视频元素替换 / Video Element Replacement

适用范围

当用户提供一段视频，并希望用 H3 替换视频中的一个或多个可见元素时使用本 Skill。

默认支持：

• 人物替换：真人换真人、真人换动物或拟人化角色、真人换二次元或 CG 角色、只换脸、整体换人
• 背景替换：室内、室外、街道、房间、舞台、自然环境和动态场景替换
• 产品或物体替换：商品、包装、设备、车辆、家具、道具、手持物或画面中的其他物体
• 多元素替换：人物、背景、产品或多个道具同时替换

不把字幕、剪辑、调色、压缩转码、静态图片动画化误判为本 Skill。

STEP 1：接收并分析原视频

分析原视频的时长、画幅、镜头结构、镜头切换、主体数量、主体位置、动作、运动路径、镜头运动、景深、遮挡、接触关系和音频内容。

确认替换对象是否在多个镜头中持续出现，是否会出画后重新入画，以及是否存在多个相似主体。默认保留原视频的动作、镜头、剪辑节奏、空间关系、对白和环境声，不改变故事含义。

如果视频超过单次生成时长，按镜头或时间段规划分段替换，并为所有分段绑定同一个替换角色或产品参考。

STEP 2：确认替换类型与范围

如果用户已明确目标，直接采用用户选择；如果没有明确目标，让用户选择：

• 人物
• 背景
• 产品或物体
• 多个对象

确认替换范围：整段视频、指定镜头、指定时间段，或多个对象中的某一部分。确认哪些内容必须保留：动作、人物关系、镜头构图、背景、产品使用动作、对白、环境声或其他用户明确要求。

不要重复询问用户已经明确的内容。

STEP 3：固定采用自然适配

所有视频元素替换任务统一采用自然适配，不再让用户选择替换强度，也不再提供“保守替换 / 自然适配 / 完全重塑”的选项。

固定规则如下：

• 保留原视频的主要动作、镜头、构图、时间节奏、空间关系和故事含义。
• 允许新人物、动物、玩偶、机器人、卡通角色、产品或物体根据自身的物种、体型、结构、材质和视角自然适配原动作。
• 保留新主体的关键身份和结构特征，不强行复制原主体不兼容的解剖结构、比例或动作细节。
• 只有当用户明确要求改变动作、镜头、故事或空间关系时，才修改对应内容。
• 不因替换强度发起额外确认；仅在缺少工具执行所需信息时提问。

STEP 4：检查替换素材适配度

检查每个替换参考素材的主体数量、身份特征、轮廓完整度、角度、姿态、细节清晰度、遮挡和与原视频的比例差异，并评为：

• A 级：主体清晰、角度和构图接近，可直接替换
• B 级：身份和外观清晰，但角度、姿态或比例差异较大，可以生成但需要自然适配
• C 级：主体严重遮挡、细节不足、缺少关键角度或视频运动过于复杂，建议补充参考素材或先做短预览

在不阻塞任务的情况下提示风险。例如单张正面静态角色图用于侧面动态视频时，说明转头、口型和边缘稳定性可能需要二次优化。 在素材等级之外，必须对本次替换任务进行难度与预期评估。评估不能只判断“能不能生成”，还要判断“生成后能否稳定达到用户目标”。

难度等级

• 低难度：单主体、动作幅度小、遮挡少、参考图角度接近、主体结构简单。通常可以直接生成，预期替换稳定。
• 中难度：主体有明显运动、角度变化、局部遮挡、参考图视角有限，或新旧主体比例差异较大。可以生成，但可能出现局部闪烁、边缘不稳、细节变化或动作适配偏差。
• 高难度：多人统一替换、复杂舞蹈、快速运动、透明或半透明遮挡、人物互相遮挡、主体频繁出画、严重透视变化、跨物种或极端体型转换。可以尝试生成，但不能承诺完美替换，必须提前说明可能出现身份漂移、肢体变形、穿模、遮挡错误、服装闪烁、道具漂移或空间融合不自然。
• 极高难度：参考素材信息严重不足，同时存在多人重叠、快速运动、复杂透明材质、大幅镜头运动或多个替换目标。应明确告知用户：生成结果更适合作为测试版本或创意预览，难以保证完整时段和所有帧都稳定；如果需要商业级或逐帧无瑕效果，可能需要补充多角度素材、拆分镜头、制作遮罩或进行人工后期。

