一页速览

先给结论，再走证据链。下文每一节都在回答这四张卡里的任一格。

• 实时因子 RTF：≈0.6 — 5 秒片段约 3 秒生成 fal H3 Max 官方口径

一句话定性：H3 Max 真正跨过的不是画质门槛，而是「生成快过播放」这条流水线门槛。一旦 RTF<1，视频就从「你拍好、我点开」的资产，变成「边生成、边播、边被改」的服务。而服务意味着：没有存档，没有回放，没有版权的稳定形态。

本文的四层论证

• 第一层 · 机制：三种「实时」不是一种实时——生成式延迟的单位是「段」，渲染式延迟的单位是「帧」。这是后面所有差异的总开关。
• 第二层 · 对仗：游戏 / XR 是「世界状态的函数」，生成式直播是「分布的采样」。前者能倒回、能存档、能 6DoF；后者三者全无。
• 第三层 · 优势：生成式的胜负手不是交互性（那一项它输给游戏），而是零资产密度——不需要建模、不需要场地、不需要演员。
• 第四层 · 影响：视频资产化属性崩塌、治理责任前移到媒体层、成本曲线形状决定商业形态——以及记忆，才是下一个真正的战场。

背景：这事儿到底发生了什么

先交代清楚谁、在哪、用什么规则，否则后面所有「所以呢」都是空中楼阁。 MiniMax 在 2026 年 7 月底放出 H3（海螺 3.0）视频模型，33B 稠密 Transformer，开放权重，支持 5–15 秒、24fps、最高 2K、原生音视频同步输出；9 月 1 日起同一批基础权重又通过 vLLM-Omni 与 FastVideo 的 FastH3 蒸馏适配器，跑上了自托管路径。Fal 拿这批权重做了 post-training，再针对自家推理引擎调校，推出 H3 Max——官方称相对 H3 官方端点约 35× 提速。 工程上真正值得看的是它后来出的 MiniMax H3 Max Director（fal 端点 minimax/h3-max/director）。它把模型从「发你一个 mp3」改造成「一个你能中途插嘴的会话」：

参数	值	含义
传输	WebRTC 会话（视频+音频轨）	不是「提交任务拿文件」，是长连接
切片长度	10 秒 / chunk	一次吐 10 秒，不是 15 秒长镜头
续播时长	8.5 秒	允许落后于播放进度约 1.5 秒
续播上下文	39 帧	模型「记得」的上文极短
记忆段数	1–50（默认 12）	可回溯的 prior segment prompts
分辨率 / 画幅	480p / 768p；16:9 / 9:16 / 1:1	会话期内锁定，中途不可改
帧率 / 音频	24fps / 32kHz	音视频同轨合成，非后期对轨
定价	$0.08 每秒（60 秒起）	会话默认上限 2 分钟

关键约束	它实际的后果
前后置帧固定	会话开始时锁死首帧图、分辨率、记忆量、seed。改不了——所以「让主角先笑一下再开始」这种活儿只能在建模期做
prompt_version 单调递增	新指令只作用于尚未生成的切片。已经推出去的画面不可撤销、不可篡改
会话 2 分钟上限	默认长度；更长需申请。这意味着「无限直播」是平台工程问题，不是模型问题

那批「跑起来」的实例

• 2023　Twitch《Nothing, Forever》：无限循环的伪《宋飞正传》情景喜剧，低模人物 + 生成对白。它的关键限制是——只有台词是生成的，画面永远是静态的。后来因一段冒犯性笑话被关，重制版去掉了角色名字以规避权利问题

拆解：三种「实时」，不是一种实时

讨论「AI 视频直播 vs 游戏」之前，得先把度量单位对齐——二者的延迟压根不是同一个量级的东西。

先把 RTF（实时因子）摆上桌

RTF = 生成耗时 ÷ 内容播放时长。小于 1 才谈得上「实时」，因为只有小于 1，下一段才可能在观众察觉空档前备好。当前各家口径（含厂商自报，均未经独立复现）：

