去画质油腻：MiniMax H3人像LoRA双数据集与音频训练全流程

作者：@T8star-Aix



一句话导读：作者演示 MiniMax H3 人像 LoRA 的云端训练全流程，重点讲解视频与图像双数据集、音频样本配比、触发词和低显存参数，并用生成结果验证 LoRA 对角色一致性和画面油腻感的改善。

核心内容：
1. 当前官方尚未发布正式训练代码，视频使用社区实现的训练环境。训练集分为 videos 和 images 两个目录：视频负责学习动态、人物表现和音频关系，图像用于补充人物身份一致性、多角度与不同服装。视频片段可以长度不同，训练器也可按素材自动匹配帧数。
2. 每段视频都需要打标。作者推荐使用针对视频优化的提示词反推工具，并强调该模型需要稳定的触发词；中文标签可以使用，但触发词若没有写进标签文件，应在训练配置中补充。实测中只加载 LoRA 而不写触发词，虽然油腻感会减轻，人物身份仍可能完全不对。
3. 音频数据不能全部是持续说话的片段。作者的初版数据约 10 段且段段有人声，导致生成时即使提示词没有要求说话，角色仍会持续开口。更合理的训练集应加入有音乐但无人声、以及无音乐无说话的片段，让模型学会区分说话和非说话状态。
4. 图像集不必追求数量，主要用于补足脸部、视角和服装变化。若训练目标只强调脸部，半身服装变化应控制；若希望角色泛化更好，则应覆盖不同角度与服装。作者同时建议视频与图像数据集分开设置分辨率，图像可承担更高分辨率的一致性学习。
5. AI Toolkit 配置中选择 MiniMax H3，并按显存开启低显存选项。作者的 LoRA rank 测试以 16 为主，数据量不大时建议在 16 到 32 之间；batch size 暂设为 1，同时开启文本嵌入缓存和音频训练。48GB 显存演示没有勾选视频 1024 分辨率，更高显存硬件才适合提高分辨率或批次。
6. 训练完成后，作者在工作流中以约 0.9 权重测试 LoRA。约一万到一万三千步时，人物相似度已明显提高，但仍可能没有完全拟合。对比未加载 LoRA 的结果，加载后脸部、皮肤与服装质感更自然，画面油腻感下降；其价值不仅是固定角色，还包括让文生视频保留更大的运动和创作空间。
7. 视频也明确展示了限制：训练步数、素材构成和触发词需要共同调试，某个样片上的去油腻和高一致性不能直接推广到所有角色。音频样本失衡尤其会形成明显偏置，应在正式训练前先检查素材分布。

适合人群：准备训练 MiniMax H3 人像或角色 LoRA，希望同时利用视频动态、图像一致性和音频信息，并需要了解数据准备、参数取舍与常见踩坑点的用户。

相关夸克网盘链接：
【模型及工作流：https://pan.quark.cn/s/a30a9a95a1bf】
【T8 CF整合包V17：https://pan.quark.cn/s/af20c54c9a13】
【无限画布整合包v2.6.8：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.8A：https://pan.quark.cn/s/ed4f5cc2db75】

补充说明：本文根据授权视频约 708.4 秒完整音频转写、视频简介和默认第一页评论整理。部分训练参数会随社区实现更新，实际显存占用、收敛步数和生成质量取决于数据集、硬件与工作流版本，请以作者演示和当前训练器为准。