成片拆解深度视频驱动抖音手势舞 · 女仆装真人 · MiniMax H3
16 秒真人风短片，怎么做出来的？
用深度+脸部网点视频驱动 MiniMax H3，复刻抖音手势舞：女仆装女孩逐帧跟动作。
钩子在哪
时间为抽帧估计结构：固定机位 · 手势舞逐帧复刻 · 挥手收尾
看完成片再对照:这条片子靠什么在几秒内抓住人。点时间可跳到成片对应位置。
开场钩子
第 0 秒女仆装黑长直女孩就把手掌推向镜头，紧接着用双手比出取景框——一开场就是爆款手势。
取景框手势
约 1–5s 双手一上一下比出取景框，停在胸前，节奏和停顿都跟参考视频一致。
托腮与指脸
约 6–10s 换成托腮、手指点下巴的可爱动作，头部随之轻轻歪动。
结尾怎么收
约 11–15s 双手在胸前交叉摆动，再向画面两侧挥手，最后放下手看镜头。
把真人舞蹈转成深度+脸部网点视频当 <Video 1>，提示词反复强调按原时间顺序逐帧复刻、不跳帧不加速，并声明只借动作不借可视化外观。
三步搞懂
别急着上视频模型。这个片子的秘密是:先把角色和场景锁死,再一次生成 1 个镜头。
作者公开的深度驱动视频（对应提示词里的 <Video 1>）
576×1024 · 15.65 秒 · 9:16。作者在自回复里连同提示词一起公开了这段驱动视频：把一段抖音手势舞转成黑白深度图，再叠上脸部网点/连线。它只负责身体动作、头部姿态和节奏，不是最终画面。作者没有说明深度和脸部网点是用什么工具做的。
第二步：准备人物参考图并选模型
提示词里的 <Picture 2> 是决定最终人物外观的彩色写实参考图，作者没有公开这张图。模型是 MiniMax H3（作者回复「我用 Mini Max H3」），作者还推荐了 Hugging Face 上的 Minimax-h3_Singularity 版本。成片为 1440×2560、30fps、15.65 秒竖屏。
第三步：粘贴完整提示词
把下方中文提示词整段粘贴，<Video 1> 对应深度视频、<Picture 2> 对应人物图。提示词分三块：按参考视频逐帧复刻动作与停顿；只借动作、不复制面部可视化标记；输出保持 <Picture 2> 的彩色写实外观，不出现灰色深度、点线、网格、字幕或新增镜头。
步骤二 · 1 镜头故事板(人话版)
方便你对照成片理解每一镜在干什么。
- Shot 1 — 0–1s 白墙房间固定机位，女仆装黑长直女孩右手掌推向镜头。
- Shot 2 — 1–5s 双手一上一下比出取景框手势，停在胸前，头部微微摆动。
- Shot 3 — 6–8s 手托下巴、手指点脸，做可爱表情。
- Shot 4 — 9–10s 侧身，手握拳贴近下巴，头微歪。
- Shot 5 — 11–12s 双手在胸前交叉摆动。
- Shot 6 — 13–14s 双手向画面两侧挥手。
- Shot 7 — 15s 放下手，看向镜头收尾。
步骤三 · 完整视频提示词
直接全选复制到 Seedance。@Image 1–0 必须对应上面 REF 编号。
深度视频驱动手势舞 · 逐帧动作复刻
作者回复中文完整提示词 · MiniMax H3 · <Video 1> 深度视频 + <Picture 2> 人物图
<Video 1> 是本次片段的深度动作参考。以它的原始时间顺序和节奏为准，复刻身体、头部、手臂、手掌及手指的运动；完整保留动作幅度很小的阶段和停顿，不省略、压缩、加速或提前进入后续动作。动作的发生时刻与持续时间由参考视频决定，不另编舞。 严格按参考视频每一帧的先后顺序，在对应的时间复现其姿态和连续变化；即使相邻帧动作很小或姿态基本不变，也完整保留这一阶段的持续时间，不跳帧概括动作、不提前执行后面的动作、不重新排列动作、不自行增加动作或加快节奏。 <Video 1>仅控制身体动作、头部姿态和动作节奏，不复制其中的可视化标记作为面部外观。 参考视频只用于身体动作、头部姿态和动作节奏控制，不是最终画面内容。输出保持<Picture 2>的正常彩色写实外观，不出现灰色深度、点线、网格、字幕或新增镜头。
这是 Demo
当前是单页静态站:视频 + 指引 + 可复制提示词。后面可以做成多教程列表、账号、收藏提示词、一键复制、手机竖屏版等。