MiniMax H3 两阶段工作流：高分辨率 ComfyUI 指南

AI 概览

什么是 MiniMax H3 两阶段工作流？

它先在较小的首遍画布上构建运动、构图与声音，再放大 H3 潜变量（latent），并执行低噪声的第二遍采样，以重建高分辨率细节。

它是否比直接在高分辨率下生成更快？

通常在迭代阶段更快，因为首遍成本更低。但精修阶段仍会逼近目标分辨率，因此峰值显存（VRAM）和总耗时取决于缩放比例、视频时长及是否启用卸载（offloading）。

第二阶段是否保留 MiniMax H3 原生音频？

可以保留。兼容的 H3 潜变量超分器（latent upscaler）会将音频潜变量一并前传，允许你锁定音频或仅做轻微润色；过度的音频去噪则可能替换或扭曲原声轨。

谁应使用该工作流？

适用于需要更锐利 H3 输出、更快草稿迭代，或受限于显存（low-VRAM）的 ComfyUI 用户——前提是您能在两个阶段之间人工核查人物身份、运动连贯性与音频质量。

MiniMax H3 两阶段工作流的实际作用

MiniMax H3 两阶段工作流 将创意决策与细节重建分离：第一阶段在适中尺寸画布上解决运动、镜头运镜、时间节奏及原生音频；第二阶段则对已确认的潜变量进行放大，并沿更低噪声的采样轨迹重建纹理，而非凭空生成全新表演。

第一阶段：锁定运动、构图与音频

从一段简短、可量化的镜头开始，固定提示词（prompt）、随机种子（seed）、时长、帧率及参考素材。较小画布能以更低代价暴露镜头或手部运动的失败。务必完整审阅整段视频，在精修前剔除不良运动。

一次有效的首遍输出，应确保人物、围裙、工坊环境、工具及玻璃形态在镜头由全景动作推进至特写细节的过程中始终可辨识。

第二阶段：超分并重建细节

将第一采样器的去噪后输出（denoised output）输入兼容 H3 的潜变量超分器。更新条件控制（conditioning）以匹配新尺寸，仅添加必要程度的噪声用于细节重建，并在更低 sigma 值范围内运行第二采样器。精修后解码，以在保留整体结构的同时解析微观纹理（microtexture）。

两阶段采样 vs 直接渲染 vs 解码后像素超分

若需快速开展视觉实验且暂无本地图（graph），可在 Seedance 图像转视频工作流 中测试相同镜头结构，重点对比运动表现与可用细节，而非仅关注分辨率标签。

导入该工作流前的准备工作

模型、编码器与 VAE 文件

从一个已能正确渲染的 MiniMax H3 工作流起步。确认检查点（checkpoint）或量化模型、文本编码器、VAE 及各模型路径。将该图单独保存，作为回滚（rollback）路径。

必需的自定义节点

须使用专为 H3 打包式音视频潜变量设计的超分器，而非通用图像节点。第一采样器必须暴露去噪后输出，超分器必须支持音频潜变量传递，第二阶段则需接受重建后的条件控制。测试前请确保所有缺失节点均已解决。

硬件规划

两阶段可降低错误草稿的成本，但不保证峰值内存更低。精修阶段仍需处理放大后的潜变量。显存（VRAM）、系统内存（RAM）、计算精度、是否卸载（offloading）、视频时长及目标画布尺寸均会影响性能。首次测试建议采用短时长，并预留充足磁盘空间用于存放模型、潜变量及解码后的帧。

若单个项目混合使用托管（hosted）与本地生成，可参考 多模型 AI 视频工作流，了解如何按成本、可控性与制作风险对镜头进行路由分配。

如何构建两阶段 ComfyUI 图（Graph）

以已验证的 H3 基线图起步

首先运行未经修改的文生视频（text-to-video）、图生视频（image-to-video）或参考生视频（reference-to-video）图。仅使用单一主体、单一动作、单一镜头指令与单一声音条件。记录随机种子（seed）、尺寸、帧数、采样器、精度及渲染耗时。若该基线图本身失败，精修器只会掩盖根本原因。

将第一阶段连接至潜变量超分器

将第一采样器的 去噪后输出（denoised output）（而非解码后的图像）接入 H3 潜变量超分器。使用图所支持的尺寸，并从适中的缩放倍率起步，以便轻松判断运动保真度。

右侧应增加毛发丝缕、水体结构与表面纹理，但不得改变狗的姿势、剪影、表情或日出光照。

为新画布重建条件控制（Conditioning）

将图像或参考条件控制缩放到第二阶段所需尺寸。尺寸不匹配可能导致面部畸变、构图偏移或主体误读。参考强度（reference strength）宜保守设置，仅当身份仍发生漂移时才逐步提高。

运行低 sigma 精修采样

将放大后的潜变量接入第二采样器，禁用外部噪声（external noise），并采用更低噪声范围的 sigma 值。请测试具体分割点（split），而非套用通用数值。使用兼容的 VAE 解码，并同步保存视频与音频。MiniMax H3 AI Agent 技能指南 提供了另一种组织参考素材与时间节奏的方法。

