测什么
剧本是一场二十秒的宵夜戏：两个年轻女人在小馆子里对坐，一人举杯说要请客庆祝方案通过，另一人说甲方又要改，前者改口「那 AA 吧」，两人笑开。四个镜头，五句台词，桌上有两只杯子、两双筷子和几碟菜。
所有方式用同一份剧本、同一张场景图和同样的人物参考照，一次生成整场戏。提示词基本相同：本地第一条出片后，发现「外套敞着」的「敞着」会让外套丢失，之后的各条删去了这两个字。每种方式只出一条，用一个随机种子，生成失败后重试的不计。评判看四样：人物前后是否一致；台词是否说对、由对的人说；桌上的杯子筷子前后是否对得上；镜头切换是否合理。
本地机器：Mac Studio，Apple M5 Max（18 核 CPU、40 核 GPU），128GB 统一内存，macOS 27。云端成本按所用订阅的实付价折算成元，再除以片长，只作大概参考。
组合视频（无声并排；为控制文件大小，帧率统一压到每秒 30 帧以内）：
组合图（每条取最能说明问题的一帧）：
云端模型
| 模型 | 规格 | 片长 | 生成时间 | 每秒成本 |
|---|---|---|---|---|
| Seedance 2.5 | 480P，60 帧 | 20 秒 | 不到 5 分钟 | 约 0.54 元 |
| MiniMax H3 | 768P，24 帧 | 15 秒 | 5.5 分钟 | 约 0.62 元 |
| Wan 3.0 Prime | 480P，30 帧 | 15 秒 | 2 分钟 | 约 0.32 元 |
| Vidu Q4 | 540P，24 帧 | 15 秒 | 12.6 分钟 | 约 0.22 元 |
| Seedance 2.0 Mini | 480P，24 帧 | 15 秒 | 3 分钟 | 约 0.35 元 |
| Kling O3 | 720P，24 帧 | 20 秒 | 9.5 分钟 | 约 0.48 元 |
实际分辨率：Seedance 2.5 与 Wan 3.0 Prime 为 854×480，MiniMax H3 为 1344×768，Vidu Q4 为 960×528，Seedance 2.0 Mini 为 864×496，Kling O3 为 1280×720。Kling O3 单次最长 15 秒，这条是两段各 10 秒拼接。另有 Wan 3.0 普通版一次出 20 秒，两次都停在 99% 未出片，平台退回费用。
本地模型：MiniMax H3
本地用的是 MiniMax H3 开源模型，规格 864×480、每秒 24 帧，不花钱，比的是跑法和精度。
| 模型和跑法 | 精度 | 片长 | 生成时间 |
|---|---|---|---|
| MiniMax H3 原生 | 16 位原版 | 15 秒 | 36 分钟 |
| MiniMax H3 ComfyUI | 剪枝 16 位 | 15 秒 | 79 分钟 |
| MiniMax H3 ComfyUI | 剪枝 8 位 | 15 秒 | 79 分钟 |
| MiniMax H3 ComfyUI | 完整版 8 位 | 15 秒 | 79 分钟 |
问题
杯子、筷子前后对不上的错误，10 条都有，只是多少不同。下表记人脸和其余问题。
| 方式 | 人脸 | 其余问题 |
|---|---|---|
| Seedance 2.5 | 正常 | 第 19 秒出现三双筷子 |
| MiniMax H3 云端 | 正常 | 末句台词说话人错 |
| Wan 3.0 Prime | 正常 | 杯子筷子不断变化 |
| Vidu Q4 | 不理想 | 杯子筷子数量不对 |
| Seedance 2.0 Mini | 不理想，开头变形 | 三双筷子；筷子变杯子 |
| Kling O3 | 不理想 | 凭空多出杯子；台词不符 |
| 本地 H3 原生 16 位 | 正常 | 外套丢失 |
| 本地 H3 ComfyUI 剪枝 16 位 | 有瑕疵 | 嘴部有瑕疵 |
| 本地 H3 ComfyUI 剪枝 8 位 | 脸花 | 嘴部问题明显 |
| 本地 H3 ComfyUI 完整版 8 位 | 脸花 | 嘴部问题明显；印出字幕 |
几处细节：
- Seedance 2.5 台词和切镜没有出错；画面左上角带「AI生成」角标，且只接受本平台生成的人脸作参考，人物要在平台内重画。
- Kling O3 第 1 到 2 秒，一人把自己的杯子推给对面，第 3 秒起对面又多出一只杯子。
- 本地 H3 原生那条丢外套，是因为提示词写了「外套敞着」；之后各条删去「敞着」两字，外套都在。
- 本地 H3 ComfyUI 完整版 8 位那条，画面底部自己印出了逐句台词字幕，其中有错字。
几点发现
- 杯子筷子是共同的难题。 两个人对坐吃饭、拿杯子拿筷子，10 条没有一条从头到尾全对，区别只在错得多少。
- 人脸差距在少数几家。 云端 Vidu Q4、Seedance 2.0 Mini、Kling O3 三条人脸不理想，其余三家还行；本地 8 位的两条脸花。
- 本地 H3 原生跑法更快，效果也更好。 同是 MiniMax H3、同一提示词，原生跑法 36 分钟，ComfyUI 约 79 分钟。
- 8 位精度不如 16 位。 ComfyUI 的两条 8 位，脸和嘴都明显不如剪枝 16 位。
- 提示词里的修饰词会被当真。 「外套敞着」四个字，让一条片子丢了外套。
声明：这是一次小范围的个人评测，只用了一个剧本，每种方式只出了一条，提示词写法、参数设置也可能有使用不当之处，结果仅供参考。