MiniMax H3真音频驱动数字人：锁定原音频与多人对话工作流

作者：@AIwood爱屋研究室

MiniMax H3真音频驱动数字人：锁定原音频与多人对话工作流

一句话导读：这套 MiniMax H3 数字人工作流不是把音频只当普通参考，而是将源音频编码并锁定在联合音视频 latent 中驱动人物，同时保留原始音轨用于最终合成，以兼顾口型动作与声音清晰度。

核心内容：
1. 标准 H3 数字人流程中，音频与视频一起经过采样和潜空间重绘，可能让输出音轨出现杂音；如果生成结束后只替换回原始音频，又可能出现口型与声音对不上的问题。视频围绕这两个冲突点展示新的音频驱动方案。
2. 工作流使用 VRGameDevGirl 的 ComfyUI 节点包，核心节点名为 VRGDG MiniMax H3 Audio Drive。项目源码显示，它接收 H3 联合音视频 latent、源音频和音频 VAE，把源音频编码到音频 latent，并用零去噪掩码锁定这一部分。
3. 节点同时输出 audio_driven_av_latent 和 original_audio：前者送入采样器，让人物动作和口型受音频条件驱动；后者保持原始音频对象不变，连接视频合并节点用于最终封装，避免把 VAE 往返后的音轨当作最终声音。
4. 单人流程可用于说话、演唱和带角色参考的音乐视频。接线时应使用 MiniMax H3 参考生视频产生的联合 latent，并把同一音频同时用于参考条件和 Audio Drive；提示词中还需按工作流格式引用对应音频。
5. 双人或多人对话需要接入不同角色图片和多段音频，先合并音频，并在不同人物台词之间加入短暂静音作为过渡；随后在提示词中精确标出各角色台词的时间段，帮助模型把声音、人物与口型对应起来。
6. 首屏评论提出了“生成后再按分段对齐原音频”的替代思路，作者提醒如果音频 latent 仍经过采样器，仍可能有损失。两种路线各有取舍，实际稳定性应结合节点版本、工作流接线、音频时序与角色素材测试。

适合人群：希望用 MiniMax H3 制作说话、演唱、双人或多人对话数字人，并关注原始音质、角色参考和口型同步的 ComfyUI 用户。

相关夸克网盘链接：
【对应所需插件+工作流+模型网盘地址：https://pan.quark.cn/s/daf53a72d9a7】

补充说明：本文根据授权视频约 3 分钟完整音频转写、视频简介、默认第一页评论及项目公开源码整理。节点仍需按当前仓库版本与配套工作流安装；多角色对话效果会受参考图、音频切分、静音过渡、提示词时间段和采样设置影响。