高分辨率、高速度与原生音频的最佳参数设置

选择基础画布尺寸与缩放因子

基础画布必须定义出面部、手部及小型物体，同时确保被拒稿的草稿成本低廉。起始分辨率可参考已验证的 H3 分辨率，随后仅测试一个中等缩放步长。远距离面部可能需要更大的基础画布，因此切勿仅凭一个简单镜头就判断该设置是否合适。

有意识地拆分步骤与 sigma 值

高噪声采样决定构图与运动；低噪声采样解析纹理。若第二阶段改变了肢体姿态或摄像机朝向，则应延后精修时机，或降低去噪强度（denoise）；若其几乎未带来增益，则可略微暴露更多低噪声轨迹。每次测试仅调整一个参数。

锁定、润色或混音音频

将音频视为一条需主动管理的分支。当第一阶段已生成可用的对白、环境音或音乐时，请将 audio_denoise 设为零。轻微的去噪值可用于润色音质；过高的值则可能导致语音含混、时序偏移或房间声学特征改变。

音乐特写是严苛的测试：精修后的画面必须确保琴弓始终接触琴弦、手指准确按在指板上、面部身份稳定不变，且可听音符与动作严格同步。

播放完整样本，观察鼓棒击打、镲片运动、手部连贯性，以及声音是否始终贴合可见节奏。

对于需让多个视觉或音频参考各自承担独立任务的镜头，请先使用 reference-to-video 工作区 进行组织。

关键的低显存（Low-VRAM）设置

启用模型卸载（model offloading）、支持高效的注意力机制（efficient attention）、保守的帧数设定，以及单批次（one batch）。仅解码你将实际检查的版本。若第二阶段仍发生显存溢出（OOM），请先降低目标尺寸或时长，再叠加更多优化器。

如何导入并验证 MiniMax H3 工作流 JSON

导入并解析依赖项

将工作流 JSON 拖入 ComfyUI，阅读缺失节点列表，然后逐一核验各代码仓库地址与模型路径。重启后确认输入参数未被重置。请保留原始 JSON，并对修改后的图谱单独进行版本管理。

运行受控基线测试

使用固定随机种子（seed）生成一段五至八秒的镜头。在不更改提示词的前提下，分别保存第一阶段输出、两阶段合成结果及直接分辨率输出。为获得干净基线，可借助 文本到视频生成器 将提示词问题与图谱问题分离。

对比观众实际可见与可听的内容

记录渲染耗时、峰值显存、身份一致性、几何准确性、摄像机运动路径、闪烁现象、背景稳定性、音频清晰度及音画同步性。静态帧可能夸大锐度，却掩盖时间维度上的不一致——因此请先以正常速度观看各版本整体效果，再针对性检查难点帧。

仅当第二阶段带来可见增益时才予以保留。若其虽提升了细节但导致人物、动作或音轨发生改变，请降低其噪声范围（noise range），或改用解码后（post-decode）超分方案。

修复 OOM、音频失真、身份扭曲与色彩噪点

第二阶段显存溢出（OOM）

优先减小目标尺寸，其次缩短时长或增强卸载力度。确认两个模型未被意外同时驻留在 GPU 上；第二阶段往往决定了峰值显存占用。

面部或角色发生改变

检查条件输入维度（conditioning dimensions）、参考图像缩放比例及去噪强度（denoise）。身份漂移通常意味着精修器自由度过高，或条件输入不匹配。建议先在更贴近目标的画布上测试，再添加面部修复模块。

对白或环境音变得含混不清

将音频去噪设为零，并确认第一阶段输出质量。若其音频本身不稳定，可为第一阶段分配更多调度资源（schedule），或简化提示词。第二阶段无法可靠修复第一阶段从未建立过的表演表现。

细节呈现过火或出现色彩噪点

将第二阶段启动时机延后、降低其去噪强度，并核实 VAE 与潜在空间超分器（latent-upscaler）的版本。若在受控测试中色彩噪点持续存在，请改用解码后像素级超分（decoded pixel upscale），而非强制走潜在空间路径。

JSON 中存在缺失或不兼容节点

逐一对齐节点版本，并在每次修改后重新测试。嵌套式音视频潜在空间报错（nested video-and-audio latent errors）常表明某通用节点误入了 H3 专用路径。此时应回退至基线版本，并逐段重新连接。

结论

将 MiniMax H3 两阶段工作流作为审批流水线来使用：以低成本解决运动、构图与音频问题，再对值得保留的镜头进行精修。仅当第二阶段在不重写表演内容的前提下增添可见细节时，才接受其输出。从已知可靠的图谱起步，保护音频完整性，对比渲染结果，并每次仅变更一个变量。为验证需求简报（brief），请 从 Seedance AI 视频生成器 入手，将同一提示词或帧转化为测试片段。