想控制生成成本，做出一镜到底的观感，可以先用单个角色、同一个场景来尝试 MiniMax H3 的视频延长。先确定人物和场景的起始画面，生成第一段视频，再提取这段视频的尾帧作为下一段的首帧继续生成。首帧能把人物外观、服装和当前环境传递给下一段，帮助维持前后画面大体一致。
H3 单次生成最长 15 秒，更长的内容需要分段生成后再拼接。采用尾帧续接时，最好减少角色数量，保持动作和运镜连续，尽量不要让多个角色陆续出场，也不要频繁切换机位和景别。画面变化越多，人物和环境就越容易走样，需要返工核对的地方也会跟着增加。
用尾帧续接同一镜头
先看下面这个约 13.2 秒的真人案例：男生拿着笔记本走到教室门前，停下后抬手开门。播放时可以留意，走到门前和伸手开门这两个动作之间，有没有明显的接缝。
整体看下来，动作比较连贯，第一眼不太容易看出它是由两段视频续接的。我们再回到前半段，看看它是怎么做出来的。
前半段先用文生视频生成，时长约 6.58 秒。男生走到教室门前就停了下来，还没有伸手碰门把。
前半段的实际提示词：
Photorealistic live-action cinema, natural human movement, 16:9. A young adult East Asian man with short black hair wears a charcoal zip-up hoodie over a light gray T-shirt and dark trousers. He holds a small black notebook in his LEFT hand throughout. His empty RIGHT hand remains relaxed beside his body. A closed wooden classroom door with a brass lever handle is on screen right. Over six seconds he takes two unhurried steps from screen left toward the door, then stops within reach of the handle. He does not touch or open the door yet. Hold his final standing pose briefly. Fixed medium-wide three-quarter side view from his right side, both hands and the handle clearly visible, warm afternoon sunlight from screen left. One uninterrupted shot, no cuts, no camera movement. Audio: natural footsteps, subtle clothing rustle and quiet empty-school ambience. No speech, music, titles or subtitles.
要让他继续开门，我们用程序提取这段视频的最后一帧，作为下一段视频的首帧。下面这张图，就是两段视频交接时的画面。
接下来的提示词只往后写：男生抬起右手，握住门把，再推门。前半段提示词原本写的是压杆式门把，实际画面却生成了圆形银色把手，所以续接时也按画面中的把手来描述，保留人物的服装、左手笔记本和走廊光线。
尾帧续接的实际提示词：
Photorealistic live-action continuation from the supplied first-frame image. Preserve the same adult man, face, charcoal hoodie, gray T-shirt, wooden double door, round silver doorknobs, and warm afternoon light. Over six seconds he raises his empty RIGHT hand, reaches for the round silver knob closest to him on the left door leaf, turns it and gently pushes that door leaf inward into the classroom. The other door leaf stays closed. His LEFT hand keeps holding the same small black notebook beside his torso. He stays beside the doorway. Keep the camera fixed with the same framing and perspective. One uninterrupted shot, no cuts. Audio: subtle sleeve rustle, one soft latch click, a brief natural hinge creak and quiet school ambience. No speech, music, titles or subtitles.
后半段同样约 6.58 秒，把两段直接拼起来，就得到了开头的视频。这个例子选在人物停下时续接，前后动作比较容易连起来。拼好后再完整播放一次，看看接头处是否多了一次停顿。
抽帧建议交给程序自动完成：读取源视频的帧序列，按原始宽高导出 PNG，并校验输出尺寸与解码画面一致，这样可以避开手动截图带来的缩放、裁切和额外压缩。本例导出的图片保持 1344 × 768，像素与源视频对应的解码帧一致。不过抽帧本身不能修复画面变形；如果结尾出现动态模糊或肢体走样，可以让程序提取稍早一点的清晰帧，拼接时再把原视频这一帧之后的部分裁掉，避免动作重复。
本例分别尝试了首帧生成和参考生成。使用首帧生成时，不能同时追加人物或场景参考图；如果要补充参考，可以改用参考生成。参考图能提供人物、服装、环境和构图信息，但不会固定视频的第一帧。
参考生成的衔接效果如何？
为了对比参考生成的效果，接下来把同一张尾帧用作 H3 的图片参考，沿用相同的开门动作要求、分辨率和设定时长。这里不固定首帧，也不追加其他参考图。两种模式各生成一次，直接比较这组画面的衔接情况。
前半段与参考生成版直接拼接的效果：
参考生成版同样约 6.58 秒。人物、连帽衫和门外环境大体保留了下来，但开头的站姿、肩部和手臂位置，以及镜头构图都与前一段末尾没有完全对齐，直接拼在一起能看出明显的画面跳变。
分镜转场来解决衔接跳变
当参考生成在相近机位下直接拼接出现跳变时，可以在必要的位置插入一个特写来过渡。这里只用少量切镜处理接缝，镜头仍然围绕同一个开门动作展开。我们用程序从开门视频约 2.5 秒处抽取了一帧右手已经握住圆形银色门把的画面，把整张图放进 H3 参考生成，作为环境、衣袖和手部的参考，直接要求生成门把手的近景特写。这一步没有另外绘制新的分镜静帧，也没有把这张图设为首帧。
门把手特写的实际提示词：
Photorealistic live-action close-up insert. Use <Picture 1> as the reference for the SAME right hand already gripping the SAME round silver doorknob, the charcoal hoodie sleeve, wooden door and afternoon sunlight. Reframe to a TIGHT CLOSE-UP from the same corridor side. Show ONLY the hand-covered knob on the IMAGE-LEFT door leaf, to the LEFT of the vertical center seam. The other knob on the image-right door leaf must remain completely outside the frame. Start already close on his RIGHT hand gripping this knob exactly as in the reference. Over four seconds, the fingers tighten naturally and the wrist makes one small turn to release the latch. Keep the wooden door closed; hold the turned knob at the end, ready for the next opening shot. Show one anatomically natural right hand and one knob only. Locked camera, no zoom, no cuts, no face or full body. Audio: faint sleeve rustle, a quiet metallic turn and one latch click over quiet school ambience. No speech, music or text.
