MiniMax 官方 CLI 来了！🦞 20 分钟搓出一部电影片段，疯了（附完整干货）
就在刚刚，MiniMax 发布了其首个官方命令行工具 —— MMX CLI。
一个专门为 AI Agent 打造，可以在任意 Agent 或终端中生成文字、图像、视频、音乐、语音的工具。
建议某看看，什么叫 Token Plan？这才叫 Token Plan。
-
• 文本对话 — 多轮对话、流式输出、系统提示词、JSON 格式输出
-
• 图像生成 — 文生图，支持比例和批量控制
-
• 视频生成 — 异步生成，进度追踪
-
• 语音合成 — 30+ 音色、语速调节、流式播放
-
• 音乐生成 — 文生音乐，支持自定义歌词
-
• 图像理解 — 图片描述与识别
-
• 网络搜索 — MiniMax 搜索引擎
-
• 双区域 — 国际版（
api.minimax.io）和国内版（api.minimaxi.com）自动切换
恰好这几天我一直在研究如何最大化利用 MiniMax 内的音频、视频、图片用量。
说实话，Max 套餐，每天 120 张 Image-01 生图，4 个海螺 2.3音频，以及 4 首 Muisc-2.5 的用量，不用真的很浪费。
虽然模型目前不是业内顶尖的，但是放在 25 年底的那一档里还是可以打的。
我花了 20 分钟，全程和 Openclaw 聊天，从剧情创意、到分镜、到参考图、到音乐背景、到成片。
题材是鬼片，至于为什么这样做，后面有介绍。
先看成品，一个纯理科生，没有任何影视经验，靠着自己的理解完成。
如果看完你有触动，感觉想试试，那么再往下看，我把自己的经验，全盘托出。
一、如何使用？
首先把 CLI 工具的地址发给 openclaw，让它进行安装。
https://github.com/MiniMax-AI/cli
聪明的 agent ，装好以后会做几个测试的内容，确保服务本身是通的。
🔻MMX quota show 查询套餐余量
TTS、音乐、Text 就不说了。
主要来说说，我对图片，视频模型的理解。
根据套餐内容，MiniMax Token Plan 可以使用的模型有以下特点。
1. image-01（图片）
-
• 文生图：prompt → 图片
-
• 图生图：
subject_reference锁定角色一致性 -
• 批量生成：
n=1~9，一次最多9张 -
• 自定义尺寸：width/height 512-2048px（必须是8的倍数）
-
• 返回格式：URL（24小时有效）或base64
2.MiniMax-Hailuo-2.3 / 2.3-Fast（视频）
不支持首尾帧、不支持主体参考！
-
• 图生视频：必须传
first_frame_image（公网URL或base64） -
• 格式：JPG, JPEG, PNG, WebP
-
• 体积：小于 20MB
-
• 文生视频：仅 Hailuo-2.3 支持
-
• 运镜指令：免费支持15种
[指令]语法，每组不超过 3 个复合运镜。 -
• 时长：仅6秒
-
• 分辨率：仅768P
二、实战篇
纯干货，利用最合适的方法，把这些模型用量串起来。
Step 1：脚本规划
MiniMax Max 套餐每天 4 个视频是上限。
所以的工作都是围绕 4 个视频额度来做的。
所以我们必须和 AI 讨论，先设定明确的场景、分镜、提示词。
每一个分镜、运镜，至少保证 3、4 个可选项以上，用 LLMs 抽卡来弥补质量缺陷。
1️⃣ 分镜
剧本就不说了，直接让 AI 现编内容，自己升华。
重点是分镜。
建议把人物描述、场景描述、灯光分为全部纳入，包括一些硬编码的尺寸。
2️⃣ 运镜脚本
运镜脚本很关键，hailuo-2.3 支持 6s 的视频，这 6s 可以做很多的镜头切换。
运镜脚本是画面感最重要的部分。根据前面提到的最多 3 个镜头组合的方式，把分镜细化到运镜级别的提示词。
最好再加上 [1s-2s] 这样的人工强制分镜切片。
Step 2：角色与场景
图片的量最大，120 张每天，每组 4 张的话，我们可以做 30 组分镜场景。
先抽卡一批，[文生图]，筛选剧情角色。
这里不建议用 CLI，建议直接走 API ，一次性生成 5 张以上的。
设定 ref 角色为参考图，使用 [图生图] ，根据分镜提示词把视频的首帧做出来。
平均一个视频镜头，可以有 7 组的选择余地。
# 步骤1：生成角色参考图（9张选1）
image-01: n=9, prompt="疲惫女子，深蓝oversized西装，白色圆领..."
