公司想持續做商品短影音，真正花時間的往往是反覆換素材、改提示、等生成、找檔案，再補字幕、品牌圖樣和聲音。
DGX Spark、MiniMax H3、ComfyUI 與 AI Agent 可以組成一條處理這些工作的流程，但要產出可用成品，仍需要清楚的素材規格與人工驗收。
這套做法的重點，是先讓一個簡單任務穩定完成，再讓 Agent 接手重複操作，以下整理建置思路、任務範例與交付檢查，並依官方文件核對功能、效能和授權。
內容目錄
先分清楚：機器、生成引擎、工作台與助理
- DGX Spark：提供運算與記憶體的硬體。NVIDIA 台灣產品頁列有 GB10 與 128 GB 統一系統記憶體配置，CPU 與 GPU 共用資源，容量不等於生成速度。
- MiniMax H3：負責產生畫面與聲音的模型。它不會自行把所有鏡頭整理成品牌成片。
- ComfyUI：把模型、素材、取樣和輸出排成可重複執行的工作流。
- AI Agent：在具備相應工具與存取權時，協助修改參數、提交任務、收集輸出，以及呼叫剪輯工具。
這個分工可以避免一個常見誤會：買到工作站，並不等於已經有完整製片平台。模型、工作流、檔案整理、剪輯與驗收都接好後，團隊才有一條能重複使用的生產流程。
工具怎麼選？先決定要交付什麼
MiniMax H3 官方專案提供文字生成、首尾畫面生成與多模態參考等模式，並能共同生成音畫。商品照要動起來，可以先研究圖生影片。要指定角色、運鏡或音色來源，再研究 Ref2VA，並說清楚每份參考素材的用途。
H3 的完整系統還包含託管的 Context-IR 與 2K 重新生成流程。本地 Base 和完整官方服務不能畫上等號，下載開放權重也不代表直接得到相同的 2K 流程。
如果已有成熟的 Wan 2.2 工作流，可以先沿用，另外安排聲音處理。LTX-2 系列也有同步音畫、控制影片與放大等工作流，實際要核對版本。只想先驗證幾個創意，託管服務或雲端 API 往往較容易開始，選擇應以同一份素材的試作結果為準。
站上的LTX 2.3 本地部署整理可用來了解另一條路線，但其中的硬體門檻不能直接套用到 H3。
開始前，先把素材與交付規格寫清楚
我會先準備商品主圖、其他角度照片、真正的 Logo 檔、已確認的文案，以及可使用的配樂。接著寫下影片用途、橫直比例、主體要保持哪些特徵、字幕內容與交付位置。這些都是團隊能先決定的事，不必等生成後才補。
若商品上的字樣、按鍵、瓶身比例或材質不能改，應把它們列入驗收條件。準確文案和品牌圖樣，可以在後製階段疊上原始檔，讓生成模型主要處理畫面、動作與氛圍，減少反覆重做。
第一階段：驗收環境，再開始批次產片
ComfyUI 官方 H3 文件指出，基本範本至少需要對應的 ComfyUI 版本，新控制功能與加速流程可能需要更新版本。
環境驗收應確認範本能載入、節點沒有缺漏，模型檔也能被正確找到。
本地工作流除了主模型，還有文字編碼器、影片 VAE 與音訊 VAE，請依官方原生範本下載並放到對應資料夾，比自行拼湊檔案更容易核對。
Xplore-LAB 社群配方示範了容器化部署，也記錄了其 NGC PyTorch 環境的 torchaudio 相容性處理，但這是特定版本的方案。
- 先確認工作台能開啟，且實際使用預期的 GPU。
- 載入一份需要的範本，確認模型與節點完整。
- 只跑一段低負擔測試，檢查影片、音軌與輸出檔案。
- 記錄已通過的版本與參數，再安排其他模型或工作。
若是請人協助部署，驗收也應包含重新啟動後仍可執行、輸出位置清楚，以及失敗時能找到紀錄。
第二階段：先做好一個商品鏡頭
