《霜刃》片头曲 · 06 制作记录（交付）

成片：2 分 21 秒 / 1344×768（2.39:1 加黑边）/ 24fps / 立体声 48kHz 制作日期：2026-09-20（生成 03:35→15:28，后期 15:30→16:00）状态：✅ 全流程完成，成片可播 下载页：http://192.168.31.76:8899/46-武侠片头曲项目/

一、交付物

文件	说明	下载页
`post/04_成片_2.39x1_混音.mp4`	交付主片：裁 2.39:1 + 黑边 + 剧名淡入 + 完整混音	链接
`post/04_母版_16x9_混音.mp4`	16:9 母版（不裁幅、不叠字），便于二次剪辑	链接
`post/03_final_239.mp4`	2.39:1 含剧名，静音画面层	—
`post/03_master_169.mp4`	16:9 画面层	—
`post/01_concat.mp4` · `02_grade.mp4`	拼接版与调色版（中间产物，便于回退）	—
`music/v1-male.flac`	主音轨《霜刃引》男声独唱（48kHz）	链接
`music/v2-female.flac` · `v3-duet.flac`	女声独唱版 / 男女对唱版	—
`shots/shot01–18.mp4`	18 个镜头母版	—
`qa/shot*_sheet.jpg`	每镜 6 帧联系表（质检用）	目录
`title/title_xiaobiaosong_1344x768.png`	剧名叠加层（带 alpha）；`title_kaiti_*` 为备选	—
`assets/`	23 张素材（4 角色设定稿 + 9 场景板 + 7 道具 + 3 特写）	目录
相册	18 镜已自动收录（ComfyUI 输出）	http://192.168.31.76:8900 → `video/`

二、成片规格核验

项	实测	目标	结论
时长	141.21 s	音乐 141.52 s	✅ 收在尾奏余韵里
总帧数	3388 帧	17×192 + 124 = 3388	✅ 精确
分辨率	1344×768（2.39:1 内容 + 黑边）	—	✅
帧率	24 fps	24	✅
音轨	AAC 立体声 48kHz，mean −15.2 dB / max −0.2 dB	对齐原歌曲 −15.6/0.0	✅
剧名	135.2s 起 1.4s 淡入，持续到片尾	—	✅ 已抽帧确认

三、生成运行记录

11 小时 53 分钟，18 镜全部成功，零失败、零硬挂。

项	值
时间窗	03:35:32 → 15:28:15
单镜耗时	34–43 分钟（192 帧 / 12 步 / 1344×768），含 5 分钟冷却合计 38–48 分钟/镜
最短	shot18（124 帧）16.4 分钟
底座	`Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors`
节点	官方 `MiniMaxH3ReferenceToVideo`（comfy_extras）+ 独立 MotionContext 包；零加速节点
采样	res_multistep + simple，12 步，单采
冷却	基础 300s + 等温度回落到 ≤62°C；实测出片后 60°C → 5 分钟内降到 44°C
续接	仅镜10→镜11 用 AV latent（`h3_ctx_duizhi`）

09-15 / 09-17 两次整机硬挂的教训全部生效：单镜独立任务、192 帧远离 90 分钟红线、强制冷却、断点续跑、失败即停。连续 11.9 小时满载没有再出现硬挂。

四、过程中抓到的三个真问题（都已修复）

4.1 剧名叠加层根本叠不上去（后期前抓到）

PNG 作为 ffmpeg 输入是单帧流，fade 的时间轴永远停在 t=0，alpha 恒为 0 —— 剧名实际不会出现。修复：加 -loop 1 把字层变成连续视频流。已在 2.39:1 裁幅下抽帧确认落位。

若没在后期前验证，会是「跑完 12 小时才发现片名没上」。

4.2 混音输入标号写反，歌曲被压到 20%（交付前抓到）

-i video -i MUSIC 时 [0:a] 是画面自带的环境音、[1:a] 才是歌曲，我最初把 volume=0.20 加在了歌曲上。实测成片 mean −30.9 dB（原歌曲 −15.6 dB），差 15 dB —— 相当于整片只有气氛没人声。修复：歌曲 1.0 / 环境音 0.20，并关掉 amix 默认的 normalize=1（它还会把每个输入再减半）。修复后 mean −15.2 dB / max −0.2 dB ✅

