MiniMax H3 的對白為什麼更自然？從 20 到 50 步看停頓與韻律

同一段台詞，50 步的 MiniMax H3 聽起來比較自然，頓點也更自然，沒有那麼像在讀稿。這是這次比較裡，我最直接的聽感。

有意思的是，整段聲音的響度範圍較小，兩個角色的音高跨度卻朝不同方向變化。那麼，多算的時間，可能改變了什麼？

我們用開源 H3 Ref2VA BF16，將同一段 14 秒中文對話分別生成 20、30、40、50 步。提示詞、五張有序參考圖、台詞與說話者設定相同，每檔各一支，沒有固定 seed。下面把實聽、時間與聲學特徵連起來，提出選步數的假設；完整畫面、光影與任務耗時另見四檔步數的畫面比較。

30 步已多留一拍，40／50 步又改變了句尾

「50 步比較自然」是這次實聽的偏好。把台詞拆開後，至少能指出一個具體差異：女子說完「真千金逆襲？」之後，留給下一句質問的間隔變長了。

問句間隔採 10 毫秒能量窗與 −35 dBFS 門檻；右欄是自動轉寫估計「這個世界線的特色是一妻多夫喔」的起訖跨度，可能包含短停頓。兩欄測的是時間，沒有把它們換算成自然度分數。

50 步比 20 步多留了 0.46 秒。在只有 14 秒的對話裡，這是足以改變句子關係的時間：先反問、停一下，再質問，可能更容易讓人感覺角色正在回應情境。承辦最後那句也略放寬了。

但另一句「你他媽怎麼不去逆襲？」的估計跨度，四版約為 1.64、1.66、1.60、1.60 秒。沒有所有台詞都一起變慢；40 到 50 步的問句間隔也只增加 0.05 秒。值得注意的是整段如何分配停頓與說話時間，而不是把慢當成自然。

40 與 50 步的間隔已經很接近，50 步仍然聽起來比較自然，這反而是更有意思的線索。 我會推測，後面的收益可能落在「怎麼停」：停頓前如何收尾、下一句如何開口，以及重音如何延續情緒。單純拉長空白，解釋不了所有聽感；模型可能在處理的是台詞之間的表演連續性。對畫面已滿意、聲音卻還像逐句讀稿的鏡頭，這就是值得再試 50 步的理由。

另外，50 步整段聲音的響度範圍是 3.2 LU，20 步為 4.7 LU。音高則要分角色看：承辦的估計跨度由 8.63 降至 8.15 半音，女子卻從 11.30 增至 12.40 半音。這裡的跨度是各角色估計基頻的 P90−P10，並不代表全部台詞都變得更收斂。

這提供了一個更具體的推論：自然感可能來自不同角色之間的韻律安排。 女子的質問可以有較寬的音高變化，承辦的回答則較收斂；配合句尾、開口與停頓，整段對話可能更像兩個人在互相回應。這是從聽感與聲學差異提出的解釋，不能只靠音高跨度驗證，但它給了下一次選片一個方向：聽角色如何接住彼此，而不只比較誰說得更慢、起伏更大。

先試聽，再看步數

下面四支只播放原聲，先聽語氣與停頓，再看步數對照。音量以固定增益調到約 −23 LUFS，保留原速度、停頓與句內動態。

聽完再對照：A＝40 步、B＝30 步、C＝20 步、D＝50 步。

也可以單獨播放含原音的原片：20 步 · 30 步 · 40 步 · 50 步。

額外採樣可能在協調什麼？

H3 的音畫是在同一個生成系統裡共同預測。官方模型說明列出 H3-Omni-Transformer 同時預測影片與音訊的潛在表示；Diffusers 的實作說明進一步描述，兩者使用各自的噪聲排程，在同一輪 Transformer 更新中共同處理。因此，額外採樣也有機會影響聲音的形成，評估步數時，台詞應該與畫面一起選。

這引出另一個實用判斷：對白鏡頭可能在靜態畫面已經接近時，仍有值得比較的表演收益。 即使沒有多一層毛孔，只要某一版的停頓與語氣更符合角色，額外等待就有用途。這次選擇 50 步的理由裡，聲音就占了一席之地。

聲音也要和表情一起選

20 步版在約 3 至 3.75 秒的前傾與張口幅度，比 30 步版更強；結尾也有較明顯的翻白眼。30 步版則更克制，結尾偏向低頭看帳冊。若這場戲需要的是惱火，較低步數這次反而有值得留下的反應。

切鏡也沒有固定：20 步在 4.750 秒切到承辦，30 步在 5.250 秒才切。多半秒放在哪一個角色身上，會改變這場對話的感覺。

這提醒我，高步數候選仍要重新選片。新的版本會重新演繹光影、表情與切鏡。這次 50 步女子背後的牆面也更簡化了，注意力更容易留在人物身上；若需要環境交代，其他版本的背景安排反而可能更合適。

什麼時候值得為對白試 50 步？

如果 20 步的人物和場面已經成立，只是對話太急，可以先拿 30 步比較留白；想找另一種句尾與整段節奏，再比較 40 步。這次 40 到 50 步的停頓數字已很接近，真正讓我留下 50 步的，是整段說話的連貫感。

當畫面已經滿意，台詞卻還像逐句讀稿，50 步就是值得嘗試的下一個候選。 聽的時候，留意前一句怎麼收、停頓有沒有情緒、下一句是否真的接住前一句；再把聲音放回角色表情裡。這會比追求更長的停頓，或更大的音高起伏，更接近這次觀察到的收益。

若主要問題在材質或光影，可以回到步數與畫面的選用建議，決定額外計算應優先花在哪種鏡頭。