图 1 各方案生成耗时对比（厂商/团队自报，未独立复现）。fal H3 Max 是唯一一个「不动一卡 GPU 就能买到的实时档」。

方案	生成耗时	RTF	获取方式	解锁的能力
Official MiniMax H3	分钟级	>1	API 付费	参考级画质，无延迟控制权
fal H3 Max	≈6s / 5s 内容	≈0.6	API 付费	客户在环的直播迭代
FastH3 + vLLM-Omni	8.7s / 10.1s	≈0.86	自托管 8×B300	流式渲染，完整模型自主
VDN-H3	11.2s / 14.4s	≈0.78	自托管 8×B200	Apache-2.0，可改可卖

但 RTF<1 只是入场券。公开实测里，5 秒视频从提交 prompt 到拿到文件约 7 秒——因为中间还有任务调度、排队、1 秒轮询、编码、存储分发。要撑住单流无缝直播，排队、编码、传输、内容审核任何一环把总延迟顶回 5 秒以上，RTF 就白算。所以真做产品必须上预生成、并行任务、剧情分支缓存和播放缓冲——3 秒是商业化的起点，不是工程问题的终点。

再拆一层：延迟的单位是「帧」还是「段」

这是后文所有差异的源头。游戏 16ms 出一帧，你感觉不到延迟，因为画面本来就只存在 16 毫秒；H3 Max 造一个 10 秒切片要 3 秒，你感觉得到延迟，因为切片是一个可以被抓取、被替换、被审视的单位。

图 2 闭环单位是「10 秒段」而不是「16 毫秒帧」。所有一致性问题，都从这一格开始。

关键推论：在这样一个闭环里，模型对「十分钟前发生了什么」的记忆上限是 12 段 prompt / 39 帧续播上下文（Director 文档值）。这不是「忘了」，这是结构上就没打算记。下面第二节的「角色会变脸」，根源就在这行数字上。

它和游戏 / XR 到底差在哪

这是被问得最多、也最容易被答错的一个问题：常见回答是「AI 直播就是低配版游戏」——错。二者根本不是同一个物种。

先摆出两条完全不同的「输入 → 画面」链路

图 3 左边是「算出来的」，右边是「抽出来的」。这才是二者最根本的分界线。

逐项对仗

维度	游戏 / AR / VR	生成式 AI 视频直播	谁赢
画面来源	渲染：状态的函数	采样：分布的一次抽取	游戏（可预测）
反馈闭环	16ms / 帧	约 10 秒 / 段	游戏（差 600 倍）
空间自由度	6DoF，视角随头动	固定取景，镜头由模型决定	游戏
角色一致性	同一 skinned mesh，物理恒等	每段独立采样，接缝换脸	游戏
物理 / 因果	有解算，可推演	仅感知似的连贯，无真因果	游戏
可存档 / 回放	存档点 + rollback 一体	已推流不可撤回； Director 不可改已生成块	游戏
资产密度	高：每物建模、绑定、LOD、打光	近零：只有算力产出画面	生成式
启动成本	美术 / 场景 / 关卡，周到月	一个 prompt，秒级	生成式
边际成本	复制近乎零，固定成本前置	线性：每多看一秒都付费	游戏
非同质供给	有限状态空间，重玩趋同	每次观看都不同	生成式
身份位置	你是主体，世界围着你转	你是观众 + 投票的导演	游戏（更本体）

所以准确的说法是：AI 视频直播不是「跑不快的游戏」，它是第三种物种——反应式媒体（reactive media）。游戏的产物是世界，直播的产物是现场。你没法走进一个直播，但你可以让直播改主意。

顺带把 XR 的误解也清一下

有人会问：那把它塞进 VR 头显呢？答案是方向对，但格子错位。XR 的成立条件从来不是「画面在实时变」，而是沉浸 + 空间 + 本体感觉：位置追踪、视差、空间音频、手部存在感，以及最要命的一条——你敢不敢在里面迈步。生成式视频给不出这些：它的取景权在模型手里，你是被框住的观众，不是空间里的主体。真要把 XR 和生成式合流，需要的是 world model（Genie 那一路）——能维持一致状态、遵守物理、接受视角变化，而不是「抽一段新像素」。

生成式视频直播

• 强在反应成本趋零：改一次画面不需要任何人工
• 强在供给非同质：第二次打开永远不是第一次
• 弱在主体性：你只能选，不能进
• 弱在连续性：换脸、丢背景是结构性的

