松音 H3 多模态生成 Skill:让 AI Agent 帮你生图、做影片(安装教学与实测)

電腦王阿達实测 dseditor(AI 老师「松音」)开源的 h3-colab-skill:装好后技能名为 h3-multimodal-colab,由 Codex 一类 Agent 自动完成 Colab 开机、环境部署、素材上传、H3 推論、成品下载与关机;把生图、改图、影片生成、影片延伸与 TTS 配音收进同一套工作流。作者用「原创角色图 → 换场景 → 角色影片」连续案例验证角色一致性,并给出可复用的耗时与 CU 账单:2K 文生图 112.5 秒、2K 参考图改场景 48.2 秒、8 秒 720P 影片 380.8 秒,一条 15 秒竖版舞蹈影片整批约 16.4 分钟 / 约 0.43 CU。

基本信息

核心观点

  1. Skill 的本质是把「GPU 租用生命周期」交给 Agent 管:h3-multimodal-colab 不是模型,也不是 Google 官方的影片生成服务,而是一套让 Agent 自动操作 Google Colab GPU 跑 MiniMax H3 的流程。Agent 负责开机、上传、推論、下载、关机五件事,本机只负责准备素材、送工作、收成品——本机不需要装 H3,也不需要高阶显卡,模型权重全部下载到 Colab 的临时环境。

  2. 和上一套 H3 Skill 的关键差异在「能力面」与「执行方式」:上一篇介绍的 killkli/minimax-h3-colab-skill 以角色参考影片为主,runner 直接执行随附的 Colab 推論 Notebook,GPU 默认 A100 高记忆体;本篇的 dseditor/h3-colab-skill 覆盖生图、改图、影片、延伸、TTS,runner 先在 Colab 部署 ComfyUI 与 H3 Toybox、再提交生成工作,GPU 默认 L4。作者本篇的影片全部用 L4 / PRISM INT8 / 8 步 组合,图片走项目提供的 P-H3-Image 路线。

  3. 真正会卡住人的不是技术,是订阅边界:就算有 Google AI 会员,也不等于当前登录的每个账号都有 Colab 运算单元。Google 官方 AI Pro 说明把 Colab 福利列为「只有」家庭方案管理员可用——家庭账号会显示 0 CU 可调用,所以「和別人共享的 AI Pro」可能根本无法使用。这条边界比安装步骤更值得先确认。

  4. 安装可以是一段自然语言指令,但授权必须人自己做:作者的做法是把一段带安装文档链接的话贴给 Codex,要求它先说明会做什么、要什么订阅、何时登录,同意后再安装;安装流程会自动准备技能、Python 与 Google Colab CLI(官方文档目前指定已验证的 0.7.4),如果日后版本变动则让 AI 依文档核对兼容性。Google 授权网址由 AI 提供,密码、二阶段验证与权限确认由用户本人完成,最后把 Token 金钥交给 AI 助理。

  5. 多模态价值在「同一角色跨媒介延续」:实测不是单张抽卡,而是三步连续验证——先文生图造一个橘色配送机器人(深青色屏幕脸、两个白色圆眼、三指机械手、橡胶脚、棕色斜背配送包),再把这张图当输入改成台北蓝调时刻的雨后街道(保留几何、配色、眼睛与包包),最后把两张图一起交给 AI 生成 8 秒 720P 影片(第一张锁外观、第二张供场景)。判断标准是「换背景后角色是否仍被辨识」,而不是单张漂亮不漂亮。

  6. 成本要拆成「单项生成」与「整批额度」两栏看:单项耗时是纯生成时间;整批时间还包含启动、安装、模型下载、素材传送与收档,CU 差额取开始与关机后的显示值相减,且有四舍五入,不能精算成每秒费率。实测数据为:2K 文生图 112.5 秒、2K 参考图改场景 48.2 秒、8 秒 720P 影片 380.8 秒;先前 10 秒竖版舞蹈 456.9 秒(约 7 分 37 秒),整批约 12 分钟 / 约 0.29 CU;15 秒小幅舞蹈 729.3 秒(约 12 分 9 秒),整批约 16.4 分钟 / 约 0.43 CU。