预期结果表达规则

根据难度等级，用清晰的用户语言说明：

• 哪些内容大概率能够保留
• 哪些区域或动作最容易出问题
• 问题可能表现为什么样
• 生成结果适合测试、创意展示还是正式发布
• 是否建议先生成短预览或准备补充素材

不要使用“完美”“完全无瑕”“百分之百稳定”等无法验证的承诺。应使用“预计可以较好保留”“主体替换可行，但某些区域可能出现……”“适合先做测试版本”等准确表述。

高风险任务的自动提示模板

当任务属于高难度或极高难度时，在生成前主动说明：

这次替换在技术上可以尝试，但属于高难度任务。预计原视频的动作、镜头和大体队形可以保留；参考素材与原视频在角度、比例、遮挡或运动方式上的差异，可能导致局部人物身份漂移、肢体或服装形变、边缘闪烁、遮挡穿帮或细节不一致。生成结果更适合作为测试或创意预览，不能保证每一帧都达到无瑕替换效果。

如果问题集中在某个具体区域，必须指出该区域，例如“中央透明容器后的手臂”“画面边缘被截断的舞者”“快速转身时的帽子和流苏”等，而不是只给笼统的“可能有瑕疵”。

风险来源记录

至少记录以下风险来源中的适用项：

• 人数和主体之间的遮挡
• 透明或半透明前景物体
• 参考图角度不足
• 参考图缺少背面或侧面信息
• 新旧主体体型或物种差异
• 快速动作、转身、跳跃或复杂手势
• 主体出画和重新入画
• 复杂服装、流苏、毛发或细小配饰
• 产品文字、Logo 或精细结构
• 镜头推拉、旋转、平移或强烈抖动
• 前景与背景光线、景深或透视不一致

风险评估用于调整提示词、决定是否采用短预览和编写用户预期说明，不得把风险报告写成阻止生成的绝对结论，除非输入缺失或工具无法执行。

STEP 5：绑定参考素材角色

为每个素材明确唯一或主要作用，并在编辑方案中逐一绑定：

• 原视频：动作、镜头、时间结构、空间关系和声音
• 人物图：人物身份、脸部、发型、服装、体型、角色设计和材质
• 背景图或视频：新环境、空间结构、透视和世界设定
• 产品图：产品身份、外形、结构、材质、包装和品牌信息

人物参考不自动改变背景，背景参考不自动改变人物，产品参考不自动改变手部动作。多个主体必须分别说明归属，不能只列文件名。

STEP 6：建立编辑方案与声音策略

编辑方案至少包含：替换目标、新内容、替换范围、固定采用自然适配的执行规则、需要保留的动作、镜头和空间关系、遮挡与接触关系、连续性要求、画幅、时长和声音处理。

声音策略分为：

• 只替换画面：保留原对白、环境声和音乐
• 替换画面但保留对白节奏：保持原台词时间结构，让新主体适配口型
• 替换人物声音：只有用户明确要求时才执行，需要声音参考或确认合成声音
• 静音或只保留环境声：只有用户明确要求时移除对白或音乐

画面人物替换不等于声音替换。用户未要求字幕时，不生成或烧录字幕。

STEP 7：跨物种和非人角色规则

当新主体是动物、玩偶、机器人、卡通角色、怪物或其他非人角色时：

• 新主体的物种特征、脸部结构、口腔结构和身体比例优先于原真人解剖结构
• 保留原视频的说话节奏、情绪和表演含义，但根据新主体结构重定向口型和面部动作
• 猫、狗等动物保持对应的口鼻、牙齿和胡须结构，避免直接复制真人嘴唇、牙齿、舌头和下颌
• 保持耳朵、尾巴、爪子、角、翅膀等轮廓特征在连续帧中的稳定
• 不因原人物有双手、头发或人类服装而抹除新角色的关键身体结构
• 让新角色自然适配原视频的遮挡、拿取、站立和采访动作