游戏 / XR

• 强在状态正确性：物理、因果、角色恒等
• 强在主体位置：你是坐标原点
• 弱在资产密度：修改一次内容要重做资源管线
• 弱在内容新鲜度：状态空间有限，重玩趋同

它真正占优的地方：不是交互，是「零资产密度」

把上表的 11 行按胜负归类后会发现：生成式在「能不能交互」上完败，却在一个没人讨论的维度上完胜。 游戏工业化这二十年，本质是在解决同一件事：如何让机器稳定地、可交互地、持续地产出画面。为此付出的代价是资产密度——一个物体要建模、绑定骨骼、做 LOD、烘光照、填碰撞体。这条流水线贵、慢、难改，但也正因如此，它换来了状态正确性和主体性。 生成式把这层资产整个删掉了。画面不再来自资产库，来自算力。这条路径的涨跌都很极端： +1零资产启动 决定性优势秒级

• 不需要建模、不需要场地、不需要演员、不需要剪辑
• 内容可用性从「周」级压到「秒」级——改一句话就是改一个世界
• 试点成本从「做个 demo 包」降到「开个会话」 代价：没有资产，就没有「已经存在并被反复打磨过的东西」。画面永远是新的，也永远是从零开始的。 +2非同质供给 决定性优势长尾
• 游戏里你打第 100 次同一关，看到的是同一批设计
• 生成式第二次打开必然不同——这正是 Infinite Slop 的核心卖点 代价：不可复现意味着做不了存档、做不了回放、做不了证据链。 −1反馈闭环 劣势差 600×
• 游戏 16ms，生成式约 10 秒
• 「实时改变」听起来对称，实际一个是帧、一个是段 但注意：生成式赢在改的代价不是改的速度——它不需要重做资源。 −2成本曲线形状 劣势线性
• 游戏：固定成本高、复制边际成本≈0
• 生成式：固定成本≈0、每多播一秒都在烧线 这条形状直接决定了商业模式，见第 06 节。 我的判断：「AI 视频直播 vs 游戏」这场对比，问错了重心。真正值得比的是「改一个画面的成本」：游戏里改一次关卡，要动资源管线、要回归测试、要重新打包；生成式里改一次，要花 3 秒和几毛钱。当改的成本低到接近零，产品的形状就会从「做内容」翻到「调参数」。

场景地图：谁能活，谁活不了

按两个轴切一刀：横轴是「对状态连续性的要求」，纵轴是「对实时性的要求」。越靠左下越现在就能用，越靠右上越要等记忆与一致性。

图 4 四象限里，真正当期可做的是 A 和 B；C 是生成式在「离线生产」侧的既有位置；D 是所有人都在喊、但被 39 帧记忆卡住的那一格。

场景	象限	可行性	为什么
直播间动态背景 / 赛事视觉	A	现在可用	不要求连贯，最省内存的活儿
观众投票决定走向的秀场	B	现在可用	一致性崩了也当风格， fal.live 已跑通形态
广告创意 A/B 与快速改稿	B / C	最现实的付费点	把「改一次」从小时级压到 3 秒
教学：提问即生成演示	B	可试点	不要求跨分钟的状态记忆，只要求当下响应
数字人客服 / 导购	B	可试点	每句话独立成段，反而绕开了连续性难题
互动叙事 / 角色陪伴	D	待记忆成熟	卡在 12 段 prompt 记忆与接缝换脸
VR 可进入的生成式世界	D	需另一技术	要 world model，不只要更快
24/7 无人直播变现	B	经济不成立	成本曲线决定，见第 06 节

四个深度影响

前面都是机制，这一节是本文真正想说的部分。

① 视频从「资产」降级为「服务」——三个属性同时失效

生成一份视频，过去它同时是：可存档（存在硬盘上，随时能再打开）、可复现（同样的素材同样的参数，出同样的片）、可确权（一个可指认的文件）。RTF<1 之后这三条一起塌：流是边生成边丢弃的、采样本身非确定性、画面每 10 秒换一次身份。 后果不在版权法，在日常：作品集概念失效。你没法交出一个「我的作品」——除非你截屏；也没法做「回放」——除非你另录。视频从这里开始，更接近水电而不是照片。 一个容易被忽略的连带效应：「可存档」失效会反向惩罚内容方。过去一个 IP 的价值能沉淀成文件、能被复刻、能被引用；现在每帧都是一次性的。这会逼着创作者把价值重新压回人格（主播的脸、声音、语气）而不是内容——因为只有人格能被认出来，只有认得出的人才值得付钱。

