MiniMaxH3ReferenceToVideo - ComfyUI Built-in Node Documentation - ComfyUI

MiniMax H3 Reference to Video 节点创建迷你 Max H3 参考转视频生成所需的文本条件和空音频-视频潜空间。您提供提示词以及可选的参考图像、视频和音频片段，节点会将这些参考编码为模型生成时可使用的令牌。提示词通过 <Picture i>、<Video k> 和 <Audio j> 标签引用参考内容。

输入

参数	描述	数据类型	是否必需	范围
`clip`	用于对提示词进行分词，并将参考媒体编码为条件令牌的 CLIP 模型。	CLIP	是
`vae`	用于将参考图像和参考视频帧编码为潜空间的 VAE。	VAE	是
`audio_vae`	用于将参考音频编码为潜空间的 VAE。音频会重采样到音频 VAE 的采样率（默认 32 kHz）。	VAE	是
`提示词`	视频的文本提示词。可通过 `<Picture i>`、`<Video k>` 和 `<Audio j>` 标签（每种类型从 1 开始编号）引用参考媒体。支持多行和动态提示词。	STRING	是
`宽度`	生成视频的宽度（像素），默认 1344。	INT	是	32 到 16384（步长 32）
`高度`	生成视频的高度（像素），默认 768。	INT	是	32 到 16384（步长 32）
`长度`	24 fps 下的帧数；124 约等于 5 秒，训练范围约为 124-362（默认 124）。	INT	是	5 到 3600（步长 17）
`参考图像尺寸`	参考图像缩放。`match` 仅将每张参考图像按比例缩小到生成的像素面积；`max` 使用参考管线的 2048px 短边以获得最佳身份保真度。参考令牌会贯穿每个采样步骤，因此 `max` 可能慢数倍（默认 `match`）。	COMBO	是	`"match"` `"max"`
`参考图像`	可增长插槽：连接 1 到 9 张参考图像（`ref_image_1` … `ref_image_9`）。每张图像如果超过 2048px 短边则缩小，并且绝不放大。	IMAGE	否	0 到 9
`参考视频`	可增长插槽：连接 1 到 3 个参考视频（`ref_video_1` … `ref_video_3`）。参考视频帧率为 24 fps（2-15 秒）。	IMAGE	否	0 到 3
`参考视频音频`	可增长插槽：连接 1 到 3 条音轨（`ref_video_audio_1` … `ref_video_audio_3`）。与相同编号的参考视频对应的音轨。	AUDIO	否	0 到 3
`参考音频`	可增长插槽：连接 1 到 3 段独立的参考音频片段（`ref_audio_1` … `ref_audio_3`）。	AUDIO	否	0 到 3

说明：

提示词使用每种类型从 1 开始的标签引用参考媒体：<Picture i> 用于图像，<Video k> 用于视频，<Audio j> 用于音频。参考内容以固定顺序呈现给模型：先是图像，然后是视频（每条音轨的 <Audio j> 标签紧跟在其 <Video k> 之前），最后是独立音频。
参考视频必须至少包含 5 帧（24 fps 下约 0.2 秒），否则节点会报错。视频帧数还会被限制到所选的 length，并裁剪到受支持的帧数。
在创建潜空间之前，请求的 length 会对齐到受支持的帧数。

输出

输出名称	描述	数据类型
`正向`	包含编码后的提示词以及 MiniMax H3 模型使用的编码参考图像、视频和音频令牌的条件。	CONDITIONING
`latent`	按请求的 `width`、`height` 和 `length`（帧数）创建的空音频-视频潜空间。	LATENT

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): d9a444e712cdc255d7c56a3ab38d0523659f198b3228b9283a7028cfd0e4f3f9