MiniMaxH3ReferenceToVideo - ComfyUI Built-in Node Documentation

MiniMax H3 Reference to Video 创建 MiniMax H3 参考视频生成所需的文本条件化数据和空音频-视频 latent。

MiniMax H3 Reference to Video 创建 MiniMax H3 参考视频生成所需的文本条件化数据和空音频-视频 latent。您需要提供提示词，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在生成时可以使用的条件化数据。提示词通过 <Picture i>、<Video k> 和 <Audio j> 标签引用这些参考。

​

输入

参数	描述	数据类型	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化 token 的 CLIP 模型。	CLIP	是
vae	视频 VAE。没有它时，参考图像/视频只会对文本编码器进行条件化。	VAE	否
audio_vae	音频 VAE。没有它时，参考音频只会对文本编码器进行条件化。	VAE	否
提示词	视频的文本提示词。可以使用 <Picture i>、<Video k> 和 <Audio j> 标签引用参考媒体（按类型从 1 开始）。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 5 秒，训练范围为约 124-362）（默认：124）。	INT	是	5 到 3600 （步长：17）
参考图像尺寸	参考图像尺寸调整。match 会将每个参考图像（仅缩小，保持宽高比）缩放到生成目标的像素面积；max 使用参考管线的 2048px 短边，以获得最佳身份保真度。参考 token 会经过每个采样步骤，因此 max 可能慢数倍（默认：match）。	COMBO	是	"match" "max"
参考图像	可增长槽位：最多连接 9 张参考图像（ref_image_1 … ref_image_9）。参考图像（如果更大则下采样到 2048 短边，不会放大）。	IMAGE	否	0 到 9
参考视频	可增长槽位：最多连接 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	可增长槽位：最多连接 3 条配乐（ref_video_audio_1 … ref_video_audio_3）。与编号相同的参考视频对应的配乐。	AUDIO	否	0 到 3
参考音频	可增长槽位：最多连接 3 个独立参考音频片段（ref_audio_1 … ref_audio_3）。独立参考音频。	AUDIO	否	0 到 3

注意：

• 提示词使用按类型从 1 开始的标签引用参考媒体：图像用 <Picture i>，视频用 <Video k>，音频用 <Audio j>。参考按固定顺序呈现给模型：图像，然后是视频（每个配乐的 <Audio j> 标签紧挨在其 <Video k> 之前），最后是独立音频。
• 连接到 ref_video_audio_N 的配乐会与连接到 ref_video_N 的参考视频一起使用。
• 参考视频必须包含至少 5 帧（24 fps 下约 0.2 秒），否则节点会报错。超出请求 length 的帧会被裁剪，剩余帧数会调整为模型支持的值。
• 请求的 length 会在创建 latent 之前对齐到受支持的帧数。
• 如果没有 vae，参考图像和视频只会对文本编码器进行条件化（不会生成参考 latent）。如果没有 audio_vae，参考音频只会对文本编码器进行条件化。

​

输出

输出名称	描述	数据类型
positive	包含编码后提示词的条件化数据。当提供了参考媒体和相关的 VAE 时，它还包含 MiniMax H3 模型使用的编码后的参考图像、视频和音频内容。	CONDITIONING
latent	在请求的 width、height 和 length（帧数）下的空音频-视频 latent，包括对齐后的视频 latent 和音频 latent。	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): 47df0d6d13cb02aa4f69b50a7f8d0f6c1639c1fb5e0f69bf8fc57dd4cb752db8