ComfyUI MiniMax H3：最佳影片生成 Workflows（第 29 集）（第 3/3 段） ☕ Buy me a coffee

🧑‍🏫 這是 ComfyUI MiniMax H3 系列的最後一段。ComfyUI 是把 AI 生圖、生影片的步驟做成一個個方塊，再用線串起來操作的工具。這段示範怎麼用多張參考圖、一段歌聲或說話聲讓角色動起來，還有怎麼拿這個影片模型生圖、修圖，也老實講了作者自己遇到的卡關和怪問題。

• 23:42 參考圖工作流分兩個版本：一個用兩張圖，一個用三張圖，先示範兩張圖的版本
  ↳ 參考圖工作流（workflow，把功能方塊接好的一整套流程）分兩版，一版吃兩張圖、一版吃三張圖，先從兩張圖教起。
• 23:42 必須下載 reference video model，用第一個模型不會正確運作
  ↳ 這類工作流要另外下載 reference video model，也就是專門讀參考素材的模型版本。用第一個模型跑，結果不會對。
• 23:42 reference 的邏輯不是從某一幀開始或結束，而是看參考圖再生成新內容，所以另外做了一個 ChatGPT 提示詞用法
  ↳ 參考模式不是「從這張圖開始」或「停在這張圖」，而是把圖當素材，另外生出新畫面。寫法因此不一樣，作者另外準備了用 ChatGPT 寫提示詞的方法。
• 23:42 寫提示詞的方法：把兩張圖截圖貼進 ChatGPT，請它寫 reference-to-video prompt，再描述你想要的畫面
  ↳ 把兩張參考圖截圖丟給 ChatGPT，請它寫 reference-to-video prompt（依參考圖生影片的提示詞），再補一句你想看到什麼畫面。
• 24:12 兩張圖的成果是一段「Are you ready to escape this summer?」影片，這只是簡單例子，也能做更複雜的內容
  ↳ 兩張圖做出一支「Are you ready to escape this summer?」短片。這只是入門例子，同樣的方法也能做更複雜的內容。
• 24:45 可以用超過三張圖，只要在 MiniMax node 接上更多圖片，最多 9 張圖
  ↳ 不只三張圖。在 MiniMax node（呼叫 MiniMax 模型、接收參考圖的方塊）多接幾張就行，最多 9 張。
• 24:45 可放 3 段約 5 到 15 秒的短片；作者做 15 秒時生成跑超久，不確定是不是 bug，沒能順利跑出來
  ↳ 也能放影片當參考，最多 3 段，每段約 5 到 15 秒。作者試做 15 秒時跑超久沒跑完，不確定是不是 bug。
• 24:45 也能用 3 個音訊檔，全部加起來最多 12 個檔案；音訊範例後面才示範
  ↳ 音訊檔也能放 3 個。圖、影片、音訊全部加起來最多 12 個檔案。音訊的用法影片後面才示範。
• 25:15 因為圖片只當參考，圖片比例不太重要，可以自訂比例：先決定最大解析度，再記得選 portrait 或 landscape（作者自己常忘記切換）
  ↳ 圖只是參考，不會直接變成畫面，所以圖的比例不重要。先設最大解析度，再選直式（portrait）或橫式（landscape）。作者自己常忘了切。
• 25:15 也可以讓它跟隨第一張圖的比例，但那樣就得確保第一張圖比例正確；現在的做法是任何比例的圖都能用，影片比例自己選
  ↳ 也可以讓影片照第一張圖的比例，但那張圖的比例就得先弄對。現在的設計是丟什麼比例的圖都行，影片形狀你自己決定。
• 25:15 三張圖範例：讓兔子穿上那套橘色服裝，身處跟最後一張圖一樣的異國場景，提示詞同樣用 ChatGPT 寫
  ↳ 三張圖的例子是一隻兔子、一套橘色服裝、一個異國場景，讓兔子穿上那套衣服、站在那個場景裡。提示詞一樣請 ChatGPT 寫。
• 25:45 可以自己加更多 load image node 接上去，並以這些為基礎另存成自己的工作流
  ↳ 想放更多圖，就自己多加幾個 load image node（讀取圖片的方塊）接上去，改好後另存成自己的工作流，下次直接開來用。
• 25:45 下一組工作流能把音訊參考和圖片結合使用，但不做 audio to audio
  ↳ 下一組工作流是把聲音當參考、搭配圖片，讓角色跟著聲音動。它不做 audio to audio，也就是不會把一段聲音轉成另一段聲音。
