Skip to main content
H3 espera planos, cámara, diálogo y SFX en un solo prompt multimodal. Esta página reúne guías oficiales, consejos entre flujos de trabajo, reglas de planos y diálogo, y embeddings de estilo.

​
Guías oficiales

  • Modos base (T2VA, I2VA, FL2VA, L2VA): planos con marcas de tiempo, cámara, audio
  • Modo de referencia completa (R2V): estructura de reescritura, etiquetas de referencia, marcadores de retención
El paquete instalable de habilidades H3 reúne estos contenidos para los agentes. Aplicado por plantilla: T2V/I2V, R2V, Multiframe, Fun ControlNet.

​
Consejos generales

I2VA abre con una línea fija de alineación de imagen, una línea en blanco y luego los campos del cuerpo. FL2VA/L2VA usan su propia línea de alineación; T2VA empieza directamente en los campos:
Escribe los prompts en inglés. Los diálogos y las letras de canciones van en etiquetas <d>; el texto en pantalla se escribe literal en su idioma original.
  1. Primero la escena: la escena general, luego los planos cronometrados dentro de [Shot 1] de integrated_multimodal_description
  2. Un solo bloque: planos, cámara y audio juntos
  3. Resolución: nativa 1344×768 en 16:9; múltiplos de 32 (detalles)
  4. Longitud: length son fotogramas a 24fps (predeterminado 124 ≈ 5s), ajustado a 17k+5
  5. Texto en pantalla: comillas dobles en inglés para cada cadena, literal (p. ej., A red neon sign reading "营业中"). Las líneas habladas usan <d>, no comillas
  6. Marcadores de audio de R2V: en el análisis de retención, marca cada referencia de audio como fully_copy, partially_copy, reference o weak_reference según cómo se use el clip (consulta la tabla de la guía oficial de referencias)
  7. Campos de audio: overall_soundscape = sonido ambiente/SFX/no verbal (1–4 frases; N/A solo si hay silencio real). Los diálogos y la música diegética se mantienen en los planos. non_diegetic_music = solo banda sonora (1–3 frases; N/A si no hay). Si aparece habla no deseada, rellena ambos campos de forma explícita
  8. Sin negativos: BasicGuider funciona con cfg 1 y sin rama negativa. Las listas de prohibiciones añaden conceptos no deseados. Indica lo que debería aparecer (o usa los campos de retención de R2V: fully_preserved, partially_preserved, etc.)
  9. Hojas de referencia (R2V): una imagen puede contener varios paneles. Asigna a la hoja su propio <Picture N> (no solo dentro de <Subject N>), describe los paneles y dirige los planos a un panel (p. ej., vista frontal completa de <Picture 2>). Etiqueta los paneles con claridad
Las etiquetas y controles específicos de cada flujo de trabajo están en la página de cada flujo de trabajo.

​
Tomas y cortes

Numera las tomas [Shot 1], [Shot 2], … [Shot 1] empieza en 0.00s. Las tomas posteriores comienzan con un momento de corte:
  • Los momentos de corte aumentan y se mantienen dentro de la duración del clip (length a 24fps)
  • Usa una sola marca de tiempo (At 00:05.000), no un rango como [5s-8s]
  • Formula los cortes como acciones: the camera cuts to, the shot transitions to, etc. Usa disolvencias, desvanecidos o barridos cuando haga falta
Inicia una toma nueva cuando cambien el sujeto, el espacio, el estado, el punto de vista o el momento. Los reencuadres pequeños siguen siendo una sola toma con movimiento de cámara.

​
Diálogo y hablantes

  • IDs de hablante: (S1), (S2), … para cada voz (incluidas las que están fuera de pantalla y las que cantan). Los IDs indexan hablantes, no números de personaje. Dúo: (S1,S2)
  • Contenido de <d>: el ID, la acción y la forma de decirlo van fuera de las etiquetas; dentro de las etiquetas, la etiqueta de idioma + las palabras pronunciadas textualmente, en el párrafo del plano donde se dicen
  • Puntuación en <d>: conserva , . ? !; elimina repeticiones decorativas y emoji; termina las afirmaciones con . ? ! antes de </d>; usa [unclear] cuando no estés seguro. Los puntos suspensivos suelen perjudicar la inteligibilidad
  • Voz en off: usa says in an off-screen voiceover e indica que los labios permanecen cerrados después de </d>. Diálogo con corte cruzado: <scenetrans> en ambos lados y el audio continúa
  • Varios hablantes + referencias de audio: puede ocurrir una asignación incorrecta del hablante. Vincula las líneas a eventos visibles, no a códigos de tiempo. Si hace falta, genera el audio de cada hablante por separado de forma externa y referéncialo con el marcador correcto (fully_copy vs partially_copy)

​
Embeddings de prompt

ComfyUI#15697 admite embedding:name en los prompts de H3. Coloca los archivos en ComfyUI/models/embeddings/. Comfy-Org/MiniMax-H3/embeddings enumera 10 embeddings de estilo de la comunidad (silveroxides, discusión #50; no oficiales). La palabra de activación es el nombre de archivo sin extensión: