這個網站是怎麼運作的
從你按下「開始生成」到拿到影片，中間發生的每一件事，以及我們為什麼這樣設計。 這頁寫得比一般的「技術說明」細，因為裡面每一個決定都是踩過坑之後才定案的。
整條流程
- 照片上傳到本機伺服器，存進暫存資料夾
- 如果你選的是人像動作，先用 OpenCV 做一次人臉偵測
- 照片轉送到本機的 ComfyUI
- 一段文字指令 + 你的照片，交給 MiniMax H3 影像轉影片模型
- 模型產生 73 格畫面（3.04 秒 @ 24fps）
- ffmpeg 把影片接成「正放 + 倒放」的乒乓循環，並移除音軌
- 成品回傳給你，網頁再用 CSS 疊上相框
全部跑在同一台實體機器上。你的照片當然會經由網路傳到我們的伺服器，這是任何網頁服務都免不了的。 但它不會再被送到任何第三方 AI API，中間沒有別的服務參與，處理完就只留在我們的硬碟上，七天後刪除。
為什麼是 73 格
MiniMax H3 的畫面數必須是 17n + 5。24fps 的 3 秒是 72 格，不符合，
往上進位到最近的合法值就是 73 格，也就是 3.04 秒。乒乓之後 146 格、6.08 秒。
指令裡一個字都不提鏡頭
這是最違反直覺的一條。模型有「畫面慢慢推近」的傾向，直覺的解法是在指令裡寫 「不要 zoom」「鎖死鏡頭」「static shot」。我們實際量過背景的位移量：
| 指令怎麼寫 | 背景位移量（越小越穩） |
|---|---|
| 完全不提鏡頭 | 6.6 |
| 寫 static shot | 20.6 |
| 寫完整的鎖鏡頭句子 | 39.2 |
寫得愈用力，畫面推得愈兇。原因大概是這類詞彙在訓練資料裡總是跟運鏡描述一起出現， 提到它反而是在提醒模型「這裡有鏡頭運動這回事」。所以現在的指令完全不出現 camera、shot、zoom 這些字。
相框不讓模型畫
同樣的道理。指令裡一提到 picture frame，模型就真的在畫面裡畫一個金色相框， 而且會歪、會抖、四個角對不齊。現在相框改由網頁用 CSS 疊在影片外面， 永遠是正的，換顏色也不用重跑。
主詞必須跟照片內容一致
人像動作的指令寫的是「The person…」。如果照片裡根本沒有人，模型不會忽略這個詞， 它會生一個人出來，還會把鏡頭推近到那張憑空出現的臉上。這是我們實際遇到的狀況。
解法是把動作分成兩組：動物組整段改用 the animal，並在結尾加上
No people appear。同一張照片、同一個模型，換了主詞就正常了。
另外上傳時的人臉偵測會攔一次，避免使用者不小心選錯。
為什麼要做成乒乓循環
如果直接把 3 秒影片設成 loop，播到結尾跳回開頭時會有一個明顯的跳格， 因為最後一格跟第一格對不起來。把影片倒放接在後面，接縫兩側是同一格， 循環就完全看不出接點。代價是有方向性的動作（揮手）會有一點倒帶感。
速度：慢的其實不是運算
我們用 websocket 逐節點量過一支 3 秒影片的時間分布：
| 階段 | 耗時 |
|---|---|
| 解讀照片內容（文字編碼器） | 約 17.7 秒 |
| 取樣（讓照片動起來） | 約 11 秒 |
| VAE 解碼（沖洗畫面） | 約 11.4 秒 |
| 其餘 | 把模型搬進顯示卡 |
顯示卡是 RTX 5070 Ti，只有 16GB 顯示記憶體，但這套模型光是文字編碼器加上主模型 就超過 30GB，塞不進去，每跑一次都得把權重串流進顯示卡。 所以真正的瓶頸是搬資料，不是計算。我們把文字編碼器換成更小的量化版本 （25.3GB → 14.6GB）、把取樣步數從 6 步降到 4 步（那個加速用的 LoRA 本來就是為 4 步設計的）、 再拿掉根本用不到的音訊解碼之後，單張從 60～80 秒（最糟到 137 秒）降到穩定的 42～45 秒， 畫質用同一組隨機種子比對過，看不出差別。
那還能更快嗎：十四種做法，實測之後只留下三種
上面那三個決定是當初一邊做一邊定的。2026-09-02 我們把它重新量了一次， 這次把每個旋鈕單獨拆開來測：同一張照片、同一段提示詞，每組跑三次取中位數， 並且輪流交錯跑（不是一組跑完再換下一組），因為這台機器愈跑愈熱、耗時會一路下滑， 一組只跑一次量到的數字是不能比的。
量測本身踩到的兩個坑，寫在這裡給想自己測的人：一、ComfyUI 會依節點輸入做快取， 參數與種子完全相同的工作直接回傳上次結果（實測 0.3 秒），要重測必須換種子避開。 二、文字編碼器的輸出也會被快取——只要提示詞、照片、尺寸、幀數沒變就會沿用， 所以「只改步數」的那幾組，總時間裡根本不含編碼器，跟基準線放在一起比會得到完全錯誤的結論。 下面的表因此分段列出，不看總時間。
| 設定 | 取樣 | VAE 解碼 | 文字編碼器 |
|---|---|---|---|
| 4 步（現行） | 18.1 秒 | 10.5 秒 | （快取） |
| 2 步 | 17.1 秒 | 6.8 秒 | （快取） |
