AI视频实时互动直播实操参考：H3压到实时之后，弹幕投票决定剧情走向

8 秒后的剧情，由弹幕投票决定

2026 年 9 月中旬，B 站出现了一批画风很怪的直播间：画面里一个外卖小哥在送餐，隔一会儿屏幕下方弹出两个选项——先取餐还是再接一单、走金台路还是抄近路穿居民区——观众在弹幕里发 1 或 2，几秒后剧情就顺着票数往下走。整场直播没有一帧是提前做好的，全部是几秒钟前刚生成的画面。

这类玩法的核心不是某个新工具，而是一条能力拐点：MiniMax H3 开源后，各方把它压到了「实时」——生成 10 秒视频花的时间少于 10 秒。播放追不上生成，生成就可以一直往前跑，观众的输入就能插进内容里。本文把这条拐点前后发生了什么、直播间实际长什么样、互动剧的提示词怎么写，按时间线整理成一篇可照做的参考。站内 AI 视频教程总纲在此，海螺 AI（H3 母体 MiniMax 的国内入口）的产品页在这里。

实时生成改变了什么

以前的 AI 视频是一条单向流水线：写提示词，等几十秒到几分钟，出一段 5 或 10 秒的视频，然后你看。生产和消费是分开的——AI 交完活就走了，你看的时候它已经不在了，想中途插一句话没人接。

H3 被压到实时之后，逻辑变了。所谓实时，就是生成 10 秒视频花的时间少于 10 秒：你看着这一段的时候，下一段已经在算了。直播、互动剧、游戏，都是从这一条能力上长出来的。

H3 本身是 7 月底发布的，8 月 3 日开放权重，2K 分辨率、最长 15 秒、自带立体声。之后一个多月基本是一场全球接力赛，所有人都在干同一件事：把它压到实时。社区先做了 streaming LoRA，然后是 UCSD 的 FastVideo，再是 fal 的 H3 Max——5 秒视频 3 秒不到就能出来。

四家机构在同一开源底模上的加速成绩：GPU 配置、推理步数与端到端耗时对比（截图自相关技术文章）

上表里几个数字值得注意：FastVideo 用 8 张 B300、4 步推理，10 秒视频 8.7 秒生成；fal 的 H3 Max 用 8 张 B200，5 秒视频 3 秒内出片但未披露步数；秘塔的 MetaH3 用 8 张 H200、6 步，10 秒视频 9.07 秒——注意这是测试版数据，线上版本步数更多、画质更高。

这张表要看懂，先得明白「步数」是什么。扩散类视频模型生成一段视频要反复去噪，去噪轮数就是推理步数——步数越多画质越细腻，耗时也线性上涨。加速的思路基本是两条：用更少的步数蒸馏出接近的画质（FastVideo 的 4 步、秘塔的 6 步都属于这类），或者用更强的卡硬堆吞吐（B300、B200 都是数据中心级 GPU）。两条路最后比的就是那个最朴素的指标：生成一段视频的时间，能不能压到视频时长以下。

还有一个容易被忽略的背景：秘塔是在被芯片出口管制卡着脖子的情况下，用 H200 做到这个成绩的。对国内团队来说，实时视频生成的瓶颈不在算法在算力，这也解释了为什么这条拐点先是海外社区冲出来的，国内第一个跟进的是有自有部署能力的搜索公司。

海外的三条直播实验

8 月底，fal 的工程师 Rehan 把 H3 Max 接进了 Twitch：观众在聊天框打字，几秒后画面就变成他打的东西。他自己管这个叫「无限跨维度电视」，没有节目单，没有预渲染，那条帖子播了几百万次。

Rehan 的推文串：接 Twitch 被封、转战 Kick 的经过，配图视频已因版权投诉下架

这个实验的结局有点黑色幽默：直播间先被 Twitch 封了，他转到 Kick，又被封，原帖里的视频也因版权投诉被下掉，平台始终没给正式理由。实时生成的内容没法先审后播，审核流程压根没为它准备过——这是所有做这类玩法的人都要有心理预期的一条。

紧接着，独立开发者 Pieter Levels（做 Nomad List 那位）上线了 Infinite Slop，一个 24 小时不停播的 AI 电视台，规则一句话：聊天决定下一段播什么。他说是在桑拿房里用手机加 Claude Code 一天搭出来的，首日三万七千人在看，峰值一千多人同时在线。成本他自己说是一天四千美元，fal 赞助的。

Infinite Slop 首页：左上角挂着 NOW GENERATING，底部是观众输入下一段内容的聊天框

再然后 fal 自己下场做了 fal.live，动画、混沌、情景喜剧、肥皂剧、野生动物，六个频道。玩法已经收敛成屏幕底下四个选项：接下来发生什么，票最高的那个就是下一段。

fal.live 情景喜剧频道：三个角色在沙发上笑作一团，底下四个选项里有一个是「一只毛茸茸的小狗出现」

这一个月海外基本是这么一条路径：从「观众随便打字」走到「观众四选一」。他们用同样的能力还整了些别的玩法——24 小时 AI 新闻台、实时你画我猜、AI 版抖音。MiniMax 的股价那两天也跟着涨了 20% 多。

从产品角度看，这个收敛过程很有信息量。自由输入（随便打字）的问题是内容不可控，观众输入什么都得生成，画面质量和叙事连贯性都没法保证；四选一相当于把生成空间收窄到四个候选分支，每个分支的提示词可以预先打磨，观感立刻稳定一个量级。Infinite Slop 保留自由输入、fal.live 收敛到四选一，差不多是这两个思路各自的代表。

