。如果负面提示词没有明显改善不要强行依赖它更多要调整主提示词的结构。7.4 批量任务测试API 模式下批量任务适合按队列提交。建议先做一个 3 到 5 条的小批量任务验证稳定性。批量任务的通用实现方式准备一个输入文件每行一个提示词。逐行提交任务记录 request_id。定时轮询状态完成后下载结果。失败任务记录日志集中重试。这里给一个批量提交的示例框架import csv import time import requests # 读取提示词列表 prompts [] with open(prompts.csv, r, encodingutf-8) as f: for row in csv.DictReader(f): prompts.append(row[prompt]) # 逐个提交任务 task_ids [] for p in prompts: payload { prompt: p, num_frames: 80, fps: 8, } try: task_data submit_task(payload) task_ids.append(task_data) print(已提交, p[:30]) except Exception as e: print(提交失败, p, e) # 等待所有任务完成 time.sleep(30) # 轮询并下载结果 for task in task_ids: status get_task_status(task.get(status_url)) if status.get(status) in (COMPLETED, SUCCESS): video_url status.get(video_url) # download_video(video_url, foutput_{task.get(request_id)}.mp4) else: print(任务未完成, task.get(request_id))7.5 长文本与复杂描述测试视频生成模型对提示词长度有上限。如果需要表达复杂场景建议把提示词拆成三部分主体与环境。镜头语言。风格与光线。示例主体与环境一个穿着红色雨衣的人站在十字路口周围是旧式建筑地面有积水 镜头语言从远处缓慢推近最后落到人物面部 风格与光线阴天冷色调电影感颗粒感如果一次输入过长导致报错就压缩为简短结构红雨衣人站十字路口旧建筑积水反光镜头缓慢推进冷色调电影感7.6 失败排查现象可能原因处理方式提交任务 403API Key 无效或越权检查 Key 和权限提交任务 400参数格式错误对照文档检查字段名与类型提交任务 429请求频率超限降低并发增加退避任务长时间 COMPLETED 但无结果结果地址过期或下载失败重新拉取状态检查临时链接本地生成 OOM显存不足降低分辨率、帧数、步数本地工作流报红缺节点或模型路径错误查看报错信息安装节点修正路径8. 资源占用与性能观察8.1 显存占用怎么观察如果你走 API 调用资源占用由 fal 平台承担本地不需要观察显存。如果你走本地部署显存是第一瓶颈。观察工具nvidia-smi -l 2这个命令每 2 秒刷新一次显存占用适合生成过程中实时观察。重点看Memory Usage里的MiB数字。如果接近显卡总显存比如 12GB 卡的占用在 11GB 以上就说明参数接近上限。8.2 哪些参数影响最大参数影响方向分辨率影响最大分辨率翻倍显存占用可能翻几倍帧数影响显存和内存帧数越多需要缓存的数据越多步数主要影响耗时对显存影响小于分辨率和帧数批大小批量生成时显存近似线性增长量化精度低精度可降低显存消耗8.3 如何降低显存占用降低分辨率从 1024 降到 768 或 512。减少帧数80 帧降到 48 帧或 24 帧。启用显存优化选项ComfyUI 中的内存优化设置。关闭其他占用显存的软件浏览器有独立显卡加速时也会占显存。使用轻量量化版本模型如果社区提供 fp8 或 int8 版本。8.4 CPU 与 GPU 的差异API 服务不需要考虑这个问题。本地部署时视频生成模型强烈依赖 GPUGPU 推理速度和显存容量直接决定能否运行。