# 步骤2：用角色参考生成4个场景（shot5/7/8/9）
for shot in ["shot5", "shot7", "shot8", "shot9"]:
image-01 I2I:
subject_reference=[character_ref],
n=4, # 每张场景4张选最优
aspect_ratio="16:9"场景的话，选择文生图提示词。
同样是抽卡，让 AI Agent 结合剧本分镜自己写提示词做。
Step 3：视频生成
视频提示词。
我的建议是能用首帧 [图生视频] 的，就不要做 文生视频。
它是场景一致性的延续。
比如简单的文生视频，提示词写得再好，也没办法确保一致性。
一个余量就浪费掉了。
🔻文生视频无法保证一致性
大家不要认为首帧参考图就会固定画面。
通过运镜、提示词变化，同一个视频里的场景完全是可以做到转移的。
前 2 秒的首帧视频，只是场景内变化。
3s 以后的场景，可以在同一个视频内的逻辑范围下，转换角度、变焦、画面。
相当于把一个视频拆开来用。
这里再提 2 个视频生成的小技巧。
1️⃣ 6s 内多场景。
一个视频只有 6s 没错，但是很多分镜场景我们不需要用到 6s 。
所以一个 图生视频 = 首帧参考图 + 文生视频。
充分利用 6s 内的镜头变化，用来拆分出更多的短时间镜头，通过后期的镜头语言、剪辑软件进行拆分，用量就上来了。
2️⃣ 首尾帧一致性
安装 ffmpeg 插件。
通过脚本，我们对视频的最后一帧进行提取。
for clip, shot in [("clip5", "shot5"), ("clip7", "shot7")]:
url = upload_catbox(f"{shot}.png")
# Hailuo生成6秒视频
hailuo_2.3_fast:
first_frame_image=url,
prompt=f"{scene_desc} [运镜指令]",
duration=6,
resolution="768P"
# 提取尾帧供下一条使用
extract_lastframe(f"{clip}.mp4", f"{clip}_lastframe.png")这一帧的画面，我们继续作为下一个视频的首帧。
这样画面就连贯的。
但是这里要注意的是，跨视频不能做人物分镜。
因为第二个视频已经没有第一个视频里的人物参考图了。
这个时候镜头里的人物相当于是文生图。
上个视频还是女主角，下个视频人物一回头已经是一个男人。
所以 ffmpeg 的画面延续只能用在 上一个画面尾帧有人物正脸，或者纯场景的。
Step 4：音频与合成
hailuo 2.3 全系列出来的视频都是默片。
没有声音。
我们需要为视频片段创建合理的背景音、语音。
音乐支持纯音乐、歌词音乐。
想要氛围感强一点的，可以将歌词替换为呢喃声，轻声低语的，比纯音乐效果更好。
# 生成呢喃BGM（分段拼接）
for i in range(4): # 4段6秒=24秒
tts_async:
text="嗯～嗯嗯～啦啦～啊～",
voice_id="Chinese_Sweet_Lady"
# ffmpeg最终合成
ffmpeg_concat_video(clips=["clip5.mp4", "clip7.mp4", "clip8.mp4", "clip9.mp4"])
ffmpeg_add_bgm(video="concat.mp4", audio="humming.mp3")人物出声的话，多听听内置的音色，选择合适的，通过语速、语调、音量，来分段控制，合并。
最后，所有的视频、音乐、语音 TTS。
通过 FFMPEG 进行合并。
小技巧就是，可以留适当的空帧，用空镜头来增加氛围感和节奏感。
三、资源最大化策略
策略1：图片批量抽卡
# 最优：单次n=9
payload = {
"model": "image-01",
"prompt": "疲惫女子，深蓝西装...",
"n": 9, # 一次9张选最优
"aspect_ratio": "16:9"
}
# 120张额度 = 13次API调用（9×13=117张，余3张）策略2：角色一致性锁
# 用subject_reference锁定角色
payload = {
"model": "image-01",
"prompt": "同一个人在地铁站...",
"subject_reference": [{
"type": "character",
"image_file": "https://catbox.moe/xxx.png"
}],
"n": 4
}策略3：视频运镜优化
# 15种指令免费可用
payload = {
"model": "MiniMax-Hailuo-2.3",
"first_frame_image": "https://catbox.moe/shot.png",
"prompt": "女子走进车厢 [推进，变焦推进], 然后看向窗外 [左摇，上升], 镜头[固定]",
"duration": 6,
"resolution": "768P"
}15种运镜指令：
-
• 移动：
[左移][右移][推进][拉远][上升][下降] -
• 摇镜：
[左摇][右摇][上摇][下摇] -
• 变焦：
[变焦推近][变焦拉远] -
• 其他：
[晃动][跟随][固定]
策略4：视频尾帧接续
image-01生成首帧图 → Hailuo 2.3生成视频
↓
FFMPEG 提取尾帧 → 作为下一条首帧
最后
最后，讲三个，在我看来是现在做 AI 视频很关键的部分，可以弥补模型的缺陷。
镜头语言，AI 特色，空镜。
其一，镜头语言
前端时间很火的 《纸手机》，给我最大的启发，就是镜头语言。
短篇里，很少有多个人物出现在同一个场景下的画面。
大部分都是近景、人物特色、视线外放。
没错，人物的视线是往外的，看向镜头之外，观众会自动脑部空间，减少 AI 的出错，增加镜头的语言，补充观众的想象，一举三得。
通过对视线、想象、声音、空镜的组合，感官上就会自动推动剧情发展，这是比单独一个画面来演绎更高级、更自然的方式。
其二， AI 特色。
天然适合鬼片。
鬼片就是抽象的，不讲逻辑，存在画面故障的。
我刚才放的片子里，闹钟场景其实就是 AI 的一个废片，但是放到鬼片里，却增加了氛围感。
还有抽象的人物镜头行动方式，夸张的表情，浮夸的动作。
这些在正常片子里一眼假的内容，在鬼片里，是不是就符合逻辑了！
天才！出院！
其三，空镜头。
空镜头，可以理解为黑屏或者纯场景画面。
它对人物一致性的要求很低。
适当的空镜转场，可以调动视频的节奏，增加影片的艺术感。
没有了人物，一个纯场景的视频，它的废片率就大大降低了。
玩 AI ，文科、理科生，一起探索影视制作。