• 25:45 音訊組有兩個工作流：一個說話、一個唱歌，先示範唱歌版，同樣使用 reference video model
  ↳ 音訊組有兩個工作流，一個讓角色說話、一個讓角色唱歌。先示範唱歌版，一樣要用 reference video model。
• 25:45 設定影片長度（duration）時，作者讓它同時影響上傳的音訊，有助於得到較好的結果
  ↳ duration 是影片長度。作者讓它同時控制上傳的音訊，只截取一樣長的聲音來用，這樣結果比較好。
• 26:16 在 load audio Pixelaroma node 可以上傳音訊檔，或從 input 資料夾選一個
  ↳ 在 load audio Pixelaroma node（作者做的讀取音訊方塊）可以直接上傳音檔，或從 ComfyUI 的 input 資料夾挑一個現成的。
• 26:16 改變 duration 時，橘色選取範圍會跟著調整，因為 seconds 輸出接到這裡，選取的音訊段落永遠和長度一致
  ↳ 音波上的橘色框是實際會用到的那段聲音。seconds 輸出有接過來，所以改 duration 時橘框會自動跟著變長變短。
• 26:16 可以把 3 秒的選取範圍往右移，從音訊的不同位置開始
  ↳ 橘框可以往右拖。例如只要 3 秒，就能挑歌曲中間或副歌那段，不一定要從頭開始。
• 26:47 拔掉 seconds 輸入就能手動自由調整；這對其他工作流可能有用，但這個工作流保持連接比較簡單
  ↳ 把 seconds 那條線拔掉，就能手動自由拉選取範圍。別的工作流可能用得到，但這個工作流保持接著最省事。
• 26:47 更多資訊可以看節點的 settings 和 help 區塊
  ↳ 看不懂某個設定時，打開節點的 settings（設定）和 help（說明）區塊，裡面有更詳細的解釋。
• 26:47 如果 duration 比實際音訊長，可以選擇補靜音（add silence）或循環音訊（loop）
  ↳ 設定的長度比音檔還長時，可以選 add silence（後面補一段無聲）或 loop（音訊播完從頭再接上）。
• 26:47 選 5 秒後播放，看白線確認哪段會拿來唱；後來改成 3 秒，覺得那段適合當輸入
  ↳ 作者先設 5 秒按播放，看白線走到哪，確認會唱哪一段。後來改成 3 秒，覺得那段剛好適合拿來當輸入。
• 27:19 工作流裡有一個幾乎什麼都適用的通用提示詞，需要時可調整，但大多數情況直接用就行
  ↳ 工作流內建一段幾乎什麼情境都適用的通用提示詞。有特別需求再改，大部分時候直接用就好。
• 27:19 最終影片尺寸在這裡用「最長邊」來設定
  ↳ 影片尺寸用 longest side（最長邊）設定。只要填最長那一邊是幾像素，另一邊會依比例算出來。
• 27:50 工作流有作者新做的 H3 Audio Sync node，點 more 可看說明，用來讓音訊保持一致
  ↳ 作者新做了 H3 Audio Sync node，用來讓聲音跟畫面保持一致、對得上。按 more 可以看它的說明。
• 27:50 作者說這個節點太複雜、自己沒完全搞懂，是 Claude 想出來的，但結果不錯
  ↳ 作者坦白說這個節點太複雜，他自己也沒完全弄懂，是請 Claude（AI 助理）想出來的，但實際效果不錯。
• 27:50 想要更多動作可以改提示詞，例如加上兔子跳舞時把手舉高，再跑一次
  ↳ 覺得角色動作太少，就改提示詞。例如加一句「兔子跳舞時把手舉高」，再生一次看看。
• 28:24 某些 seed 生成的影片會出現幾乎看不見的線，通常在畫面中間附近
  ↳ seed 是決定隨機結果的號碼，換一個號碼就換一個版本。有些 seed 生出的影片會有很淡、幾乎看不到的線，多半在畫面中間附近。
• 28:24 作者不確定出現線條的原因：可能是解析度低、模型本身偶爾會這樣，或某處設定錯誤
  ↳ 作者也不確定為什麼會有線。可能是解析度太低、模型偶爾就會這樣，或是哪裡設錯了。遇到時可以先換個 seed 試試。
• 28:24 第二個是說話工作流，和唱歌版類似但提示詞不同；在這裡加入語音，同樣縮短成 3 秒
  ↳ 說話版跟唱歌版架構差不多，差在提示詞。這裡改放一段講話的語音，一樣只截 3 秒來用。
• 28:57 把最長邊尺寸設小一點可以生成更快；提示詞的設定方式可參考，歡迎自己調整找更好的