| 6 步 | 24.9 秒 | 6.8 秒 | （快取） |
| 8 步 | 33.0 秒 | 6.7 秒 | （快取） |
| 取樣器換 res_multistep | 16.9 秒 | 6.7 秒 | （快取） |
| 解析度 448×576 | 11.4 秒 | 7.4 秒 | 9.0 秒 |
| 解析度 704×928 | 29.7 秒 | 16.4 秒 | 4.1 秒 |
| 39 格（1.6 秒） | 15.3 秒 | 8.8 秒 | 3.5 秒 |
| 107 格（4.5 秒） | 28.6 秒 | 15.1 秒 | 3.6 秒 |
| EasyCache | 20.3 秒 | 11.6 秒 | 3.5 秒 |
| LazyCache | 18.9 秒 | 9.7 秒 | （快取） |
| 不掛加速 LoRA・4 步 | 17.5 秒 | 11.4 秒 | 16.1 秒 |
| 不掛加速 LoRA・20 步 | 104.0 秒 | 10.0 秒 | （快取） |
| 文字編碼器換 int8（25.3GB） | 20.4 秒 | 11.6 秒 | 30.6 秒 |
採用的
- 加速 LoRA——整套裡最划算的一項。它自己不花時間（4 步掛不掛 LoRA，取樣都是 17～18 秒）， 但沒有它就得跑到 20 步才有可比的畫面，那是 104 秒。等於用零成本換掉 5.7 倍的時間。
- 4 步——不是因為 4 步最快，是因為再往下砍已經沒有東西可以砍。 降到 2 步只快 1 秒（18.1 → 17.1），因為取樣裡有一大塊固定開銷，步數砍不到它。 往上則是每步 3.5～4 秒的線性成本（4→6 多 6.8 秒、6→8 多 8.1 秒）。
- nvfp4 量化的文字編碼器——換回 int8 的 25.3GB 版本，光編碼那一段就從 7～9 秒變成 30.6 秒。 同一件事、同一張卡，差別只在權重要搬多少。
試過但放棄的
- EasyCache／LazyCache：這類快取靠「前幾步算出來的中間結果後面重複使用」。 4 步太短，還沒暖起來就結束了，實測反而更慢（20.3／18.9 對 18.1 秒）。
- 換取樣器 res_multistep：16.9 對 18.1 秒，落在三次量測的離散範圍裡，看不出差別。 沒有理由為了它動一個已經穩定的設定。
- 降到 2 步：只換到 1 秒，卻要冒畫質風險，不划算。
- int8 文字編碼器：慢三倍以上，見上。
真正還能換到時間的只有兩個旋鈕
解析度和長度，而且它們是取樣與 VAE 解碼一起變：448×576 是取樣 11.4／VAE 7.4 秒， 704×928 是 29.7／16.4 秒；39 格是 15.3／8.8 秒，107 格是 28.6／15.1 秒。 換句話說，要再更快，只能讓畫面變小或變短——那不是優化，那是取捨。 現在的 576×768 × 73 格是我們認為還看得下去的下限。
⚠️ 畫質的部分要誠實：我們把 14 組的成品各抽一格排在一起比對過， 在測試用的那張照片上，看不出 2／4／6／8 步之間有明顯差距—— 每格的差異比較像是眨眼動作剛好停在不同階段，不是清晰度不同。 所以這一節只講「時間花在哪裡」，不宣稱哪個步數畫質比較好；那需要另一套設計過的比較方法。
排隊與取消
只有一張顯示卡，所以工作是排隊處理的。首頁會顯示目前有幾件在排， 輪到你之前進度列會顯示「前面還有幾件」。按下取消時：如果你的工作還在排隊， 就直接從佇列移除；如果正在跑，會先確認正在跑的確實是你這一件，再送出中斷指令， 不會誤殺別人的工作。
斷線不會白做
工作狀態是寫在伺服器磁碟上的，不是只存在瀏覽器裡。你關掉分頁、重新整理、 手機把瀏覽器切到背景被系統凍結，回來都會自動接回進度。 即使伺服器本身重啟，重啟後也會去問 ComfyUI 那件工作跑完了沒，接著把成品收回來。
用到的東西
- 模型：MiniMax H3（image-to-video）＋ 官方 4 步加速 LoRA
- 推論：ComfyUI，本機 NVIDIA RTX 5070 Ti
- 後端：Python + Flask，工作狀態存成 JSON 檔
- 影片後製：ffmpeg（乒乓循環、去音軌、H.264）
- 人臉偵測：OpenCV Haar cascade
- 前端：原生 HTML/CSS/JavaScript，沒有框架
站上其他工具
- 變老變年輕 — 上傳正面照，看同一個人變老或變年輕
- 交通事故熱點地圖 — 警政署 99 萬件傷亡事故的熱力圖，可拉時間、篩車種
- 露營場合法查詢 — 1,807 家露營場哪些符合、違反哪條法規、還是不在名單上
- 淹水潛勢查詢 — 水利署 10 種降雨情境的模擬淹水深度地圖，各鄉鎮淹水比例
- 找回毛孩 — 全台走失／撿到毛孩地圖，沒晶片也能刊登，撿到的人免登入回報目擊
全部跑在同一台家用機器上；資料類工具用的是政府公開資料，每個都有寫清楚限制。