② 治理责任前移到了「媒体层」——这是 prompt injection 长在了视频上

普通生成模型里，用户 prompt 是输入；直播场景下，观众 prompt 是操控信号，而且直接接在一个有公共输出的通道上。这在性质上不同于任何过去的审核问题：你不是在审「生成了什么」，你是在审「谁有权决定下一秒演什么」。 证据已经在现场：Fal 那个 Twitch 频道 570 万次观看后被移除，转到 Kick 再被封，双方都没给理由。最可能的解释是聊天不断索取受版权保护的卡通角色——一个典型的「观众自发把媒体推向权利边界」过程。于是 Fal 自建 fal.live。这轮迁移的本质是：平台把无处安放的治理责任，变成了自己的基础设施成本。 我的判断：这不是「需要更严格的审核」，而是架构问题。在「观众 text → 媒体层 steering signal」这条链上，任何以关键词过滤为中心的治理都会失败——因为它的输入端是开放的自然语言。真正的解法只能是把治理做成会话层的准入与分区（谁在什么时候有指挥权、指令如何被加权、冲突时听谁的），而不是在最后一步筛查像素。

③ 成本曲线决定商业形态：24/7 是伪命题，事件驱动才是真命题

把单价乘一遍就知道这事儿的经济学约束有多硬（两个口径都列，别混）：

口径	单价	一天 24h	一个月	一年
fal Director 官方（768p）	$0.08 / 秒	$6,912	≈ $20.7 万	≈ $252 万
成本拆分口径（480p，$0.05/s）	$0.05 / 秒	$4,320	≈ $12.96 万	≈ $158 万

所以 Infinite Slop 能跑 24 小时，不是因为模式成立，而是因为 Fal 在替它出算力钱。一旦要自己付账，24/7 无间断生成就立刻不成立：

• 成本随观看时长线性增长，而广告收入随观看人数增长、存在天花板——两条线永远不平行
• 于是合理形态是事件驱动：高峰时段限量开、按次收费、按时长订阅、或把成本转嫁成「观众自己出 prompt」的参与感
• 推论：「无限直播」在商业上是修辞，不是产品。真正会被买单的是「每次打开都不一样」——一次性的、有起止的、按次计费的体验

④ 下一场竞争的战场是「记忆」，不是画质

把 Director 的参数表摊开看，决定体验上限的恰恰不是 480p 还是 768p，而是那两个数字：39 帧续播上下文和12 段 prompt 记忆。它们划出了一道硬天花板——模型能「接得上」的只有 1.6 秒，能「想得起」的只有 12 条指令。 已有的接缝病症全部由此而来，且都不可靠调参解决：片段间角色脸会变、相邻两镜背景会丢失、聊天指令有明显滞后、352–416p 区间表现最好、分辨率一高就忽略镜头指令。换个角度说：这条链路现在最缺的不是画质、不是提速，是一个能跨 30 分钟维持同一套状态的东西。 综合判断（12 个月）：生成式视频会明确裂成两种媒体形态——高质离线生产（允许长渲染、允许逐帧修）与实时互动广播（只需跑在播放前面 + 反应得够诱人）。两者共用底座，但工程目标相反。这个分叉一旦成立，竞争焦点就会从「谁的片子更好看」迁移到记忆设计、prompt 治理、多模态控制、单位成本——也就是游戏产业那套系统工程。谁把这套做成平台，谁就接过 Unity 当年的那个位置。

