minimax-h3

用途：为 MiniMax H3（Hailuo 3）编写、调试提示词。该模型可同时生成视频与立体声，输入支持文本、图像、参考视频、参考音频及其混合。托管 API 走 partner 节点（如 MinimaxHailuo03TextToVideoNode 等，partner/video/MiniMax 分类），提供 2K 输出、按秒计费、无本地权重；本地开源权重走核心节点 MiniMaxH3ImageToVideo 与 MiniMaxH3ReferenceToVideo（comfy_extras/nodes_minimax_h3.py），768p、免费，本文主要针对此路径。提示词非自由散文：H3-Base 使用未开源的 H3-Context-IR 精炼器输出形状，本地需自行按此形状书写，即可选指令行、空行，再接 integrated_multimodal_description（含镜头、动作、说话人、对白与剧情声，按时间轴）、overall_soundscape、non_diegetic_music 三段。图生视频需固定首行声明 Picture 1 引用，首尾帧模式需用对齐句标注两张图及其落点时间（两位小数）。对白人声须用 <d>[语言] 原文</d> 包裹，说话人用 (S1) 等稳定 ID；镜头运动使用固定词表（Zoom In/Out、Push In/Pull Out、Pan、Truck、Tilt、Pedestal、Arc Shot、Tracking Shot），默认中幅度常速可省略。参考生视频有独立六段输出契约：subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape、non_diegetic_music，顺序固定，为单一字符串内的散文段而非 JSON。官方限额：9 图、3 视频、3 音频、共 12 文件，片段各 2–15 秒且总时长 15 秒，音频不可作为唯一参考；本地节点对应 ref_images(9)、ref_videos(3)、ref_video_audios(3)、ref_audios(3)。操作要点：length 须满足 17k+5 网格（124 帧约 5 秒，362 帧约 15 秒，训练区间约 124–362 帧）；原生尺寸约 1 MP，模板默认 1344x768、24fps；训练与测试时长 5–15 秒；开源版仅全注意力、较慢，稀疏注意力预告后续提供；许可为开放权重而非开源。常见故障：语音为流利乱码多因未用 <d> 包裹；人脸漂移多因缺少 <Subject N> 绑定或超分后参考尺寸错误；潜空间超分后音频失真可能与 audio_denoise 默认 1.0 有关（推断原因）；长度不符多因脱离 17k+5 网格。