4.3 AV latent 续接段会短 22 帧（质检时发现）

MotionContextTrim 会裁掉钉入的 22 帧前缀，所以续接段的交付帧数 = 采样帧数 − 22。镜11 因此只有 170 帧（应 192），会让后半段整体比音乐早 0.917 秒。修复：把前一个镜头（镜10，静止的云海远景剪影）末帧克隆延长 22 帧吸收缺口。对画面几乎不可察觉，时间轴精确回到 3388 帧。

这条是方法论级的发现：以后凡是带 AV latent 续接的段，采样帧数要按「目标帧数 + 22」来给，否则整条时间轴会漂。

五、18 镜质检结论

规格：17/18 精确达标（1344×768 / 192 帧 / 8.00s / 带音轨）；镜11 为 170 帧（续接裁剪，已按 4.3 补帧）。镜18 为 124 帧。

画面抽检（联系表见 qa/）：

镜	内容	抽检结论
01	雪原古战场大远景	✅ 构图与场景板一致，缓推到位，无文字无崩坏
05	药庐苏晚回眸	✅ 回眸过程完整、朱红披帛甩出有力、脸干净
08	裴无涯近景	✅ 银面具反光、皮指套叩栏、长街灯火 bokeh 全对，脸无畸变
11	刀剑相击	✅ 双人身份正确、有火星、与镜10 轴线延续
17	雪中擦肩	✅ 双人身份（黑衣狐裘 vs 月白朱红披帛）完全正确，远景无脸崩

未做 FaceRefine：中近景人脸（镜5/8/12）抽检均干净，未发现需要修复的崩坏，因此省下数小时 GPU 时间。

六、后期管线（可复现）

18 镜 → fixup（补帧对齐网格）→ concat（拼接）
      → grade（冷青/去饱和0.90/胶片曲线/暗角）
      → finish（裁 2.39:1 + 黑边 + 剧名 alpha 淡入）
      → mix（《霜刃引》0dB + H3 环境音 −14dB，压缩+限幅）

cd ~/Downloads/h3-tasks/sd-yin
~/Downloads/vlm-env/bin/python post_produce.py --stage all

⚠️ 必须用 ~/Downloads/vlm-env/bin/python（系统 python3 无 requests）。

七、脚本清单

脚本	作用
`h3_shot.py`	逐镜执行器（官方节点图 + 温度冷却 + 断点续跑 + 内存哨兵）
`shots_a.json` / `shots_b.json`	18 镜清单：完整六段式提示词、参考图、seed、latent 配置
`rescue_current.py`	接住 GPU 上正在跑的任务（重启执行器时不浪费在途算力）
`post_produce.py`	后期总装（fixup/concat/grade/finish/mix）
`make_title.py`	剧名排版器（小标宋/楷体两版）
`inspect_shots.py`	镜头质检（规格 + 联系表）
`music_to_grid.py`	歌曲 → 镜头网格换算
`abc_sections.py`	ABC 乐谱段落解析
`yue2_three_versions.py`	三版本歌曲生成
`h3_run.log` / `batch_detached.log`	运行日志

八、v2 修订（用户反馈后返工，2026-09-20 18:00–19:10）

用户审片指出两处「有点搞笑」的动作。诊断结论：都是提示词歧义，不是模型能力问题。

8.1 镜7（48s）男主"背身开门" —— 几何自相矛盾

原提示词同一段里写了「门向内开 + 他背对镜头走出去」，又写了「摄影机在他身后跟随」。 摄影机在他身后 = 门在摄影机背后，这个动作根本无法入画；模型只能自己发明一个能同时满足「背对镜头」与「有扇门」的动作，于是变成背着手开门。

改法：把「开门」与「走人」拆成两个互不干扰的节拍，并禁止任何手部碰门。

0–1.5s 门关着，只有雪落；
1.5s 门自行向外推开（从里面推，画面不出现手或手臂），暖光成楔形洒到雪上；
2.5s 他从门内走出，在光里停一拍（背影/侧后）；
之后斜向左前方走远，雪地留脚印。
负面项：no hand touches the door / never walks backwards / never turns his head。

