MiniMax H3 ComfyUI 原生工作流：T2VA、I2VA 与首尾帧完整实战
从原生节点连线、合法帧数和画布规则开始，完成文生有声视频、首帧续写与首尾帧可控转场，并建立可复用提示词模板。
它解决什么问题
三种模式先选对，再谈参数
MiniMax H3 的 FL2VA 基础权重同时覆盖三种常用任务：不输入图片就是 T2VA；只接 first_frame 是 I2VA；同时接 first_frame 与 last_frame 就是 FL2VA。三者共享文本编码、采样、视频 VAE、音频 VAE和保存链路，区别发生在 MiniMaxH3ImageToVideo 节点的图像条件输入。初学者最容易犯的错误，是使用 I2VA 工作流却在提示词里重新描述人物外观，导致模型一边遵循首图、一边尝试重画人物。
一、认识原生节点链
官方模板通常把一部分节点折叠成子图，但逻辑可以拆成六段：加载扩散模型；加载 Qwen3-VL 文本编码器；加载视频和音频 VAE；用 MiniMaxH3ImageToVideo 生成条件与音视频空潜变量；通过 MiniMaxH3SigmaShift、调度器和采样器完成去噪；分别解码视频与音频并合并保存。
基础排错时不要大幅改线。先从官方模板复制一份，命名为 H3-baseline-v1。每次只改画布、时长、种子或输入图片中的一项，成功后另存版本。这样出现黑帧、无声或 OOM 时，可以快速回到已验证状态。
二、画布与帧数的硬规则
H3 原生节点会把宽高对齐到 32 的倍数，默认以 768 像素短边工作，并把画布像素控制在约 768×1344 的上限内。不是分辨率越大越好：空间 token 与时间 token 同时增长，显存和耗时会急剧增加。竖屏可从 768×1344 起步，横屏可从 1344×768 起步，方形则使用 768×768。
输出为 24 FPS，长度需要满足 length 对 17 取余等于 5。124 帧约为 5 秒，也是非常适合排错的基线。官方节点常见训练长度范围约 124 到 362 帧。若模板带秒数换算表达式，只修改 duration，让表达式自动吸附到合法帧数；不要同时手工改 duration 和 length，否则界面显示的秒数可能与实际不一致。
三、T2VA：先做一个只有一个主动作的镜头
T2VA 不连接首帧和尾帧。提示词建议按照“镜头与时间—主体与动作—环境变化—声音—不要出现什么”的顺序书写。H3 会联合生成音视频，因此对白、环境音和音乐都应直接写进同一提示，而不是等出片后才发现模型自动加了不需要的配乐。
一个便于验证的结构是：
[0–2秒] 中景，镜头缓慢推进。咖啡师把白色杯子放到木桌中央。
[2–5秒] 她用银色小壶倒入牛奶，杯面形成简单心形拉花，动作连续自然。
声音：安静咖啡馆环境声、轻微瓷杯碰桌声和倒奶声；无对白、无背景音乐。
约束：杯子数量始终为一个，手指结构自然，镜头不切换。先用固定种子连续测试。若主体动作正确但声音不对，只改声音段；若构图不稳定，只改镜头和主体位置。不要一次加入多个角色、快速转场、长对白、爆炸和复杂运镜，因为失败后无法判断是哪一部分造成问题。
安装 / 开始使用
四、I2VA：让首帧负责外观，让文本负责运动
把图片连接到 first_frame 前，先裁成目标画布比例。人物脸部、产品文字和构图越接近最终画面，模型需要“纠正”的内容越少。提示词不必重复“一个穿红衣、黑色短发的人”这类首图已经明确的信息，而应描述她接下来做什么、相机怎么动、背景发生什么变化以及应该听到什么。
操作顺序如下：
- 在 Load Image 导入首图，检查没有透明通道异常和错误旋转。
- 用裁剪或缩放节点得到 32 倍数的目标尺寸，不要强行拉伸人物。
- 将图像接到 MiniMaxH3ImageToVideo 的 first_frame，last_frame 保持空。
- 先用 124 帧和低复杂度运动测试，确认人物没有在第一帧突然变脸。
- 提示词重点写“从当前姿势继续”，避免要求画面瞬间变成完全不同的季节、服装和场景。
示例：
从输入画面自然延续。人物先看向窗外，随后轻轻转头面对镜头并微笑；镜头保持肩部近景，只做非常缓慢的前推。窗帘被微风轻轻吹动，皮肤纹理和发型保持一致。声音只有室内轻微风声与布料摩擦声，无对白、无音乐。五、FL2VA：首尾状态必须可以被合理连接
首尾帧模式不是任意两张图片之间的魔法传送。两张图的主体身份、画幅、镜头高度和整体构图越接近，过渡越稳定。比如首帧是正面近景、尾帧是同一人物微微侧身，模型能设计自然转身；首帧在室内近景、尾帧变成外太空大全景，则很容易出现快速溶解、身份丢失或中间帧崩坏。
将第二张图连接 last_frame，并在提示词中解释状态变化的路径，而不是只重复两张图：
从首帧开始，舞者沿顺时针方向缓慢转身，右手抬起带动薄纱形成连续弧线；镜头小幅环绕并保持人物居中。最后一秒动作自然减速，身体姿态与尾帧完全衔接。声音是脚步与薄纱摩擦声，远处有低音量鼓点，不出现对白。如果最后半秒突然跳变，优先检查两张图的比例、人物尺度和光向，再增加描述中间动作的细节；不要先把采样步数拉到很高。
六、采样、Sigma Shift 与 Turbo 的使用顺序
原生 MiniMaxH3SigmaShift 通常为视频和音频分别设置偏移，常见默认值是 video 12、audio 3。初次使用保留官方模板值。改变 shift 会影响不同噪声区间的采样分配，不适合用作“清晰度滑块”。
原始 CFG-distilled 权重应使用官方模板给出的采样配置。Turbo LoRA 必须配套相应的 4 步或 8 步工作流与步数；只加载 LoRA 却继续使用原流程，或加载 4 步 LoRA 却设置大量步数，都可能让细节、皮肤和运动变差。正确顺序是：先用无 LoRA 基线验证模型；保存结果和耗时；复制工作流后再加载 Turbo；保持相同提示、种子、尺寸和时长做 A/B 对比。
七、输出前的质量检查
- 第一帧是否与输入图一致，是否在开头瞬间重绘。
- 人物数量、服装和道具是否在整个镜头内保持一致。
- 相机运动是否与主体动作冲突，例如镜头推进时主体又快速冲向镜头。
- 尾帧模式是否在最后一秒自然减速，而不是突然硬切。
- 音轨是否存在、左右声道是否正常、事件音是否大致同步。
- 文件名是否包含模式、种子、尺寸、帧数和版本，方便复现。
完成后把最佳基线复制为三个模板：H3-T2VA、H3-I2VA、H3-FL2VA。以后只替换提示和输入图，减少误触模型加载、VAE 和保存节点的机会。