Appearance
Jackie 的身高，我改了兩次
一場教會的戲拍了兩版之後，我發現模型不看劇本，它看你給它的那張圖
作者：瑞導 日期：2026 年 9 月 28 日
我在 RunPod 上自架 MiniMax H3，拍一部十集的橫屏 AI 網路劇《矽谷之戀》。 第一集第五場：男主角 Richard 剛被裁員，被學長拉去華人教會，禮拜後在聚會廳認識三個女生。
劇本上是這樣：Tony 介紹 Linda、Jenny 和 Jackie，Richard 客氣地笑，Jackie 一直沒說話，最後對他淺淺一笑。 很簡單的一場戲。
這是第一版：
粗剪 v1（9 月 26 日）。不調色、不上字幕的工作版。
看完我寫下的筆記是：介紹像點名、空間忽大忽小、遠景的臉慘不忍睹、三個女生不像本人。
我的第一個反應是換模型。花了一個上午查 Seedance、Kling、Veo 最新的狀況，最後得出一個有點丟臉的結論： 這些問題換哪個模型都會發生。 這就像拍壞了一場戲，第一個念頭是換一台攝影機 —— 但攝影機沒有錯，是我擺的東西不對。
兩天後的第二版：
粗剪 v2（9 月 28 日）。一樣不調色、不上字幕。
中間改了分鏡，但我花最多時間的地方很無聊：把每一張參考圖重做，而且做到對為止。
先講一個前提：H3 吃的是一張「板」
H3 有一個模式叫 Ref2VA，你可以餵它幾張參考圖：角色的臉、衣服，還有一張場景圖 —— 我們叫它「板」， 就是這顆鏡頭一開始的畫面：房間長什麼樣、誰站在哪裡。
我原本以為板只是在交代房間。拍完兩輪我才搞懂：
板上站的是誰，模型就讓誰演。板上的人長什麼樣，影片裡的人就長什麼樣。
提示詞管的是「接下來發生什麼」。板管的是「誰、在哪、長怎樣、多高」。 第一版我把九成力氣放在提示詞，問題卻九成出在板上。
下面是這兩天我講過的筆記，和它們背後真正要改的地方。
「遠景生成的人臉慘不忍睹」
聚會廳的全景裡，三個女生的臉在畫面上只有二、三十個像素。H3 畫出來的是三個陌生人。
我一開始的想法是：那就在提示詞裡把臉寫得更清楚。寫了，沒用。又接了她們的臉部參考圖，還是沒用。
後來查到 MiniMax 自己承認過：臉小到一定程度，模型就是畫不出特定的人，這是系統級的限制。 不是我寫得不夠好，是那幾十個像素裝不下一張認得出來的臉。
所以不要跟它拔河。 我改成在「生板」的時候就把遠景的人做對： 把那一小區放大，讓圖像模型換臉、換體態，再縮回去貼上。 H3 拿到一張「本來就是她們」的板，就不用靠自己去猜。
左：v1 用的板。右：換臉、依真實身高縮放之後。遠景還是認不出五官，但至少不會「看起來是別人」。
「Jenny 比例上太高了」
換完臉，新的問題來了：Jenny 比所有人都高，包括 Tony。
我跟圖像模型說：「讓她的頭頂降到 Tony 眉毛的高度。」 Gemini 很有禮貌地回了一張圖，Jenny 矮了大概一公分。
⭐ 這是我這兩天最實用的一課：圖像模型幾乎不聽尺寸的指令。 它聽得懂「換一件衣服」「拿掉這個人」，聽不懂「矮五公分」。
最後可靠的做法很土：
① 叫模型把她「摳」出來（其他地方全塗成綠色）
② 程式依真實身高算縮放比例 —— Jenny 171、Jackie 167、Linda 158 公分
③ 腳踩在原地，等比縮小，貼回去比例這種事，交給會算數的東西。
「506 的 Jackie 比 Jenny 高，要調整」
然後我改了。
「506 Jackie 還是太高」
然後我又改了一次。
第一次我讓她只比 Jenny 矮一點點（畫面上低 10 個像素），因為照身高算，她只比 Jenny 矮 4 公分。 但 Jackie 站得離鏡頭最近，透視會讓她看起來比實際高，H3 生成時又順手把她拉高了一點。 第二次直接降了半顆頭，才終於看起來對。
真實身高是一回事，畫面上看起來的高度是另一回事。 觀眾只看得到後面那個。
「不要用點名的方式來拍」
第一版的介紹是 Tony 站在中間，一個一個指著說「這是 Linda、這是 Jenny」。 很像開學第一天。
我要的是 Richard 的眼睛：他走過去，先看到三個女生的背影，她們轉過來，然後鏡頭慢慢推近每一個人。
這一次我沒有直接寫提示詞，而是先回到平面圖：
平面圖（牆、窗、椅子、每個人站哪、每個機位在哪）
→ Blender 灰模（同一份座標，每個機位算一張圖）
→ 圖像模型把灰模變成寫實的板
→ H3 拿板當第一格
