海螺 AI 影片生成 — MiniMax Hailuo 的角色一致性實測

由 FeiYueh 親自審稿驗證 · 最後更新於 2026-09-16

MiniMax Hailuo 02 在 6 秒短片內的角色一致性表現，取決於是否使用「首尾幀」（Start-End Frame）模式：純文字生成的多鏡頭角色臉部漂移率高，而以同一張參考圖鎖定起始幀時，連續三段生成的角色辨識度明顯提高。這是實測 Hailuo 系列最關鍵的操作結論——一致性不是模型內建能力，是輸入端設計出

MiniMax Hailuo 02 在 6 秒短片內的角色一致性表現，取決於是否使用「首尾幀」（Start-End Frame）模式：純文字生成的多鏡頭角色臉部漂移率高，而以同一張參考圖鎖定起始幀時，連續三段生成的角色辨識度明顯提高。這是實測 Hailuo 系列最關鍵的操作結論——一致性不是模型內建能力，是輸入端設計出來的。 Hailuo 是什麼：MiniMax 的影片生成產品線 Hailuo（海螺）是中國 AI 公司 MiniMax 推出的影片生成模型，2024 年 9 月首次發表 video-01，2025 年 6 月推出 Hailuo 02。MiniMax 成立於 2021 年，投資方包含阿里巴巴與騰訊， 「MiniMax 於 2025 年 6 月發表 Hailuo 02，支援 1080p 原生解析度與 10 秒時長」（來源：MiniMax 官方公告） 。 模型架構上，Hailuo 02 採用 MiniMax 稱為 NCR（Noise-aware Compute Redistribution）的訓練架構。官方宣稱該架構讓 「訓練與推論效率相較前代提升 2.5 倍，模型參數量達前代 3 倍、訓練資料量達 4 倍」（來源：MiniMax 官方公告） 。實務上這反映在物理模擬的合理度——體操翻滾、水花濺起這類高動態場景，Hailuo 02 的肢體崩壞率低於同期多數開源模型。 產品線目前包含幾條路徑：文字轉影片（T2V）、圖片轉影片（I2V）、首尾幀模式，以及 2025 年下半推出的 S2V-01 主體參考模式（Subject Reference）。最後這條，正是角色一致性的核心。 角色一致性為什麼難：擴散模型的結構性限制 影片生成模型的角色漂移，源自每次生成都是獨立的去噪過程。模型不會「記得」上一段影片裡角色長什麼樣，除非你在輸入端提供錨點。這與 LLM 的上下文記憶完全不同——影片模型的「記憶」只存在於單次生成的 latent 空間內，跨生成即歸零。 三種常見的漂移類型必須分開處理： 幀內漂移 ：同一段 6 秒影片內，角色臉部隨鏡頭移動而變形。這通常發生在角色轉頭超過 45 度、或鏡頭快速推近時。 幀間漂移 ：兩段獨立生成的影片，同一提示詞卻產出不同長相的角色。這是最常見也最致命的問題。 服裝與配件漂移 ：臉部維持住了，但衣服顏色、髮飾、手持道具在段落間變化。 學術界對此已有系統性研究。 Animate Anyone 論文（Hu et al., 2023） 提出以 ReferenceNet 保留參考圖的細節特徵，是目前多數商用模型處理一致性的技術基礎。理解這點很重要：所有宣稱「角色一致」的商用產品，本質上都是在做參考特徵注入，而不是模型真的認得你的角色。 實測方法與三種模式對照 測試設計為同一角色設定、跨三段連續劇情，比較三種輸入模式的一致性表現。角色設定固定為：「28 歲亞洲女性，齊肩黑髮，銀框眼鏡，米色針織衫」。三段劇情分別為：走進咖啡廳、坐下打開筆電、抬頭看向窗外。每種模式各生成 3 次，取樣本觀察。 模式一：純文字提示（T2V） 純文字模式的跨段一致性最差。即使提示詞完全複製貼上，三段影片產出的角色在臉型、髮長、眼鏡框粗細上都有明顯差異。這是可預期的結果——沒有視覺錨點，模型每次都從隨機噪聲重新詮釋文字描述。實務結論：純文字模式只適合單鏡頭、不需要角色延續的素材。 模式二：圖生影片（I2V） I2V 模式下，角色的起始幀完全鎖定，但漂移發生在影片後段。前 2 秒角色與參考圖高度吻合，3 秒後隨動作幅度增加，臉部細節開始偏移。當角色做出參考圖中未呈現的動作（例如低頭、側身），模型必須「想像」未見過的角度，此時漂移最嚴重。 降低漂移的具體做法：參考圖使用正面偏 3/4 角度的半身構圖，而非純正面大頭照。3/4 角度提供更多立體資訊，模型推測其他角度時的誤差較小。另外把提示詞的動作幅度壓小——「緩緩轉頭」比「快速轉身」的一致性高出一截。 模式三：首尾幀 + 主體參考 首尾幀模式是目前最穩定的方案。提供起始幀與結束幀兩張圖，模型只需要補中間的運動軌跡，角色的兩個端點都被鎖死，漂移空間大幅壓縮。搭配 S2V 主體參考，跨段一致性再提升一級。 操作上的關鍵是「幀鏈接」：第一段影片的最後一幀，截圖後當作第二段的起始幀。這樣串接三段，角色的視覺連續性能維持在可接受範圍。代價是每段之間的過渡會略顯生硬，需要在剪輯階段用轉場處理。 Hailuo 在市場中的定位 Hailuo 的優勢在動態物理與成本，不在角色一致性。與 Google Veo 3、OpenAI Sora 2、Runway Gen-4 相比，Hailuo 02 的高動態場景表現排在前段，但在長片段的角色穩定度上，Runway Gen-4 的 References 功能與 Ve

由 FeiYueh 親自審稿驗證 · 最後更新於 2026-09-16. Independently maintained — not AI-generated boilerplate.