MiniMax H3 Referencia a Video - ComfyUI Built-in Node Documentation

MiniMax H3 Reference to Video crea el condicionamiento de texto y el latente vacío de audio-video necesarios para la generación de referencia a video de MiniMax H3. Se proporciona un prompt junto con imágenes, videos y clips de audio de referencia opcionales, y el nodo codifica estas referencias en un condicionamiento que el modelo puede usar durante la generación. El prompt hace referencia a las referencias con las etiquetas <Picture i>, <Video k> y <Audio j>.

Entradas

Parámetro	Descripción	Tipo de dato	Requerido	Rango
`clip`	Modelo CLIP utilizado para tokenizar el prompt y codificar los medios de referencia en tokens de condicionamiento.	CLIP	Sí
`vae`	VAE de video. Sin él, las imágenes/videos de referencia solo condicionan el codificador de texto.	VAE	No
`audio_vae`	VAE de audio. Sin él, el audio de referencia solo condiciona el codificador de texto.	VAE	No
`prompt`	Prompt de texto para el video. Se puede hacer referencia a los medios de referencia con las etiquetas `<Picture i>`, `<Video k>` y `<Audio j>` (indexadas desde 1 por tipo). Admite prompts multilínea y dinámicos.	STRING	Sí
`ancho`	Ancho del video generado en píxeles (predeterminado: 1344).	INT	Sí	32 a 16384 (paso: 32)
`alto`	Alto del video generado en píxeles (predeterminado: 768).	INT	Sí	32 a 16384 (paso: 32)
`duración`	Cantidad de fotogramas a 24 fps, (124 = ~5s, el rango entrenado es ~124-362) (predeterminado: 124).	INT	Sí	5 a 3600 (paso: 17)
`tamaño_imagen_ref`	Dimensionamiento de la imagen de referencia. `match` escala cada referencia (solo hacia abajo, manteniendo la relación de aspecto) al área de píxeles de la generación; `max` utiliza el borde corto de 2048px de la tubería de referencia para obtener la mejor fidelidad de identidad. Los tokens de referencia atraviesan cada paso de muestreo, por lo que `max` puede ser varias veces más lento (predeterminado: `match`).	COMBO	Sí	`"match"` `"max"`
`imágenes_ref`	Ranura ampliable: conecte hasta 9 imágenes de referencia (`ref_image_1` … `ref_image_9`). Imagen de referencia (reducida a un borde corto de 2048 si es más grande, nunca ampliada).	IMAGE	No	0 a 9
`videos_ref`	Ranura ampliable: conecte hasta 3 videos de referencia (`ref_video_1` … `ref_video_3`). Fotogramas de video de referencia a 24 fps (2-15s).	IMAGE	No	0 a 3
`audios_video_ref`	Ranura ampliable: conecte hasta 3 pistas de audio (`ref_video_audio_1` … `ref_video_audio_3`). Pista de audio del video de referencia con el mismo número.	AUDIO	No	0 a 3
`audios_ref`	Ranura ampliable: conecte hasta 3 clips de audio de referencia independientes (`ref_audio_1` … `ref_audio_3`). Audio de referencia independiente.	AUDIO	No	0 a 3

Notas:

El prompt hace referencia a los medios de referencia con etiquetas indexadas desde 1 por tipo: <Picture i> para imágenes, <Video k> para videos y <Audio j> para audio. Las referencias se presentan al modelo en un orden fijo: imágenes, luego videos (con la etiqueta <Audio j> de cada pista de audio justo antes de su <Video k>), y luego audio independiente.
Una pista de audio conectada a ref_video_audio_N se utiliza con el video de referencia conectado a ref_video_N.
Los videos de referencia deben contener al menos 5 fotogramas (~0.2 segundos a 24 fps); de lo contrario, el nodo lanza un error. Los fotogramas más allá de la length solicitada se recortan, y el recuento de fotogramas restante se ajusta a un valor soportado por el modelo.
La length solicitada se alinea a un recuento de fotogramas soportado antes de que se cree el latente.
Sin vae, las imágenes y videos de referencia solo condicionan el codificador de texto (no se producen latentes de referencia). Sin audio_vae, el audio de referencia solo condiciona el codificador de texto.

Salidas

Nombre de salida	Descripción	Tipo de dato
`positive`	Condicionamiento que contiene el prompt codificado. Cuando se proporcionan medios de referencia y los VAE relevantes, también contiene el contenido codificado de imagen, video y audio de referencia utilizado por el modelo MiniMax H3.	CONDITIONING
`latent`	Latente vacío de audio-video con el `width`, `height` y `length` (recuento de fotogramas) solicitados, incluyendo el latente de video alineado y el latente de audio.	LATENT

Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub

Source fingerprint (SHA-256): 47df0d6d13cb02aa4f69b50a7f8d0f6c1639c1fb5e0f69bf8fc57dd4cb752db8

​Entradas

​Salidas

Entradas

Salidas