MiniMax H3 图像转视频 - ComfyUI Built-in Node Documentation

此节点准备使用 MiniMax H3 模型生成视频所需的 conditioning 和空 latent。

此节点准备使用 MiniMax H3 模型生成视频所需的 conditioning 和空 latent。它接收文本提示词，以及可选的视频首帧和/或尾帧图像，并将其转换为模型输入。关键帧图像会被调整尺寸、编码，并分别附加到视频开头和结尾的 conditioning 上。

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，并将关键帧图像编码为 conditioning 的 CLIP 模型。	CLIP	是
`vae`	当提供关键帧图像时，用于将关键帧图像编码到 latent 空间的 VAE 模型。	VAE	是
`提示词`	描述要生成视频的文本提示词。支持多行和动态提示词。	STRING	是
`宽度`	视频宽度，单位为像素（默认：1344）。	INT	是	32 到 MAX\_RESOLUTION （步长：32）
`高度`	视频高度，单位为像素（默认：768）。	INT	是	32 到 MAX\_RESOLUTION （步长：32）
`长度`	以 24 fps 计的帧数，会向上对齐到模型的 17k+5 网格（124 = 约 5 秒；训练范围约为 124-362，更长范围未经验证）（默认：124）。	INT	是	5 到 3600 （步长：17）
`首帧`	可选图像，用作视频的第一帧。它会被拉伸到整个画布尺寸，因此不会保留其宽高比。仅使用输入批次中的第一张图像。	IMAGE	否
`末帧`	可选图像，用作视频的最后一帧。它会被裁剪以覆盖画布，同时保留其宽高比。仅使用输入批次中的第一张图像。	IMAGE	否

当提供 first_frame 和/或 last_frame 时，关键帧图像会使用 VAE 编码，并分别附加到第 0 帧和最后一帧的 conditioning 上。当两者都未提供时，此节点仅根据提示词工作。请求的 length 会向上对齐到最接近的有效帧数（17k + 5），因此实际帧数可能会略高于请求值。

音频-视频 latent 会创建为一个空对，与请求的 width、height 以及对齐后的帧数匹配。音频部分根据相同帧数按每秒 40 个音频帧确定尺寸。

输出

输出名称	描述	数据类型
`positive`	包含编码后的提示词的 conditioning；当提供关键帧图像时，还包含编码后的关键帧和帧数，供 MiniMax H3 模型使用。	CONDITIONING
`latent`	表示待生成内容的空音频-视频 latent，具有请求的宽度、高度和帧数。	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): d1bdf3f8c66ef20ff11c35203d2c266a88dcf8cc00c65dbb0aea2b1dd16befd6