MiniMax H3 : Référence vers Vidéo
Générez une nouvelle vidéo en fournissant à MiniMax H3 une image de référence, jusqu'à neuf images, trois vidéos et trois extraits audio, ainsi qu'une invite texte, permettant au modèle de reproduire l'identité du personnage, le mouvement, la caméra, la voix ou le style à partir de ces sources tout en produisant un son stéréo natif en un seul passage. La sortie est une seule vidéo MP4 jusqu'à 2K de résolution et 24fps pour environ 15 secondes. Idéal pour l'animation cohérente de personnages, la génération de vidéos avec transfert de style et la création de contenus synchronisés avec l'audio.
Essayer un exemple
À propos de ce workflow
Ce workflow montre la génération reference-to-video de MiniMax H3 dans ComfyUI : vous fournissez une invite texte plus jusqu’à neuf images de référence, trois courtes vidéos de référence et trois clips audio, et le modèle produit un MP4 unique avec audio stéréo natif en une seule passe. Le nœud MiniMaxH3ReferenceToVideo est le cœur du système : il fusionne le contexte multimodal (identité, mouvement, caméra, style et voix) avec votre invite pour synthétiser un clip d’environ 15 s jusqu’à 2K et 24 fps.
En interne, le groupe Switch Model and Settings charge la pile de modèles MiniMax H3 via UNETLoader et CLIPLoader, tandis que KSamplerSelect, BasicScheduler, SamplerCustomAdvanced et BasicGuider gèrent le comportement d’échantillonnage (seedé par RandomNoise pour la reproductibilité). ResolutionSelector définit une taille 16:9 alignée sur des multiples de 32, et ComfyMathExpression avec PrimitiveFloat calcule des valeurs dérivées comme le nombre de frames à partir de la durée et du fps. Après génération, VAELoader fournit les VAE vidéo et audio ; VAEDecode reconstruit les frames depuis les latents vidéo et VAEDecodeAudio reconstruit les formes d’onde stéréo. CreateVideo multiplexe les frames et l’audio, et SaveVideo écrit le MP4 final. Le workflow est adapté à l’animation cohérente d’un personnage, au mouvement guidé par style et aux contenus synchronisés à l’audio, sans étapes séparées de TTS ou de sound design.
Questions-réponses
Téléchargez MiniMax H3 depuis Comfy-Org/MiniMax-H3. Placez minimax_h3_video_vae_fp16.safetensors et minimax_h3_audio_vae_fp32.safetensors dans models/vae. Assurez-vous que le UNet H3 et les poids CLIP/text encoder sont dans les bons dossiers de modèles ComfyUI (ex. models/unet, models/clip). Redémarrez ComfyUI pour que UNETLoader, CLIPLoader et VAELoader puissent les trouver.
Ce workflow vise environ 15 secondes à 24 fps maximum et jusqu’à 2K. Utilisez les préréglages 16:9 de ResolutionSelector (multiples de 32) comme 1152x640 ou 1280x736. Des résolutions plus élevées, un fps plus haut ou des durées plus longues augmentent la VRAM et le temps de calcul, et peuvent être instables.
Utilisez un petit nombre de références de qualité (commencez avec 1–3). Faites de votre image d’identité principale la première entrée. Gardez les vidéos de référence courtes et représentatives du mouvement/de la caméra recherchés. Des invites précises plus une guidance modérée (CFG ~4–7) préservent souvent mieux les références.
Oui. Si le workflow expose un ComfySwitchNode sur le chemin audio, réglez-le pour contourner VAEDecodeAudio. Sinon, laissez les entrées audio vides pour générer un audio minimal, puis remplacez ou coupez le son à l’étape CreateVideo ou en post‑prod.
Définissez une seed fixe dans RandomNoise pour reproduire la même trajectoire d’échantillonnage avec les mêmes entrées et réglages. Changer la seed, les références, la résolution ou les paramètres du sampler modifiera la sortie.