  7. 适用边界说得很清楚:目标场景是短片提案、角色设计、小段社群素材——「不用花大钱买硬体就能生图生影片」;前提是要有 AI Pro 会员。项目另外提供独立 TTS、参考音色与影片延伸,也支持接本机 ComfyUI Desktop,作者本篇只聚焦生图、改图与参考影片。

实操内容保留

代码/配置

安装文档与项目地址:

https://github.com/dseditor/h3-colab-skill
https://github.com/dseditor/h3-colab-skill/blob/main/INSTALL_FOR_AGENTS.md

作者给出的硬件/参数组合:

Colab GPU:L4(项目默认,也可依需求选其他受支持的 GPU)
影片参数:PRISM INT8 / 8 步
图片路线:P-H3-Image
图片分辨率:2K,16:9
影片:8 秒、16:9、720P 级

(本文无代码块;以上为原文中的参数与地址整理。)

Prompt 模板

① 安装指令(原文,直接贴给 Codex 一类的本机 Agent):

請照 https://github.com/dseditor/h3-colab-skill/blob/main/INSTALL_FOR_AGENTS.md 幫我安裝 h3-multimodal-colab 這個 skill:開始之前先跟我說明它會做什麼、要什麼訂閱、何時要登入,我同意後再安裝。我要優先使用 Google Colab,先以 L4 測試;也要使用生圖功能。

② 案例一·文生图(原创角色):

提示詞:用雲端 H3 生圖功能,生成一隻原創橘色配送機器人,深青色螢幕臉、兩個白色圓眼、三指機械手、棕色斜背包。暖白攝影棚背景,完整角色入鏡,精緻 3D 動畫風格,16:9、2K,不要文字、Logo 或浮水印。

③ 案例二·图生图(保留角色换场景):

提示詞:以上一張機器人為角色參考,保留外形、橘色機身、青色螢幕、眼睛與棕色包包。換到台北雨後的行人街道,旁邊是暖光咖啡店櫥窗,地面有濕潤反光,角色完整入鏡,16:9、2K。不要可讀招牌文字。

④ 案例三·两张参考图生 8 秒影片:

提示詞:使用這兩張圖製作 8 秒、16:9、720P 級影片。第一張鎖定機器人的外觀,第二張提供雨夜咖啡店場景。機器人向暖光走一小步,轉向鏡頭揮手兩次,再放下手。保留包包與配色,鏡頭緩慢靠近,搭配細雨、機械關節聲與輕柔配樂,不要台詞和字幕。使用 Colab L4,完成後下載並關閉本次 GPU。

操作步骤

  1. 确认两个前置条件:一个能在本机操作指令、安装技能的 AI 工具(Codex / Claude Code / Antigravity / Hermes 均可);一个可使用 Colab GPU 的 Google 账号,且确认它不是「0 CU」的共享家庭子账号。
  2. 把安装指令贴给 Agent:要求它先说明会做什么、要什么订阅、何时登录,同意后再安装。流程会准备技能、Python 与 Google Colab CLI(已验证 0.7.4)。
  3. 本人完成 Google 授权:AI 给出授权网址后,核对网址与要登录的账号,自己完成密码、二阶段验证和权限确认;完成后把 Token 金钥交给 AI 助理。
  4. 让 AI 做一次环境检查:回報账号是否正确、剩多少 CU、有没有还在运作的 GPU(非必要)。若有多个 Google 账号,要求它把正确账号与登录环境记进 SKILL,往后每次检查与生成沿用同一套环境。
  5. 按「角色一致性」的三步做案例:文生图造角色 → 以上一张图做图生图换场景 → 两张图一起做图生视频;每步都检查角色的几何、配色、配件是否维持。
  6. 收档:Agent 会把需求整理为 H3 的英文提示词,补齐参考角色、场景、时间顺序、环境音与配乐,自动推論完成后下载成品并关闭本次 GPU。