STEP 8：生成前确认与预览策略

不因替换类型、替换强度或参考素材等级向用户提供选择。用户已经明确替换目标和参考素材时，直接按照自然适配执行。只有在缺少时长、输入文件、替换对象或其他工具必需信息时才提问。

默认直接生成完整视频。仅当工具限制、素材风险极高或用户明确要求预览时，才采用两阶段策略：

1. 短预览：生成约 4–6 秒，检查身份、轮廓、动作适配、遮挡和融合。
2. 完整生成：预览通过后生成完整时长，并沿用已确认的参考素材和替换方案。

短预览不是默认步骤，也不需要向用户提供是否预览的选择；符合触发条件时由 Skill 自动采用。

STEP 9：执行 H3 视频替换

使用 H3 的视频编辑或多模态视频能力，以原视频作为动作、镜头和时间结构基础，以替换素材作为对应身份、外观、场景或产品参考。

提示词必须明确：

• 哪些元素被替换，哪些元素保留
• 每个参考素材的角色和对应对象
• 原视频的动作、镜头、构图、时间节奏和空间关系
• 新元素如何匹配原主体的位置、比例、运动、遮挡和接触
• 多镜头中如何保持同一人物、产品或场景身份
• 用户确认的声音处理方式

只补充执行所需的镜头、动作、连续性和声音信息，不新增人物、道具、剧情或用户未要求的风格方向。

STEP 10：结果检查

检查以下项目：

替换准确性

• 目标元素是否完整替换
• 原元素是否在某些帧中恢复
• 新元素是否出现重复、变形、闪烁或身份漂移
• 多个对象是否发生混淆

时间与动作连续性

• 新主体是否在相关帧中保持身份和外观一致
• 镜头切换、出画、入画、转身、快速动作是否稳定
• 动作节奏、口型、眨眼、头部移动和产品运动是否自然

空间融合

• 前景和背景是否自然融合
• 遮挡、接触、透视、比例和景深是否合理
• 手、麦克风、桌面、地面或其他前景物体是否位于正确层级
• 运动模糊、边缘、材质和光照是否连续

音频

• 是否存在重复对白或重复音轨
• 音画是否同步
• 是否保留了用户要求保留的对白、环境声和音乐
• 未请求字幕时，画面是否保持无新增字幕

STEP 11：定向修正与重试

不要重复提交完全相同的生成请求。根据问题定向修正：

• 人物身份漂移：补充更清晰的身份特征、多角度参考或连续性要求
• 跨物种嘴部违和：强化新物种口鼻、牙齿和面部结构，使用自然适配而非真人解剖复制
• 产品变形：补充多角度产品图，强调结构、比例和展示动作
• 背景穿帮：明确前景主体轮廓、遮挡边界、地面关系和背景透视
• 动作不连续：强调原视频运动路径、时间结构和动作承接
• 多对象混淆：拆分参考素材角色并分别绑定目标对象
• 多镜头不一致：按镜头补充角度、比例和身份连续性要求
• 音频重复或异常：明确只保留一个对白轨道，重新确认声音策略

保留用户已经确认的核心目标，每次只修正导致失败的部分。最多进行有限次数的定向重试；重复失败时说明原因并请求最短的必要决策。

STEP 12：最终交付

交付替换后的视频，并简要说明：

• 实际替换的元素
• 保留的原视频内容
• 输出时长和画幅
• 已发现的轻微问题或建议的下一步优化

如果用户提出修改，优先沿用已确认的替换对象、声音策略和参考素材，不重复询问已经确定的内容。

默认规则

• 默认使用 MiniMax H3。
• 用户明确指定其他模型时，先核验其替换、参考、时长与画幅能力，再遵循用户选择；指定模型失败后只做一次针对原因的修正，仍失败则切换其他兼容模型，不与同一模型反复死磕。
• 默认保留原视频动作、镜头、剪辑节奏、画幅、时长和声音。
• 默认不添加字幕。
• 默认一段输入视频对应一条替换后的视频。
• 用户未指定画幅和时长时沿用原视频。
• 跨物种替换默认使用“自然适配”。
• 复杂任务默认建议先做短预览，但用户明确要求直接生成时不强制拦截。
• 所有替换参考素材都必须有清晰角色绑定。
• 参考素材是贡献来源，不应覆盖用户明确要求保留的原视频结构。