MiniMax H3: Referencia a Vídeo
Genera un nuevo video alimentando a MiniMax H3 con una imagen de referencia, hasta nueve imágenes, tres videos y tres clips de audio junto con un prompt de texto, permitiendo que el modelo iguale la identidad del personaje, movimiento, cámara, voz o estilo de esas fuentes mientras produce audio estéreo nativo en una sola pasada. La salida es un solo video MP4 de hasta 2K de resolución y 24fps durante aproximadamente 15 segundos. Ideal para animación consistente de personajes, generación de video con transferencia de estilo y creación de contenido sincronizado con audio.
Probar un ejemplo
Acerca de este flujo de trabajo
Este flujo de trabajo demuestra la generación de referencia a video de MiniMax H3 en ComfyUI: proporcionas un prompt de texto más hasta nueve imágenes de referencia, tres videos cortos de referencia y tres clips de audio, y el modelo produce un único MP4 con audio estéreo nativo en una sola pasada. El nodo MiniMaxH3ReferenceToVideo es el núcleo: fusiona contexto multimodal (identidad, movimiento, cámara, estilo y voz) con tu prompt para sintetizar un clip de ~15 s a hasta 2K y 24 fps.
Por dentro, el grupo Switch Model and Settings carga la pila de modelos MiniMax H3 mediante UNETLoader y CLIPLoader, mientras que KSamplerSelect, BasicScheduler, SamplerCustomAdvanced y BasicGuider gestionan el comportamiento de muestreo (con semilla desde RandomNoise para reproducibilidad). ResolutionSelector establece un tamaño 16:9 alineado a múltiplos de 32, y ComfyMathExpression con PrimitiveFloat gestiona valores derivados como el número de fotogramas a partir de duración y fps. Tras la generación, VAELoader proporciona VAEs tanto de video como de audio; VAEDecode reconstruye fotogramas desde latentes de video y VAEDecodeAudio reconstruye formas de onda estéreo. CreateVideo multiplexa fotogramas y audio, y SaveVideo escribe el MP4 final. Esto hace que el flujo de trabajo sea práctico para animación con consistencia de personaje, movimiento guiado por estilo y contenido sincronizado con audio sin pasos separados de TTS o diseño de sonido.
Preguntas y respuestas
Descarga MiniMax H3 desde Comfy-Org/MiniMax-H3. Coloca minimax_h3_video_vae_fp16.safetensors y minimax_h3_audio_vae_fp32.safetensors en models/vae. Asegúrate de que el UNet y los pesos de CLIP/text encoder de H3 estén en las carpetas correctas de modelos de ComfyUI (p. ej., models/unet, models/clip). Reinicia ComfyUI para que UNETLoader, CLIPLoader y VAELoader puedan encontrarlos.
Este flujo de trabajo apunta a unos 15 segundos a hasta 24 fps y hasta 2K. Usa los presets 16:9 de ResolutionSelector (múltiplos de 32) como 1152x640 o 1280x736. Resoluciones más altas, más fps o mayor duración incrementan la VRAM y el tiempo y pueden ser inestables.
Usa un conjunto pequeño de referencias de alta calidad (empieza con 1–3). Haz que tu imagen principal de identidad sea la primera entrada. Mantén los videos de referencia cortos y representativos del movimiento/cámara que quieres. Prompts precisos y explícitos más una guía moderada (CFG ~4–7) suelen preservar mejor las referencias.
Sí. Si el flujo de trabajo expone un ComfySwitchNode en la ruta de audio, configúralo para omitir VAEDecodeAudio. Alternativamente, deja vacías las entradas de audio para generar audio mínimo y luego reemplázalo o siléncialo en la etapa CreateVideo o en posproducción.
Configura una semilla fija en RandomNoise para reproducir la misma trayectoria de muestreo con las mismas entradas y ajustes. Cambiar semilla, referencias, resolución o parámetros del sampler cambiará la salida.