关键概念

  • 松音 H3 多模态生成 Skill — 本文主角:dseditor/h3-colab-skill,安装后技能名 h3-multimodal-colab;把生图/改图/影片/延伸/TTS 串成一条 Agent 工作流
  • Google Colab — 提供 GPU 的执行环境;本文所有推論都在 Colab 上完成,本机只负责素材与收档
  • MiniMax — H3 视频模型的厂商;同时提醒其 H3 已在「Seedance 2.5 之后的第二梯队」被反复引用
  • Codex — 本文示范的 Agent 宿主,负责读安装文档、部署环境并提交生成任务
  • AI Skill — 作为「把判断经验与生命周期封装成约束流程」的一个新样本:这里被封装的是一整条 GPU 租用生命周期
  • 视频生成模型 — H3 属于该实体页记录的视频模型族谱;本文补上「云端 Colab + ComfyUI 部署」这一种本地不可行的执行方式
  • ComfyUI — 项目在 Colab 内实际部署的推論前端(本文未建独立实体页)
  • CU(Compute Units)— Google Colab 的运算点数,本文用「开始与关机后显示值相减」估算整批消耗

与其他素材的关联

  • 与 2026-09-21-woshipm-workbuddy-hypit-viral-video-clone 的关系:那篇把 MiniMax H3 排在国内视频模型第二梯队(开源、可申请 API),本篇第一次给出「H3 具体怎么在云端跑起来」的完整路径与账单,把选型判断落成可执行的产线。
  • 与 2026-10-02-woshipm-ai-video-models-primer 的关系:那篇给出六维评价框架(指令遵循 / 画面表现 / 动作物理 / 时序主体 / 镜头叙事 / 创作可控),本篇的「角色一致性三步验证」正好是其中「时序与主体一致性」的手工检查法。
  • 与 2026-09-30-woshipm-coding-model-video-tutorial 的关系:同是「Coding 模型 + 云端/无头执行」的路线,但那篇用代码渲染画面、完全不碰视频生成模型;本篇反过来把视频模型放在云端 GPU 上跑。两条路线互补,边界仍是「写实质感 vs 代码可渲染」。
  • 与 2026-10-07-ai-social-overseas-47-products 的关系:那篇是目前库里少数提到 Colab 的素材,但只把 Colab 当零散工具;本篇把它提升为 Agent 可编排的「GPU 租用生命周期」,是同一基础设施工位的深化。
  • 与 2026-09-21-woshipm-ai-desktop-outfit-video-skill 的关系:都是「开源 Skill + 提示词」的轻量视频路径,但那篇依赖 Seedance 出片、核心是六问访谈与逐帧逆向工程;本篇自建角色一致性案例并自带 TTS 与影片延伸。

原文精彩摘录

先釐清一點:這個 Skill 是讓 Agent 自動操作 Google Colab GPU 來用 MiniMax H2 製作影片的工具與流程,不是用 Google 直接提供的影片生成服務。真正的生成在你自己訂閱的 AI Pro 方案免費給的點數在 Colab GPU 上執行。可透過目前各種主流 AI Agent,如 Codex、Claude Code、Antigravity 或 Hermes,本範例由 Codex 操作;本機電腦負責準備素材、送工作和接收成品。比之前那個教學流程更加的簡單,只要貼上命令,一路授權就完成了,而且不只能生成影片、圖片、配音、延伸都可以。

要注意的是就算你有 Google AI 會員,不等於目前登入的每個帳號都有 Colab 運算單元。 Google 官方的 AI Pro 說明 把 Colab 福利列為「 只有 」家庭方案管理員可用,家庭帳號會顯示 0 CU 可調用,所以你的 AI Pro 如果是跟別人共享的就可能無法使用。

接下來直接把上一張結果當圖片編輯的輸入,要求保留機器人幾何、配色、眼睛與包包,把背景換成台北藍調時刻的雨後街道。這裡比單純換一張新圖更有意義:要看角色能否在換背景後仍被辨識,而不是只看單張漂亮不漂亮。

額度差額為開始與關機後顯示值相減,帶有顯示四捨五入,不能精算成每秒費率。

相关页面