H3 Motion Transfer — Subject-First Reconstruction (动作迁移) 的经验和提示词分享

AI Dance Paradise·约 3 分钟阅读

2026年10月8日10月8日

部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗

媒体暂未收录，可在原文中查看

H3 动作迁移教程：把别人的舞跳到自己角色身上（8-9秒完整方案）

一、这是在做什么

一句话：给 H3 三样东西，让它拍一段"你的角色在你的世界里，跳别人的舞"。

图片1（人物锚定图）管人物外观、服装、环境、光线，是唯一权威；视频1（目标动作视频）只贡献"动作怎么跳"和"镜头怎么拍"；音频1是时序权威，用BPM、重拍、乐句决定动作什么时候发生。

效果可以看案例成片：目标视频是一段黑裙抹胸裙的室内踢腿小舞（转体、点步、踢腿、手势、收势），迁移之后变成青绿仙裙在湖边石上的同构编舞——动作机制逐拍对应，但人物、服装、湖光山色全部来自图1，像同一位仙侠角色在片场重跳了这支舞。

二、为什么需要专门一套提示词

直接把目标视频丢给 H3，最常见的三种翻车：一是人脸渗漏，目标视频里舞者的脸、发型、身材混进结果；二是环境跟拍，舞者的白墙房间跟着动作一起被搬了过来；三是节奏错位，动作照抄原视频的节奏，和你给的音频对不上。

解法是把三个输入拆成互斥的信息通道，每个通道只许管自己的事：

图片1 = 人物、服装、身份、环境、世界

视频1的首帧 = 镜头几何 + 开场体态（仅此两样）

视频1的其余部分 = 动作机制 + 转场 + 镜头行为

音频1 = 时序、节奏、重拍、乐句

配套三条核心纪律。

第一，SUBJECT-FIRST 初始化顺序不可逆：先立图1的人，再立图1的世界，然后才重定位镜头，再接视频1的开场体态，最后重建运动。从"视频1出发再换人"是错误路径。

第二，首帧只当取景器：视频1的第一帧只读景别、距离、高度、角度、构图、朝向，人、景、衣、光全部丢弃。

第三，视频1是动捕参考：只提取运动机制（重心转移、落脚、骨盆、手臂路径、幅度速度），不逐帧复制画面。

提示词末尾还带一份八项 FINAL VALIDATION 自检（人物对不对、背景对不对、开场几何对不对、视频1的人弃了没有、景弃了没有、运动是机制还是照抄、时序重定没有、镜头在图1世界内吗），生成前逐条过，任何一项为否就重建。完整文本在案例仓库的 prompt.md。

三、硬约束：单次最长 8-9 秒

H3 动作迁移单次生成上限约 8-9 秒，这是整套流程里最重要的硬约束。

目标视频超过 9 秒的处理办法：先剪到 8-9 秒，或者按乐句拆成多段逐段迁移再剪辑拼接。拆段时每段都要带自己的音频切片，段间用同一条图1保证人物和世界一致。

案例成片 9.4 秒就是顶着上限跑的（工作流时长节点 9 秒，124 帧，24fps）。超限的代价是动作漂移、身份崩坏、尾部被截断。

四、工作流速览（ComfyUI）

案例仓库里附了可直接拖进 ComfyUI 的工作流 json（h3-motion-transfer-workflow.json），要点如下。

模型：minimax_h3_hybrid_fl2va_ref2va，加 ref2v_turbo_4step LoRA，加 SageAttention 补丁。

通道：双通道可切换——标准 20 步 simple 调度，或 turbo 6 步加手动 sigma。

调度推荐：高动态场景（打斗类）用 beta 8 步加 ExtendIntermediateSigmas(2, 0.75)；低动态场景（文戏类）用 beta 4 步加 (3, 0.75)。

分辨率与时长：1344x768，时长节点 9 秒（124 帧，24fps）。

续接：取尾帧 22 帧加 ImageAddNoise（权重 0.2-0.5）缓解油腻感，注意成片剪辑时要把加了噪声的前 22 帧裁掉。

五、常见坑

目标视频先剪后喂。不要指望 H3 自己截取，超过 9 秒必漂。

图1给全身加环境。它是唯一的世界来源，半身图会导致下半身和背景被模型发明。

选目标视频看机制不看长相。裙装动作用裙装目标迁移最稳，披发角色配披发目标发丝物理更自然。

拆段拼接点选在目标视频的动作收势帧，两段之间用同帧率的静帧过渡，比硬拼自然。

六、去哪拿全部材料

案例仓库（提示词全文、工作流 json、9.4 秒成片对照）：

全文完

继续阅读