  ↳ 最長邊設小一點，生成會快很多，適合先試效果。提示詞可以參考作者的寫法，也歡迎自己改，找更好的寫法。
• 28:57 Audio Sync node 裡還有更多設定，作者讓音訊不超過 15 秒
  ↳ Audio Sync node 裡還有其他設定可調，作者把音訊上限設成 15 秒。
• 30:00 限制 15 秒是因為 MiniMax 最多只能生成 15 秒影片
  ↳ 上限設 15 秒，是因為 MiniMax 一次最多只能生 15 秒影片，音訊再長也用不到。
• 30:00 音訊超過時預設只會警告，也可以設成直接停止執行；音訊太短時同樣可選補靜音或循環
  ↳ 音訊超過 15 秒時，預設只跳警告，也可以改成直接停止不跑。音訊太短時，一樣可以選補靜音或循環播放。
• 30:00 MiniMax 雖是影片模型，也能生圖或修圖，但有點慢，作者生圖仍偏好 Crea2 模型
  ↳ MiniMax 雖然是影片模型，其實也能生圖、修圖，只是比較慢。作者自己生圖時還是偏好用 Crea2 模型。
• 30:30 如果已經有 MiniMax 模型，至少知道生圖也是個選項
  ↳ 如果你已經下載了 MiniMax 模型，至少知道它也能拿來生圖，多一個選擇。
• 30:30 portrait landscape node 加了限制為 32 倍數的設定，輸入尺寸後切換方向就能得到正確比例
  ↳ portrait landscape node 加了「尺寸必須是 32 的倍數」的限制。輸入尺寸後切換直橫，就會自動得到正確的比例。
• 30:30 生圖流程：加入長提示詞後執行即可
  ↳ 生圖流程很單純，貼上一段描述完整的長提示詞，按執行就好。
• 30:30 Full HD 圖花 45 秒，效果不錯；縮小尺寸只要 17 秒，但畫質差，像低畫質影片的一幀，而它實際上就是
  ↳ Full HD 圖花 45 秒，效果不錯。縮小尺寸只要 17 秒但畫質差，像低畫質影片的截圖，因為它本來就是影片裡的一格。
• 31:02 原理是一次生成 5 幀，再取第一幀（index 0）；長度設成 1 會讓節點報錯，作者認為 MiniMax 喜歡一次 5 幀
  ↳ 模型一次生 5 格畫面，再取第一格，也就是 index 0（程式從 0 開始數）。長度設 1 會報錯，作者推測 MiniMax 習慣一次生 5 格。
• 31:02 修圖工作流和生圖類似，但要載入圖片並寫要改什麼；寫清楚哪些要改、哪些保留的長提示詞可能效果更好
  ↳ 修圖跟生圖差不多，只是要先載入原圖，再寫要改哪裡。把「哪些要改、哪些保留」寫清楚的長提示詞，效果可能更好。
• 31:02 修圖這次改用較小的尺寸來試
  ↳ 這次修圖改用比較小的尺寸來試。
• 31:32 修圖一樣用 get image from batch，載入的圖接到 first frame，這次約花 1 分鐘
  ↳ 修圖一樣用 get image from batch 從一批畫面中取出一張。原圖接到 first frame（第一格畫面）輸入，這次大約花 1 分鐘。
• 31:32 有照要求改了頭髮，但畫質會掉一點；小細節可以蒙混過去，但有時會改到更多東西
  ↳ 頭髮確實照要求改了，但畫質會掉一點。小細節看不太出來，但有時模型會連你沒要改的地方一起改掉。
• 31:32 例如有時連文字也被改成粉紅色，不只頭髮，要看 seed；這次短提示詞就成功了
  ↳ 例如有時連圖上的文字都變成粉紅色，不只頭髮，要看 seed 的運氣。這次只寫一句短提示詞就成功了。
• 31:32 記得查看每個 Pix Aroma node 的 help 來深入了解節點
  ↳ 作者做的 Pix Aroma 節點都附有 help 說明，想弄懂某個節點怎麼用，點開來看就對了。
• 32:04 help 內容會在作者更新節點時一起更新
  ↳ 作者更新節點時會一起更新 help，所以看到的說明會跟上最新版本。
• 32:04 最後展示幾支 MiniMax 生成的影片：Pixa Time Machine 廣告、Apple 手機、叢林 vlog、偷起司的小偷、Vorax 9
  ↳ 最後播幾支 MiniMax 做的成品：Pixa Time Machine 廣告、Apple 手機、叢林 vlog、偷起司的小偷、Vorax 9，讓你看它能做到什麼程度。

根據影片，在 MiniMax node 中最多可以接幾張參考圖片？