口径冲突：几个数字别混着用

同一件事在不同来源里数字不一样。这里全部并列，不替读者挑一个——方法不同导致的口径差，硬选「更权威的那个」才是真正的不诚实。

口径项	A 来源	B 来源	差异原因
提速倍数	35×（Fal 官方，相对 H3 官方端点）	50×（@levelsio 转述）	基准端点不同；Fal 未公布正式延迟/吞吐基准
单价	$0.08/秒（Director 768p，60 秒起）	$0.05/秒（480p 成本拆分）	分辨率不同 + 一个是价目一个是成本估算
「3 秒出片」	模型侧生成 5 秒内容 ≈ 3 秒（RTF≈0.6）	端到端约 7 秒（含排队/编码/1 秒轮询）	推理时延 vs 全链路时延，用户感知的是后者
观众规模	5.7M 次观看（Twitch 频道）	37k 并发/首 24h（Infinite Slop）	观看总量 vs 并发峰值，两个量纲
未验证项	「15 秒生成 13 秒」在 MiniMax 一手材料里未获验证；3.7 万观众数、35×/50× 提速均未经独立复现。精确延迟与并发量应以实测为准

关于评测口径：H3 Max 在 Artificial Analysis 带音频的视频榜 I2V 约 1202 Elo（第一）、T2V 约 1235 Elo（第三，次于 Wan 3.0 与 Gemini Omni Flash），在 Design Arena I2V 榜以 1341 居首（基准 H3 为 1333）。Elo 衡量的是「多数人更喜欢谁」，替代不了角色一致性、物理合理性、文字准确性与品牌合规的专项测试——对直播形态而言，后者才是主战场。

原文与资料

以下链接均于 2026-10-03 实测可访问。 为本文分析所依据的一手材料。

• DOC　What is MiniMax H3 Max Director & How To Use It fal 官方文档，一手参数来源：WebRTC 会话、10 秒切片、8.5 秒续播、39 帧上下文、记忆 1–50 段、定价 $0.08/秒、会话 2 分钟。本文第 01、02 节的数据几乎全部出自此处。 fal.ai/learn/tools/what-is-minimax-h3-max-director

• API　MiniMax H3 Max Director · API 端点页 接口的原始契约（AsyncAPI 描述的 WebRTC 视频/音频轨）。要接入必须从这里读，学习页会略掉部分字段。 fal.ai/models/minimax/h3-max/director

• NEWS　Fal H3 Max 以约 35× 提速实现实时视频生成 梳理了「post-training + 自研推理引擎」这条改造路径，以及 Ethan Mollick 独立实测、Twitch → fal.live 的迁移过程。本文第 01 节时间线的主要依据。 latent.space（经 tpsreport.news 转述） · 原文转载见 tpsreport.news/news/fal-h3-max-live-real-time-video-generation

• CASE　基于《瑞克和莫蒂》「次元电视」做的无限 AI 直播，已在 Twitch 和 Kick 被封 最完整的一手事故报告：成本拆分（$0.05/秒 → $4,320/天）、封号经过、以及接缝换脸/背景丢失/高分辨率失效等全部已知限制。想判断「这技术现在到底什么毛病」必读这一篇。 thatfeed.com/2026/09/07/1924/...

• SPEC　MiniMax H3（Hailuo 3.0）技术解读：开放权重 / FastH3 / 实时服务 H3-Base 的 33B 稠密结构、两个未开放的模块（H3-Context-IR、H3-Regenerate-2K）、FastH3 四步蒸馏与 vLLM-Omni 的 8×B300 基准（10.1s→8.7s）。本文第 02 节自托管路径数据出自此处。 orcarouter.ai/blog/minimax-h3-hailuo-3-explained

• RTF　AI 视频生成已经快过播放：你的流水线里到底变了什么 把 RTF 拆成一张可比较的表（官方 H3 / fal H3 Max / FastH3 / VDN-H3），并给出「人类审核成为新瓶颈」「速度修不了前期」这两条反直觉但重要的结论。本文第 02 节对比表的格式参考了它的口径。 mintec.co/blog/video-ia-generacion-tiempo-real-2026

建议的阅读顺序：先看 fal 官方文档（搞清楚交付单元是会话不是文件）→ 再看那篇被封杀报道（知道现状全是毛病）→ 最后读 H3 技术解读（判断自托管值不值）。不要先读营销向的总结，那批文章的 RTF 数字大多没交代口径。 资料来源：fal 官方文档、MiniMax 模型侧公开材料、开发者实测与二手报道，整理于 2026-10-03。 本文为技术观察与独立判断，其中提速倍数、成本估算、并发量均为厂商或团队自报，未经独立复现；引用前请回到一手来源核对。

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。