互动形式上还有一条暗线：从「看」到「玩」。fal.live 的 karma 积分（你的片段被点赞就得分）、8500 美元现金奖，都是在给观众参与加激励；秘塔直播间把 B 站原有的直播 PK 机制（两个阵营的助力条）直接嫁接到剧情投票上，等于借了平台现成的互动基建。做这类内容时，直接复用平台已有的投票、PK、弹幕组件，比自己从零做互动层省事得多。

国内的直播间长什么样

国内这边，H3 开源后 B 站上四十来条相关视频基本全在视频生成方向：漫剧、二创、大片、本地部署教程，往游戏或直播上想的，秘塔是第一个。

它的直播间大致是这么播的：画面里一个外卖小哥在送餐过程中做选择，第一人称视角，车把上夹着手机显示接单界面。屏幕中部是 50% 对 50% 的 PK 条，倒计时 6 秒，观众发 1 或 2 决定走向，右下角还有真人主播连麦解说。

秘塔 B 站直播间：外卖骑手第一人称画面、投票进度条与两个剧情选项，右侧写着「固定剧本，实时游戏生成」

另一场古风互动剧的直播间更能看出细节：武侠装束的角色举起黄纸符，左上角挂着 HP 和宝石数值的游戏化状态栏，中上部是势力 PK 条，6 秒倒计时内观众在「撕开黄纸查看缸内」和「不碰缸，离开许宅」之间投票。

古风互动剧直播间：CHOOSE YOUR SIDE 投票条、6 秒倒计时与两个剧情分支选项

如果你不想自己搭但想调 H3 的 API：秘塔线上已经上了常规版 H3，768P 一秒 0.09 元、2K 一秒 0.15 元，步数更多画质更高，跟直播用的实时版是两回事。

互动剧的提示词：两千字一个世界

这条玩法的祖师爷是《黑镜：潘达斯奈基》。2018 年底 Netflix 出的这部互动电影，屏幕下面两个选项加一个倒计时，你替主角选。那部片子拍了 35 天，不重复的素材有两个半小时、切成 250 段，Netflix 还专门为它造了个管分支的软件，最后能走到的主要结局只有五个。

潘达斯奈基的分支结构：五个主要结局，红线是走两步就退回来的死路

这种东西以前贵就贵在：多一条岔路就多拍一场戏，分支是预算项，所以这条路后面基本没人走了。Netflix 公布过一个数据——第一个选择点有 73% 的人选了那条死路，然后被系统拉回来重选。

AI 实时生成把分支的边际成本压到了几乎为零。原报道里提到，秘塔这场直播的一个游戏世界，提示词量在两千字这个级别——设定、角色、分支逻辑、每个选项的后果，全写在一起。这就是为什么它标注「固定剧本，实时游戏生成」：剧本框架是固定的，画面是实时生成的。

「固定剧本 + 实时生成」这个组合值得展开：提示词锁死的是叙事骨架（角色不会突然变人设、世界观不会漂移），画面层每一段都是现生成的。换句话说，同样的剧本跑两场直播，观众看到的具体画面是不一样的——这反而是卖点，每场直播都是限定版。传统直播的内容资产是主播本人，这类直播的内容资产是那份两千字的剧本。

想自己试着写一份迷你版，可以从这三个部分入手：

世界观与角色卡：主角是谁、在哪、要干什么，一两百字说清。外卖小哥那个例子就是「第一人称视角 + 送餐任务 + 城市环境」三个要素。

分支设计：每个节点给两个选项，选项要能在画面上看出差别（走不同的路、做不同的动作），而不是只改一句台词。潘达斯奈基的死路设计值得借鉴——走错的分支可以短一点，然后用「回到岔口」的叙事把观众拉回来。

状态与延续：直播场景里观众的输入是连续的，提示词里要留出「上一段发生了什么」的接口，让每段生成都接得上前一段。游戏化状态栏（HP、警戒值之类）就是给延续性加可视化锚点的做法。

现在入场，几条实际约束

成本是第一位的。实时生成意味着 GPU 在直播期间不停转，Infinite Slop 一天四千美元是 fal 赞助的，个人玩不起这个规模；秘塔用的是 8 张 H200 的自有部署。普通人更现实的路径是调 API 按量付费，或者先做录播形态的互动视频（生成完再剪），把实时留到有明确收益模型之后。

审核是第二位的。Rehan 的 Twitch 和 Kick 双封、视频被版权投诉下架，说明平台审核流程没有为实时内容准备好。国内直播平台的审核只会更严格，内容方向要提前想清楚。

技术门槛是第三位的。H3 的实时加速方案（streaming LoRA、FastVideo、蒸馏版）都需要多卡推理环境，社区文档目前散在各家技术博客里。想跟进本地部署的读者，可以先从站内的 ComfyUI 跑 H3 系列工作流熟悉非实时的生成链路，再往加速方案上走。

还有一个容易被忽略的点：H3 实时生成需要观众投完票后触发，并非完全自主运行。原报道里的表述是「观众在 8 秒后决定接下来的游戏剧情走向」——每一段之间有投票窗口，这个节奏既是限制，也是这类内容互动感的来源。

最后是内容定位的问题。目前跑通的案例里，外卖小哥和古风悬疑都是强叙事、轻操作的形态——观众做的是选择题不是操作题。这决定了它更接近互动剧而不是游戏：单场观看的乐趣在「大家的选法」而不是「我的操作」，直播间的人数本身就是内容的一部分（7 在看、90 来人同时在线，这些数字在原报道里都是被特意记录的）。做之前想清楚你要做的是剧还是游戏，提示词的写法完全不同。

来源与延伸

本文事实与图片均整理自微信公众号相关报道（H3 直播首播纪实、AI 吃播工具链分析两篇），数据口径以各机构原始技术文章为准。