官方 I2V 範本附有透明電競滑鼠的商品圖片，可以用來觀察主體外觀、鏡頭移動、燈光與操作聲如何共同影響結果。
先熟悉一份已提供的範本，再換成自己的商品，較容易分辨問題來自素材、提示還是環境。
提示詞可以分成主體、動作、鏡頭與聲音，以本文自擬的馬克杯範例來說，主體是杯子與桌面，動作只安排緩慢轉動，鏡頭小幅推近，聲音則指定安靜室內環境和輕微碰觸聲。這是需求寫法示例，沒有實際執行生成。
第一次測試不必同時要求多個角色、快速運鏡、複雜字幕與長段台詞，先確認商品輪廓穩定，再增加變化。如果動作偏掉，就一次只改一項條件，才能知道改動是否有效。
圖片比例也要和輸出畫布一起確認，官方原生文件提醒，首張圖片與畫布比例不同時可能被拉伸。要做直式成品，可以預先準備適合直式的構圖，避免最後裁切時才發現商品被切掉。
第三階段：讓 Agent 接手重複操作
Comfy MCP 官方文件提供本地與雲端兩種連接，本地端讓相容的 Agent 透過工具讀取實際節點、模型和範本，再檢查工作流、執行任務與收集輸出。
本地連接需要 ComfyUI 工作區、comfy-cli 與 MCP 服務。客戶端要能啟動相應服務，執行端也必須看得到工作區與素材。
官方工具的基本順序是先確認環境，再找範本與模型、驗證工作流、執行並取回結果。本文會把任務寫成以下幾個明確交付條件，讓助理容易回報完成到哪一步。
- 確認目前連到哪個工作區，以及必要元件是否齊全。
- 使用指定商品圖與已通過的範本，先做一段測試。
- 測試確認後，再改隨機種子或指定條件產生候選版本。
- 保留每段的檔名、種子、尺寸、耗時與失敗原因，放進指定資料夾。
這樣設計的價值，是減少反覆開範本和找檔案的操作，同時留下可追查的資料。
第四階段：剪輯任務要和生成任務分開交代
生成模型交出的是素材鏡頭，完整成片還需要鏡頭順序、節奏、字幕、音量與品牌結尾。Agent 若具備檔案操作和剪輯工具，可以協助執行這些工作，例如利用 FFmpeg 的濾鏡功能處理字幕、圖像疊加和音訊混合，實際支援仍取決於安裝的版本與元件。
剪輯需求應明確列出採用哪些檔案、每段取用範圍、字幕原文、Logo 出現方式，以及原音和配樂的關係。
不要只說「幫我剪得有質感」，卻沒說商品資訊應該在哪裡出現。
以下是本文自擬的商品短片安排，可用來練習把畫面與後製分開規劃：
- 建立印象：先呈現商品全貌，讓觀眾知道主角是什麼。
- 交代細節：切到杯把或表面紋理等可辨認的特徵，維持外觀一致。
- 完成訊息：回到乾淨構圖，後製加入已確認的品牌文字與行動資訊。
這個安排可以縮成很短，也可以依用途調整。真正要固定的是每一鏡的任務，以及哪些資訊必須準確。若還想研究更完整的生成與剪接整合，可延伸閱讀站上的OpenMontage 本地影片工作流整理。
要等多久？先看清楚工作條件
同一台硬體，換解析度、片長、步數與推論流程，等待時間也可能差很多。以下保留兩種來源的紀錄，目的在幫助估計等待範圍，不是同條件的效能排名。
| 紀錄來源 | 輸出尺寸 | 片長 | 生成耗時 | 流程 |
|---|---|---|---|---|
| Xplore-LAB | 864×480 | 5 秒 | 255.8 秒 | H3，20 步 |
| Xplore-LAB | 768×1152 | 5 秒 | 15 分 22 秒 | H3 直式圖生 |
| NVIDIA | 1344×768 | 5 秒 | 約 56 秒 | H3＋LTX-2.5 |