灰模裡每一根圓柱就是一個人，顏色是那個角色的衣服。
灰模很醜，但它讓我在花任何算力之前，就看到「這個機位 Jackie 會被 Jenny 整個擋住」。 在平面圖上挪一個座標是幾秒鐘的事；等 H3 拍完才發現，是一次開機、一次算圖、一次看片。
⭐ 八月我寫過〈我把上一篇刪掉的那一步，加了回來〉，講的是算圖之前先生分鏡圖。 這一場讓我確定：板就是分鏡圖，只是它同時也是模型的輸入。
「image-2 較自然」
有了灰模，下一步是把它變成寫實的板。這次我沒有只用平常的 Gemini， 而是拿同一組輸入 —— 灰模、四張臉、三張服裝圖 —— 讓五個圖像模型各生一次：
每一列是一個機位，每一欄是一個模型。
差別比我預期的大：
Gemini（flash、Nano Banana Pro） 鏡頭會自己往後退，灰模裡的近景守不住
GPT（image-2、2.5 flare、2.5 sunburst） 照灰模的近景走，臉也最像本人GPT 的三個裡，最新的 2.5 有一個可愛的毛病：我餵了一張三個女生的服裝示意圖， 圖裡的人背著包包 —— 2.5 就把包包也一起帶來了。像去喝喜酒，順手把隔壁桌的伴手禮也拿走。
最後選的是 gpt-image-2。不是最新的，但最自然。
不過也不是一律用 GPT。全廳的俯角遠景，Nano Banana Pro 反而最好：
第一列是俯角全景，Nano Banana Pro 最自然；其餘三列要的是近景，GPT 比較好。
⭐ 沒有「最好的模型」，只有「這一格最適合的模型」。 比一次的成本很低，一張板台幣幾塊錢； 板錯了的成本很高 —— 錯的是用到這張板的每一顆鏡頭。
「臉上的光整體不搭」
換臉這一步有個副作用：參考照是棚拍的正面平光，換到一個逆光的房間裡，臉亮得像打了補光燈。
同一段補光指令，我比了五個模型：
gpt-image-1.5 把整塊都變暗了；gpt-image-2 和兩個 2.5 版本保住了窗戶的亮度，臉也不再像棚拍。這一步我選了 2.5 flare。
有一張板（四個人圍成一圈），我乾脆讓 gpt-image-2 以舊板為底整張重畫，光一次統一：
右下是採用的版本。左下是讓 GPT 直接從灰模生 —— 它沒照灰模走，四個人又排成一排了。
「Richard 身穿深灰衣服，506 的背影顏色不對」
這是我這兩天最喜歡的一條筆記。
506 是 Richard 的主觀鏡頭：他走向那一圈人。H3 很貼心地在畫面左前方補了一個肩膀 —— 它覺得既然是某個人在走，那總得有個人。
然後它自己幫 Richard 挑了一件淺藍襯衫。
Richard 這場穿的是炭灰毛衣。但我在 506 的提示詞裡沒寫他，因為我以為他「不在畫面裡」。 模型不會替你想你沒寫的事 —— 但它會替你決定。
所以這兩版差在哪
| 我說 | 真正要改的地方 |
|---|---|
| 遠景的臉慘不忍睹 | 不改提示詞，改板：放大換臉再縮回去 |
| Jenny 太高 | 不跟模型講公分，用程式等比縮放 |
| Jackie 還是太高 | 看的是畫面上的高度，不是身分證上的 |
| 不要點名 | 先回平面圖和灰模，重排機位 |
| image-2 較自然 | 同一組輸入比五個模型，每一格挑適合的 |
| 背影顏色不對 | 畫面裡可能出現的人，都要交代他穿什麼 |
⭐ 左邊是我看片時的直覺，右邊幾乎都不在「寫提示詞」這一格。 第一版我在問「哪個影片模型比較強」，第二版我在問「我給它的第一格對不對」。 後面那個問題便宜得多，而且答得出來。
如果只能帶走一句：
模型不看劇本，它看板。 先把板生對，再來拍。
本文的環境：RunPod 租用之 GPU，MiniMax H3 剪枝 INT8 開源權重， 於 ComfyUI 部署，Ref2VA、8 步 PDD 加速，輸出 1376 × 768。生板用 gpt-image-2（近景）、 Nano Banana Pro（遠景）、gpt-image-2.5-flare（補光）、Gemini flash（局部修改）；灰模用 Blender。
每天的進度、失敗與抽格我都貼在脆上：瑞導 —— 那邊是當天的原始紀錄，這裡是想清楚之後的版本。
上一篇寫的是提示詞那一層：〈我說「要有喜感」，模型要的是兩個時間戳〉。 分鏡先於算圖的理由見〈我把上一篇刪掉的那一步，加了回來〉。
本文的 RunPod 連結為推薦連結，透過它註冊我會獲得少量回饋，不影響你的價格。