CPU 推理不是不能用但速度极慢适合验证节点流程是否通畅不适合实际出片。内存不足也会导致进程被杀观察任务管理器或系统日志。8.5 进程残留与端口冲突ComfyUI 启动后如果上次没正常退出端口可能被占用。# Windows 查看端口占用 netstat -ano | findstr 8188 taskkill /PID 进程号 /F # Linux lsof -i :8188如果端口冲突可以指定新端口python main.py --port 82889. 接口 API 与批量任务的工程化建议9.1 API Key 管理不要把 API Key 写在代码仓库里。更稳妥的做法是# Linux/macOS export FAL_API_KEYyour_key_here # Windows PowerShell $env:FAL_API_KEYyour_key_herePython 代码中从环境变量读取import os FAL_API_KEY os.environ.get(FAL_API_KEY, ) if not FAL_API_KEY: raise ValueError(请先设置 FAL_API_KEY 环境变量)9.2 批量任务日志批量生成时强烈建议记录结构化日志。每一条任务记录以下字段request_id。提示词摘要。提交时间。完成时间。状态。结果地址。失败原因。日志可以简单写成 CSV方便后续统计成功率和定位问题。9.3 失败重试策略批量任务失败是常态。建议重试策略第一次失败等待 5 秒重试。第二次失败等待 15 秒重试。第三次失败不再自动重试记录日志人工处理。不要无限重试网络错误避免产生重复任务和额外费用。9.4 并发控制API 服务通常有速率限制。批量任务应该根据账号限速合理设置并发数。推荐策略第一轮先跑 3 个并发任务。观察是否有 429 错误。如果没有再增加到 5 个并发。稳定后再考虑更高并发。不要一开始就开 50 个并发很可能被限流。9.5 输出目录管理本地或批量下载的视频建议按日期和任务 ID 分目录存放outputs/ ├── 2025-01-01/ │ ├── TASK_001/ │ │ ├── prompt.txt │ │ ├── video.mp4 │ │ └── meta.json │ └── TASK_002/ └── logs/这样后续人工复核和数据分析都方便。10. 性能观察清单与应用建议综合前面的内容这里给一份可以直接照做的检查清单首次调用先跑通一条最小任务确认 API Key 和端点无误。记录一次基础生成的耗时和结果格式。测试 3 条提示词判断内容稳定性和参数调优空间。做一个小批量任务确认批量提交和轮询逻辑可靠。观察 API 速率限制明确当前账号的并发上限。本地部署从 512 分辨率开始跑通后再逐步提升。每次调整只改一个参数记录显存占用和生成结果。所有输出文件统一归档避免“哪个视频对应哪条提示词”搞混。关于实际效果还有一个重要提醒视频生成模型的效果存在随机性不要用单次生成结果判断模型能力。至少生成 3 到 5 条再评估稳定性。如果你最终目标是做产品接口优先使用 H3 Max API如果你的目标是研究模型能力、调试提示词、搭建离线工作流ComfyUI 本地部署更有价值。两条路线并不冲突可以先 API 试效果再本地深入研究。11. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后页面打不开端口被占用或服务未启动检查终端日志和端口状态更换端口或重启服务模型文件缺失下载不完整或放错目录核对模型文件路径和大小重新下载放入正确目录提交 API 返回 400请求参数不符合接口定义查看返回错误消息对照文档修正参数提交 API 返回 401/403API Key 错误或无权限检查环境变量和账号状态重新生成并配置 Key提交 API 返回 429请求频率超限查看账号限速文档降低并发增加重试退避任务一直 PENDING服务端排队或参数有误查看队列状态和日志等待或取消后重新提交显存不足 OOM分辨率、帧数、批大小过高查看 nvidia-smi 日志降低参数或启用优化选项生成结果花屏、闪烁提示词不合理或模型精度问题多次生成对比调整提示词降低采样步数或更换精度视频结果和提示词无关提示词结构混乱或模型处理失败拆分提示词简化描述使用“主体环境镜头风格”结构下载链接失效链接有时效性回看任务状态及时下载勿长期依赖临时地址关于本地部署的 Python 依赖冲突也经常遇到。