MiniMaxH3ReferenceToVideo - ComfyUI Built-in Node Documentation

MiniMax H3 Reference to Video は、MiniMax H3 の reference-to-video 生成に必要なテキストコンディショニングと空の音声・映像潜在表現を作成します。

MiniMax H3 Reference to Video は、MiniMax H3 の reference-to-video 生成に必要なテキストコンディショニングと空の音声・映像潜在表現を作成します。プロンプトと、任意の参照画像、参照動画、参照音声クリップを指定すると、ノードはこれらの参照を、モデルが生成中に使用できるコンディショニングへエンコードします。プロンプトでは、<Picture i>、<Video k>、<Audio j> タグを使って参照を指定します。

​

入力

パラメータ	説明	データ型	必須	範囲
clip	プロンプトをトークン化し、参照メディアをコンディショニングトークンにエンコードするために使用する CLIP モデル。	CLIP	はい
vae	動画 VAE。これがない場合、参照画像・動画はテキストエンコーダーにのみ条件付けを与えます。	VAE	いいえ
audio_vae	音声 VAE。これがない場合、参照音声はテキストエンコーダーにのみ条件付けを与えます。	VAE	いいえ
プロンプト	動画のテキストプロンプト。参照メディアは <Picture i>、<Video k>、<Audio j> タグで指定できます（種類ごとに1始まり）。複数行プロンプトと動的プロンプトをサポートします。	STRING	はい
幅	生成する動画の幅（ピクセル単位、デフォルト: 1344）。	INT	はい	32～16384（ステップ32）
高さ	生成する動画の高さ（ピクセル単位、デフォルト: 768）。	INT	はい	32～16384（ステップ32）
長さ	24 fps でのフレーム数（124 = 約5秒、学習範囲は約124～362）（デフォルト: 124）。	INT	はい	5～3600（ステップ17）
リファレンス画像サイズ	参照画像のサイズ調整。match は各参照を（縮小のみ、アスペクト比を維持しながら）生成のピクセル面積に合わせます。max は参照パイプラインの短辺 2048px を使用し、最高の同一性忠実度を実現します。参照トークンはすべてのサンプリングステップを通過するため、max は数倍遅くなることがあります（デフォルト: match）。	COMBO	はい	"match" "max"
リファレンス画像	拡張可能なスロット：最大9枚の参照画像（ref_image_1 … ref_image_9）を接続できます。参照画像（大きい場合は短辺2048に縮小され、拡大はされません）。	IMAGE	いいえ	0～9
リファレンス動画	拡張可能なスロット：最大3本の参照動画（ref_video_1 … ref_video_3）を接続できます。24 fps の参照動画フレーム（2～15秒）。	IMAGE	いいえ	0～3
リファレンス動画音声	拡張可能なスロット：最大3つのサウンドトラック（ref_video_audio_1 … ref_video_audio_3）を接続できます。同じ番号の参照動画のサウンドトラック。	AUDIO	いいえ	0～3
リファレンス音声	拡張可能なスロット：最大3つの独立した参照音声クリップ（ref_audio_1 … ref_audio_3）を接続できます。独立した参照音声。	AUDIO	いいえ	0～3

注意事項：

• プロンプトでは、種類ごとに1始まりのタグを使って参照メディアを指定します。画像には <Picture i>、動画には <Video k>、音声には <Audio j> を使用します。参照は固定の順序でモデルに提示されます。まず画像、次に動画（各サウンドトラックの <Audio j> ラベルは、対応する <Video k> の直前に置かれます）、最後に独立した音声です。
• ref_video_audio_N に接続されたサウンドトラックは、ref_video_N に接続された参照動画と組み合わせて使用されます。
• 参照動画には少なくとも5フレーム（24 fps で約0.2秒）が必要です。そうでない場合、ノードはエラーを発生させます。要求された length を超えるフレームは切り捨てられ、残りのフレーム数はモデルがサポートする値に調整されます。
• 要求された length は、潜在表現が作成される前に、サポートされるフレーム数に合わせて調整されます。
• vae がない場合、参照画像と参照動画はテキストエンコーダーにのみ条件付けを与えます（参照潜在表現は生成されません）。audio_vae がない場合、参照音声はテキストエンコーダーにのみ条件付けを与えます。

​

出力

出力名	説明	データ型
positive	エンコードされたプロンプトを含むコンディショニング。参照メディアと関連する VAE が提供されている場合、MiniMax H3 モデルが使用するエンコード済みの参照画像、動画、音声コンテンツも含まれます。	CONDITIONING
latent	要求された width、height、length（フレーム数）の空の音声・映像潜在表現。調整済みの映像潜在表現と音声潜在表現を含みます。	LATENT

このドキュメントは AI によって生成されました。エラーを見つけた場合や改善のご提案がある場合は、ぜひ貢献してください！ GitHub で編集

---

Source fingerprint (SHA-256): 47df0d6d13cb02aa4f69b50a7f8d0f6c1639c1fb5e0f69bf8fc57dd4cb752db8