这段特写原片约 4.46 秒。剪辑时，前半段保留约 3.75 秒，接上约 2.5 秒的门把手特写，再切回前面的参考生成版开门视频，并裁掉其中重复伸手和转门把的过程，直接从门被推开的位置接上。三段视频只做切镜和时长裁剪，没有做补帧、变速或叠化转场，合在一起约 9.83 秒。
插入近景后，两次切镜把开门动作接了起来，前后两个中景之间也有了过渡。用这种方式处理接缝时，主要核对具体细节是否前后对应：是不是同一只手、门把是不是在同一侧、衣袖颜色和走廊光线有没有明显跳变，以及切回中景时有没有把伸手动作再演一遍。频繁增加新机位会让前后画面更难保持一致，这里只保留推进动作所需的特写。
30s 的长视频
同样的尾帧续接方式，也可以用来制作更长的剧情片段。真人夜间怪谈《门外无人》分三段生成：男人听见敲门声，走过去开门，发现门外没人；等他回头时，一个女人已经站在屋内。第一段用文生视频生成，后两段都由程序提取上一段的最后一帧作为下一段首帧继续生成，每段约 10 秒。
第一段结尾停在右手握住门把，第二段从开门开始，结尾停在人物准备回头，第三段接着完成转身，露出屋内的女人。提示词先交代上一段结束时的人物状态，再写下一段要发生的动作，续接时起点会更明确。
下面展示的是 26 秒剪辑版，使用 MiniMax H3、768p 生成。三段原片先拼成 30 秒，再裁掉开头 4 秒的多余画面。裁剪开头画面时，原本的敲门声也被一并切掉了，所以后期把这段敲门声从原片里单独取出来，重新接回成片开头，保留“先听见敲门，再起身开门”的顺序。
这个案例连续用尾帧接首帧，沿用了男主的衣服以及房间里的窗帘、沙发和台灯，最后一段只靠文字描述引入女人，没有额外提供她的角色参考图。由于这个女人只在结尾出现，这里并没有验证她在后续镜头里能不能保持一致。成片里的声音也经过了单独剪辑，不能当作模型一次性直接生成的完整结果。
人物、场景与声音的一致性
当画面外的人物或物品重新进入镜头时，只靠上一段尾帧可能不够。在 Reddit 关于 H3 视频延长的讨论中，一位评论者举例：第一段里有三个角色，但结尾画面只拍到两个人，如果下一段没有补充第三人的参考信息，这个角色再次入镜时外观就可能变样。遇到这种情况，可以在参考生成里补上原始角色图，或者先利用这些参考做出下一张分镜图。
连续多轮生成还可能逐步累积色差、面部细节变化和画面噪点。在 Reddit 社区经验分享中，有创作者尝试用关键帧来约束画面，也有人提醒多轮续接后画面仍然可能走样。每生成完一段，最好先检查人物、服装和光线；如果发现尾帧已经变糊或变形，就退回前面清晰的画面重新调整当前片段，不要把问题带到下一段。
Tips：声音一致性需要后期处理
首帧主要提供画面信息，单靠它很难维持多段视频之间的声音一致。即便保留模型生成的原生音频，前后片段也不一定能自然接上。接缝处可能出现音量变化、环境声不同、音乐节奏断开或人声声线变化；在 Reddit 上的视频延长求助帖中，也有用户提到连续生成几段之后音频会逐渐走样。
剪辑时在接缝处做简短的音频淡入淡出、让前后两段环境声稍微重叠，或者在底层统一铺一条背景环境音，只能缓和一部分突兀感，也很难彻底解决声音的连续性问题。如果遇到对白重复、声线明显变化或配乐接不上的情况，仍可能需要重新生成，或者单独配音、替换环境音和音乐。