要点：模型不需要做精细物体交互——只让它同时渲染「一扇自己转开的门」和「一个人往外走」。

8.2 镜8（59s）反派叩栏过快过多 —— "evenly spaced" 被读成连击

原提示词写 taps the stone three times, evenly spaced。「均匀间隔的三次」被执行成了均匀快速的连续敲击，看着像打拍子，反而消解了「老谋深算」。

改法：全程只敲一次，且用静止来演城府。

前 3 秒完全静止，只有抬眸；
3–5.5s 手一动不动搭在石栏上；
5.5s 食指缓慢抬起、停顿、落下一次，一声轻响，之后手彻底静止到片尾。
负面项：one tap only / no second tap / no repeated tapping / no drumming of the fingers。

8.3 返工数据

项	值
重跑镜头	镜7（seed 20260962→20260963）、镜8（20260969→20260971）
耗时	镜7 约 34 分钟 + 冷却，镜8 33.9 分钟 + 冷却，共约 73 分钟
是否影响他镜	否——两镜都不在 AV latent 续接链上（只有镜10→镜11 用 latent）
后期重建	`post_produce.py --stage all --force`，19.2 分钟
修复后复核	镜7 抽帧 49/52/55s：门敞开→走出→背身走远 ✅；镜8 抽帧 59/61/63s：手仅 59s 一次起落、其后完全静止 ✅
响度复核	mean −15.2 dB / max 0.0 dB（与原曲一致）
旧版备份	`shots/_v1_backup/shot07_v1_背身开门.mp4`、`shot08_v1_快速连击.mp4`

⚠️ 坑：备份文件若放在 shots/ 目录下，会被执行器的 shot*.mp4 通配匹配到，导致后期报「镜头数不对：20/18」。备份必须放子目录。

8.4 镜8 v3 —— 改为「坐太师椅」（用户第二次反馈，2026-09-20 19:20–20:30）

用户要求把镜8 从「立于垛口」改成「坐在太师椅上」。这个方向是对的：坐着的反派比站着的更有压迫感，也更贴「老谋深算」。

前置问题：原有 9 块场景板里没有太师椅。让 H3 凭空画椅子风险高，所以先补一块场景板。

步骤	做法	结果
补场景板	即梦 `5.0` + `2k` 生成两张（椅子背对镜头 / 椅子侧对镜头）	0 积分（1110→1110 实测）
选型	用侧对镜头那张（`sc_throne_chair_facing.png`）	背对镜头那张只能拍后脑勺，而本镜核心是「抬眸 + 面具反光」的正面戏
重跑镜8	seed 20260971→20260975，参考图换成新场景板 + 裴无涯三视图	33.5 分钟，192 帧 / 8.00s ✅
后期重建	`post_produce.py --stage all --force`	18.6 分钟

提示词关键改动

椅子「四分之三侧对镜头」，人物从第一帧起已落座，并硬约束 He remains seated in the chair for the entire shot, never stands, never rises and never leans forward（防止模型把人立起来）；
叩击从石栏改到木扶手（wooden armrest），音色由清脆转沉闷，气质更「权」；
保留 v2 的克制节奏：前 5 秒手完全不动 → 5.0s 食指缓慢抬起、停顿、落下一次 → 之后手静止到片尾。

新场景板：assets/sc_throne_chair_facing.png（交付用）、sc_throne_chair_back.png（备选：椅子朝向远处灯火，适合拍「俯瞰江山」的背影镜头，本次未使用）。提示词存于 ~/Downloads/h3-tasks/sd-yin/prompts/sc_throne_chair2.txt。

复核：成片 57/59/61/63s 抽帧确认——端坐太师椅、四分之三侧对镜头、银面具接月光、手搭卷云扶手，仅 59s 一次起落；响度 mean −15.2 dB / max 0.0 dB ✅ 旧版备份：shots/_v1_backup/shot08_v2_站立叩栏.mp4。

