MiniMax H3: Referência para Vídeo
Gere um novo vídeo alimentando o MiniMax H3 com uma imagem de referência, até nove imagens, três vídeos e três clipes de áudio junto com um prompt de texto, permitindo que o modelo combine identidade de personagem, movimento, câmera, voz ou estilo dessas fontes enquanto produz áudio estéreo nativo em uma única passagem. A saída é um único vídeo MP4 em até 2K de resolução e 24fps por cerca de 15 segundos. Ideal para animação consistente de personagens, geração de vídeo com transferência de estilo e criação de conteúdo sincronizado com áudio.
Experimente um exemplo
Sobre este fluxo de trabalho
Este fluxo de trabalho demonstra a geração reference-to-video do MiniMax H3 no ComfyUI: você fornece um prompt de texto mais até nove imagens de referência, três vídeos curtos de referência e três clipes de áudio, e o modelo produz um único MP4 com áudio estéreo nativo em uma única passada. O nó MiniMaxH3ReferenceToVideo é o núcleo, combinando contexto multimodal (identidade, movimento, câmera, estilo e voz) com seu prompt para sintetizar um clipe de ~15s em até 2K de resolução e 24fps.
Por baixo do capô, o grupo Switch Model and Settings carrega a pilha de modelos MiniMax H3 via UNETLoader e CLIPLoader, enquanto KSamplerSelect, BasicScheduler, SamplerCustomAdvanced e BasicGuider gerenciam o comportamento de amostragem (com seed definido por RandomNoise para reprodutibilidade). ResolutionSelector define um tamanho 16:9 alinhado a múltiplos de 32, e ComfyMathExpression com PrimitiveFloat calcula valores derivados como contagem de frames a partir da duração e fps. Após a geração, VAELoader fornece os VAEs de vídeo e áudio; VAEDecode reconstrói os frames a partir dos latentes de vídeo e VAEDecodeAudio reconstrói as formas de onda estéreo. CreateVideo multiplexa frames e áudio, e SaveVideo grava o MP4 final. Isso torna o fluxo de trabalho prático para animação com consistência de personagem, movimento guiado por estilo e conteúdo sincronizado com áudio sem etapas separadas de TTS ou sound design.
Perguntas e respostas
Baixe o MiniMax H3 de Comfy-Org/MiniMax-H3. Coloque minimax_h3_video_vae_fp16.safetensors e minimax_h3_audio_vae_fp32.safetensors em models/vae. Garanta que os pesos do UNet e do CLIP/codificador de texto do H3 estejam nas pastas corretas de modelo do ComfyUI (por exemplo, models/unet, models/clip). Reinicie o ComfyUI para que UNETLoader, CLIPLoader e VAELoader consigam encontrá-los.
Este fluxo de trabalho tem como alvo cerca de 15 segundos, com até 24fps e até resolução 2K. Use os presets 16:9 do ResolutionSelector (múltiplos de 32), como 1152x640 ou 1280x736. Resoluções mais altas, mais quadros por segundo ou durações maiores aumentam o custo de VRAM e tempo e podem ficar instáveis.
Use um conjunto pequeno de referências de alta qualidade (comece com 1–3). Faça da sua imagem principal de identidade a primeira Entrada. Mantenha os vídeos de referência curtos e representativos do movimento/câmera que você quer. Prompts diretos e explícitos, com orientação moderada (CFG ~4–7), muitas vezes preservam melhor as referências.
Sim. Se o fluxo de trabalho expuser um ComfySwitchNode no caminho do áudio, configure para ignorar o VAEDecodeAudio. Como alternativa, deixe as Entradas de áudio vazias para gerar áudio mínimo e, depois, substitua ou silencie na etapa CreateVideo ou na pós.
Defina uma seed fixa no RandomNoise para reproduzir a mesma trajetória de amostragem com as mesmas Entradas e Configurações. Alterar seed, referências, resolução ou Parâmetros do amostrador vai mudar a Saída.