建议任何本地项目都使用虚拟环境不要直接装在全局 Python 里。换一个项目就换一个环境能省掉大量排查时间。ComfyUI 自定义节点较多时依赖冲突尤其常见。12. 最佳实践与时使用的合规建议12.1 最小可运行配置无论 API 还是本地先保存一份“最小可运行配置”API一个提示词 默认参数 最小分辨率。本地512 分辨率 16 帧 20 步。以后调整任何参数都从最小配置出发出了问题能快速回到稳定状态。12.2 目录分类明确划分模型文件目录。输入素材目录。输出结果目录。日志目录。临时下载目录。不要把所有文件堆在一个目录里视频生成项目文件量大乱放会导致后续查找成本暴涨。12.3 批量任务必须留日志即使只跑一次批量任务也要记录每个提示词的提交和结果。视频生成不是即时返回靠记忆区分几十条任务几乎不可能日志是最低成本的保障。12.4 接口服务限制访问范围如果你的项目把 H3 Max API 封装成内部服务注意不为外部未授权用户开放。限制单个用户的请求频率。对输入内容做基本过滤拦截明显违规内容。记录每次调用的账号和时间出现异常时可追溯。12.5 版权与肖像授权MiniMax H3 这类视频生成模型可以生成接近真实风格的人物和场景所以每一步都要守住合规底线生成真实人物肖像前必须取得本人书面授权。不要用模型生成虚假名人视频。不要商用未授权风格素材。对外发布时确认是否需要标注 AI 生成内容标识。12.6 效果复核视频生成内容在发布前至少要复核人物面部是否稳定。是否存在明显的模型伪影。文字信息是否准确。是否符合平台内容规范。是否适合目标受众。不要省掉复核这一步视频生成模型的输出随机性远高于图像生成漏掉一条低质量内容对整个项目口碑影响很大。12.7 成本控制使用 API 服务时成本主要来自每次生成的时长和参数。控制成本的方法小批量先测效果再批量生成。避免无意义地反复生成相同提示词。及时下载结果避免重复查询产生额外费用。设置请求超时和失败重试次数上限防止异常循环。12.8 提示词资产化把有效的提示词结构化保存下来而不是散落在聊天记录里。建议用 Markdown 文件维护一套自己的提示词模板# 基础模板 - 主体[主体描述] - 环境[环境描述] - 镜头[镜头语言] - 光线[光线与色调] - 风格[风格关键词] - 负面[负面约束词] # 示例城市夜景 主体一个穿黑色外套的人站在霓虹灯下 环境雨后的城市街道地面反射灯光 镜头中景缓慢推进 光线冷色调霓虹光晕 风格电影感写实 负面模糊变形水印多次生成后把效果好的提示词放入“已验证清单”效果差的放入“失败清单”后续可以快速复用。13. 总结与下一步这次我们把 MiniMax H3 和 fal 平台打造的 H3 Max 从服务定位、API 调用、本地 ComfyUI 部署、功能测试、批量任务到性能排查完整过了一遍。最值得尝试的点是 H3 Max 的 API 方式不需要高端显卡只要一条 HTTP 请求就能完成视频生成适合快速验证效果和搭建产品原型。建议你拿到账号后先验证三件事最小请求能否返回视频结果。一条提示词反复生成三次观察内容稳定性。写一个 3 条提示词的小批量任务确认轮询和下载逻辑能跑通。最容易踩的坑是参数适配和 API Key 管理。不要照搬网上任意一段没有注明来源的代码先确认 endpoint 和字段是否符合当前服务版本。API Key 不要提交到仓库本地 ComfyUI 部署时先小分辨率跑通再逐步提升后面就能省下大量排错时间。下一步可以按你的实际用途选择方向做产品接口就继续打磨 API 封装和队列做内容创作就把提示词模板和效果基线建立起来做本地研究就深入调分辨率、帧数、采样器和模型精度。等这套流程稳定后再加并发、加缓存、加自动重试就能形成一个真正可用的视频生成工作流。