8.5 镜8 v4（定稿）—— 站姿 + 明暗交替的脸（用户第三次反馈，2026-09-21 00:30–01:25）

用户定调：回到站姿，不用敲击动作，改用「明暗交替的脸」来演城府。

这个方向比"叩击"高级：光在变、人不变——动作层面的完全静止 + 光照层面的持续变化，才是"看不透"的视听表达。叩击是"人在动"，而静止是"人在忍"，后者更冷。

提示词设计

站姿立于垛口，八秒内身体、头、手、手指全部不动，全程只眨一次眼；
天上的流云反复掠过月亮作为唯一变化源，冷光在脸上三度涨落： 00:00.5 暗 → 00:02.0 满打 → 00:04.0 暗 → 00:05.5 满打 → 00:07.0 微暗；
亮时一侧脸与面具锐利受光、另一侧沉入深阴影（半边脸语言）；暗时几乎只剩面具轮廓，背景暖色灯火反衬成剪影；
音效层同步去掉敲击（no impact sounds and no tapping）。

数据

项	值
重跑镜8	seed 20260975→20260981，参考图换回 `sc_city_tower.png` + 裴无涯三视图
耗时	33.4 分钟 + 冷却
后期重建	18.5 分钟
复核	抽帧 0.5/2.0/3.5/5.0/6.5/7.75s：暗→亮→暗→亮→微暗，六帧头位与视线完全一致 ✅；成片 57/59/61/63s 同样成立 ✅
响度	mean −15.2 dB / max 0.0 dB ✅
备份	`shots/_v1_backup/shot08_v3_坐太师椅.mp4`

三条弯路的价值：v1 快速连击 → v2 站立单次叩击 → v3 坐太师椅 → v4 站姿 + 明暗交替（定稿）。结论：用"光照变化"代替"动作"来演内心，既绕开了模型做精细手势的短板，又比任何动作都更克制。

新增经验：当需要「不动声色地表现压迫感」时，不要写动作，改写成光照事件（流云掠月 / 灯焰摇曳 / 帘影扫过），并明写 does not move his body at all + 具体时间点的光照变化。模型对光照变化的渲染能力远强于对手部动作的控制能力。

九、经验沉淀（下次直接复用）

音乐先行，且用 ABC 乐谱头部拿精确 BPM（比音频估计可靠）；但 ABC 的段落标记不能当音频结构用——实测两者不一致，内容强度要按音频能量包络排。
让 BPM 与 H3 帧数网格对齐：本片 120 BPM → 4 小节 = 8.000s = 192 帧（恰好是 17k+5），剪辑点天然落在乐句上。
192 帧比 260 帧更安全（34–43 分钟 vs 54–86 分钟），且切点更密、片头更活。
场景板作 <Picture 1> 当首帧是控制构图最有效的手段（13 小时那次与本次都验证）。
AV latent 续接段要按「目标 + 22 帧」给采样帧数（见 4.3）。
ffmpeg 叠加 PNG 必须 -loop 1（见 4.1）。
混音时 [0:a] 是画面自带音、[1:a] 是外挂音轨，别写反；amix 记得 normalize=0（见 4.2）。
长跑要脱离工具会话（setsid），并另起一个轻量等待任务挂在会话上以获取完成通知。
冷却不是干等：读温度等回落 + 读宿主内存，这才是 09-15 那次冻死的真正防线。
写动作前先做一遍「摄影机能不能拍到」的几何自检：镜7 的返工就是「背对镜头」与「门在他身后」两条要求互相矛盾——描述里同时出现「背对摄影机」+「摄影机在他身后」+「他从门里出来」时，门必然在镜头背后，模型只能瞎编。每个镜头都要问：机位在哪、主体朝哪、被交互的物体在画面里吗。
不要让模型做精细物体交互（开门闩、握把手、解绳结）：改成「物体自行运动 + 主体随后移动」，把两个动作解耦。
数量词要封顶：three times / evenly spaced 这类会被执行成快速连击。要「克制的一次」就明写 one tap only + no second tap + no drumming，并给出具体时间点（如 At 00:05.500）。用静止演情绪比用重复动作更可靠。
备份文件不要放在被通配的工作目录里（见 8.3 的坑）。

霜刃片头曲-06-制作记录.md