前兩筆來自Xplore-LAB 的 2026 年 8 月紀錄。第三筆為 NVIDIA Sol-H3-Spark專用流程，先用 H3 產生較低解析度草稿，再由 LTX-2.5 細化，在模型已載入的情境下，計時從新提示處理到帶音訊的 MP4。不能把它當成一般 ComfyUI 範本一律能達到的速度。
更實用的做法，是在自己的已通過配置上測量一次，並記錄成功率。一次生成很快，若要反覆重做才有可用片段，整體交付仍可能慢。
最後一關：商品、文字與聲音都要驗收
- 商品：外形、顏色、零件和標示是否改變，動作是否讓用途看起來不合理。
- 文字：字幕是否正確、手機上是否可讀，品牌名稱、價格和活動資訊是否為已核准版本。
- 聲音：是否缺音、出現怪聲或錯誤台詞，配樂是否蓋過主要資訊。
- 檔案：成品能否開啟，比例與長度是否符合用途，素材來源和版本是否留下紀錄。
如果商品反覆變形，可以先縮小動作與鏡頭變化，或回到原始照片做較保守的剪輯。字樣不準則優先使用後製文字。
台詞必須固定時，可以另外安排旁白流程，並檢查聲音工具與素材的授權，不必要求同一次生成解決所有事情。
本地一定比雲端划算嗎？用可交付成品來算
本地方案需要設備、維護、電力、儲存與操作時間，模型授權和 Agent 服務也可能產生費用。
若已經有設備、固定產量與維護人力，本地工作流值得做小規模試作。若需求偶發、還在試題材，先用雲端驗證可能更容易決策。這是依工作量與維護條件提出的建議，沒有做採購回本或畫質優劣的保證。站上的圖片與影片 API 串接整理也提供另一種工作流方向。
素材留在本地，還要確認哪些資料會出去
影片模型在公司內執行，不代表整條流程離線。雲端 Agent 可能接收提示、工具回傳或它讀取的內容，實際資料路徑取決於配置與呼叫方式。導入前應列出哪些工具使用雲端、Agent 能讀哪些資料夾，以及是否會把檔案或預覽送到其他服務。
同樣要核對 H3 社群授權原文。其中列有排除地區、相關商業產品與服務年營收超過 2,000 萬美元時的另行書面授權，以及其他使用條件。Comfy 的商用授權 Q&A也區分了社群授權和需要額外授權的情況，不能把開放權重理解為無條件商用。
我的建議：先做一個能重複交付的試點
先選一個商品、一種畫面比例和一個固定用途，完成素材整理、單段生成、剪輯和驗收，再把通過的版本存成範本。之後交給 Agent 重複執行，才比較容易看出它省掉多少操作，又增加多少重試與維護工作。
這套平台的價值，應該由可用成品、可追查流程與團隊節省的時間來判斷。先跑通一個小任務，再決定要不要增加模型、硬體與自動化範圍。需要對照來源方的部署資料與範本說明，可參考AugurSoft 的企業短影音流程文章，版本細節仍以各官方文件為準。
常見問題
DGX Spark 是做 H3 商品短片的必要設備嗎？
不是。也可評估其他相容硬體或託管服務。DGX Spark 提供一種大容量統一記憶體配置，是否適合仍要看完整工作流、速度與維護條件。
ComfyUI 裝好後，就能直接請 Agent 做影片嗎？
還需要可用模型、能執行的範本與相應工具連接。本地 MCP 必須對到正確工作區，剪輯也需要另外具備工具和素材存取能力。
做出本地影片，就代表商品外觀一定正確嗎？
不代表。生成結果仍要檢查外形、零件、顏色與文字。品牌圖樣和準確文案可以在後製使用原始素材加入。
一般電腦只要記憶體夠大就能順跑嗎？
不能只看容量。GPU、推論框架、模型精度、解析度、片長與卸載方式都會影響可用性和速度，需依具體配置測量。
本地 AI 影片生成一定比雲端 API 便宜嗎？
不一定。應比較設備、維護、操作、授權與重試成本，再除以真正通過驗收的成品數，並把交付速度一起納入。