模型对比
Wan 3.0 与 MiniMax H3：长故事还是高分辨率短镜头？
从镜头时长、细节展示、原生声音和参考控制出发，判断两种视频工作流分别适合什么项目。
Wan 3.0 · 更新于
本文目录
先说结论
先问这段视频要完成几件事。需要连贯展开一段介绍，可以先试 Wan 3.0；重心是一段较短、需要仔细看材质和声音的镜头，可以把 MiniMax H3 放进候选。
主要差异
| 项目 | Wan 3.0 | MiniMax H3 |
|---|---|---|
| 单次时长 | 最长 30 秒 | 最长 15 秒 |
| 输出重点 | 本工作台最高 1080p | 官方公布最高 2K |
| 声音与输入 | 多模态参考与音画创作 | 文本、图片、视频、音频理解，原生立体声 |
| 适合先试的任务 | 分步骤介绍、连续叙事 | 材质特写、声音驱动的短镜头 |
参数参考：Wan 3.0 · Model Studio · MiniMax H3 · official announcement
先把镜头写出来，再比较时长
想介绍一把椅子，你可能需要展示它的外观、坐下的动作和折叠收纳。把三个过程挤在一个很短的镜头里，观众可能来不及理解。此时较长的生成时长能给动作留出空间。
如果只想拍阳光照过木纹、手指轻轻触碰扶手的一次特写，短镜头已经足够。决定模型之前，先写出动作从哪里开始、在哪里结束；时长应该服务于这个过程。
2K 适合看细节，但也要看运动中的细节
MiniMax 公布的 H3 能力包括最高 2K 输出和最长 15 秒的视频。对家具、首饰或包装特写，值得关注纹理在移动镜头里能否保持一致。静止首帧很清楚，镜头转过去以后材质却改变，仍然不能作为稳定的产品展示。
比较时先使用双方都能提供的相近设置，再分别检查最终交付档位。放大看文字、边缘和反光，也回到正常播放速度看动作。不要让一张漂亮截图代替整段视频的判断。
让声音有明确的来源
H3 的官方介绍强调原生立体声。测试时可以安排一件画面里看得见的发声物体，比如钥匙落到桌面，再加入远处的环境声，检查声音的时机、层次和方向是否符合画面。
Wan 3.0 也可以围绕声音和参考素材创作。无论用哪一种，都建议把对白、动作音和背景音乐分开描述。需要听清一句产品介绍时，先别同时要求很强的音乐和嘈杂的人群声。
参考图要帮助模型做决定
一张图负责外观，一段视频负责动作节奏，这种分工比“参考所有素材”更清楚。如果使用的 H3 服务提供首尾帧控制，可以用两张构图相近的图片定义变化的起点和终点，并检查中间过程是否合理。
准备品牌介绍时，也可以先把资料整理成三句话：产品是什么、解决什么问题、希望观众记住什么。让模型围绕这三句话设计画面，再逐步加入品牌图和场景参考。
怎么衡量这次选择是否划算
分别记录生成、等待、重试和人工剪辑的成本。一个细节准确的短镜头，可能比一段需要反复修正的长片更有用；一个顺利完成的长镜头，也可能省下大量拼接工作。
可以先各拍一段相同的产品动作，把能直接留下的片段标出来，再决定后续预算。本文提供选型方法，没有给未经同条件实测的模型打分。
用同一段提示词开始试拍
下面是供你试拍的提示词，不是已经完成的同条件测试。固定时长、画幅和参考素材，观看完整结果后再判断。
一把浅色木椅放在安静的房间里。午后阳光从左侧照进来，镜头缓慢沿扶手移动。一只手轻轻划过木纹，再离开画面。保留椅子的结构和纹理方向，能听到轻微触碰声和远处的风声。
常见问题
更高分辨率一定需要更多参考素材吗？
没有这个必然关系。先保证参考图清晰且一致，再根据具体问题补充。
15 秒不够怎么办？
可以缩小单个镜头的任务，分镜生成后剪辑；也可以尝试支持更长单次生成的工作流。