ComfyUI入门：MiniMax H3多模态视频生成与参考能力

作者：@AIwood爱屋研究室

ComfyUI入门：MiniMax H3多模态视频生成与参考能力

一句话导读：视频用一分钟科普 ComfyUI 的基本工作方式，并说明 MiniMax H3 的多模态视频生成、文生/图生、首尾帧和参考能力分别适合什么场景。

核心内容：
1. 视频把 ComfyUI 比作可以自己搭配菜单的开放式厨房：用户通过拖拽节点、连线和组合参数来搭建工作流，也可以在本地部署，把图片、视频和音频放进同一套流程中处理。
2. 基础工作流中，CLIP 负责理解提示词，正提示词描述希望生成的内容，负提示词约束不希望出现的内容；采样器负责逐步生成，解码器把潜空间结果还原为可见图像，保存节点则输出最终图片。
3. 作者将 MiniMax H3 解释为多模态模型：文字、图像和声音等信息会与待生成的视频和音频一起对齐，再由对应解码器输出画面与声音。这个多模态设计是视频认为 H3 强大的主要原因之一。
4. 视频还区分了不同入口：基础路径可用于文生视频、图生视频和首尾帧任务；Ref2VA 则作为参考能力的示例，把参考素材带入新视频，用于辅助保持角色、风格或动作信息。具体支持范围仍应以当前工作流入口为准。
5. ComfyUI 的价值在于把模型能力拆成可组合的节点，用户可以按需求替换提示词、采样和解码环节，并进一步组合视频、图像和音频流程。对想尝试 MiniMax H3 的用户，本地工作流比单一按钮式界面提供了更大的调试空间。
6. 默认首屏评论提出了两个使用反馈：有人关注长视频中的人物是否漂移，也有人觉得音频仍有轻微电流声。这些是评论区的体验观察，不等同于视频对模型的全面测评。

适合人群：刚接触 ComfyUI、想理解节点式工作流，或希望快速了解 MiniMax H3 文生视频、图生视频和参考能力入口的用户。

补充说明：本文根据授权视频约 78.6 秒完整音频转写、视频简介和默认第一页评论整理；简介与首屏评论未发现夸克网盘链接，实际效果会受模型版本、工作流、素材和本地硬件影响。