Flujo de Trabajo de Pika H3 Flex ComfyUI: dos imágenes de referencia a video con audio estéreo y comparación A/B Turbo#
Este flujo de trabajo de Pika H3 Flex ComfyUI convierte dos imágenes de referencia más un aviso de escena en un video corto con audio estéreo sincronizado. Está diseñado para artistas e investigadores que desean resultados rápidos y de alta calidad de referencia a video y una comparación A/B justa entre la ruta Pika H3 Flex Turbo Ref2VA y una ruta MiniMax H3 Turbo usando los mismos sujetos, aviso, dimensiones y semilla.
Bajo el capó, el flujo de trabajo construye una única condición y latente de tus referencias, luego ejecuta dos ramas de muestreo de ocho pasos en paralelo. Cada rama decodifica video y audio y escribe su propio MP4, lo que facilita juzgar el estilo, la fidelidad del movimiento y la plausibilidad del audio mientras se mantiene todo lo demás constante.
Modelos clave en el flujo de trabajo de Comfyui Pika H3 Flex ComfyUI#
- Pika-Labs Pika H3 Flex. Modelo de video de base y activos que informan el aspecto y los antecedentes de movimiento de la rama Pika. Consulta la tarjeta del modelo para capacidades y notas de uso recomendadas. Pika-Labs/Pika-H3-Flex
- Pika H3 Flex Turbo LoRA. Un adaptador liviano optimizado para Ref2VA rápido y de alta calidad en H3 Flex con fuerte transferencia de identidad y movimiento nítido en pocos pasos. Pika-Labs/Pika-H3-Flex-Turbo-LoRA
- MiniMax H3 Singularity Ref2VA. La columna vertebral de difusión utilizada aquí para la condición de referencia a video, emparejada con VAEs y codificador de texto del paquete MiniMax H3. WarmBloodAban/Minimax-h3_Singularity
- MiniMax H3 Video VAE y Audio VAE. Decodificadores para cuadros y formas de onda estéreo utilizados por ambas ramas para reconstruir visuales y sonido. Comfy-Org/MiniMax-H3
Cómo usar el flujo de trabajo de Comfyui Pika H3 Flex ComfyUI#
El gráfico está organizado en grupos que entregan un estado coherente. Ambas ramas comparten las mismas referencias, aviso, dimensiones y semilla, luego divergen solo en la etapa LoRA para producir dos salidas comparables.
Modelos#
Este grupo carga el MiniMax H3 UNet, codificador de texto, y los VAEs de video y audio emparejados, luego los registra para su reutilización. No necesitas cambiar nada aquí a menos que estés intercambiando variantes de modelos de sus tarjetas. El backend de atención está configurado para favorecer una atención eficiente y estable adecuada para cargas de trabajo de video. Todos los objetos del modelo se almacenan a través de nodos get/set para que cada etapa posterior pueda referenciar una única fuente de verdad.
Entradas del usuario#
Usa los dos cargadores de imágenes para traer a tus sujetos. Los fondos se eliminan automáticamente para enfatizar la identidad y la pose, lo que aumenta la consistencia de la apariencia cuando los sujetos se colocan en una nueva escena. Ingresa la descripción de tu escena en el Aviso de Texto; puedes incluir opcionalmente una línea "Audio:" para guiar efectos y ambiente. Elige la relación de aspecto y los megapíxeles; el Selector de Resolución calcula un ancho y altura múltiplo de 32, y la duración se convierte en un conteo de cuadros que se alinea con el muestreador para un movimiento suave. Establece FPS y semilla para controlar la sensación de reproducción y la reproducibilidad en ambas salidas.
Ensamblaje de aviso y configuraciones#
Se antepone un breve texto de estilo a tu aviso a través de una etapa de concatenación de cadenas para impulsar el realismo y la coherencia temporal. Puedes mantenerlo, editarlo o reemplazarlo completamente para que coincida con el tono de tu proyecto. El aviso final se almacena y recupera consistentemente para que ambas ramas reciban texto idéntico. El ancho, altura, conteo de cuadros y semilla también se centralizan para garantizar una comparación justa.
Condicionamiento#
MiniMaxH3ReferenceToVideo (#6617) ingiere las dos referencias con fondo limpio, el aviso empaquetado y las dimensiones compartidas para construir un condicionamiento positivo más un latente inicial para video y audio. El nodo fusiona pistas de identidad de ambas imágenes con tu intención de escena, produciendo un plan de movimiento base y un boceto de audio. Ese único objeto de condicionamiento se exporta para ambos muestreadores, asegurando que las ramas Pika y Turbo solo difieran por su pila LoRA y ruta interna del muestreador.
LoRAs#
Se preparan dos pilas de LoRA a partir del mismo modelo base. Una aplica el Pika H3 Flex Turbo Ref2VA LoRA para enfatizar el aspecto Pika mientras preserva la identidad en muy pocos pasos. La otra aplica un MiniMax H3 Turbo Ref2V LoRA ajustado para velocidad y nitidez. Debido a que se utilizan la misma semilla, aviso y condicionamiento, cualquier diferencia que veas refleja el estilo y dinámica de cada LoRA en lugar de cambios en las entradas.
Muestreo Normal - Pika H3 Flex#
Esta rama selecciona el modelo registrado afinado para Pika, siembra un campo de ruido y ejecuta un muestreador de ocho pasos con el condicionamiento compartido. Después de eliminar el ruido, el latente de video y el latente de audio son decodificados por los VAEs MiniMax H3. VHS_VideoCombine combina cuadros y audio estéreo en un MP4 y lo guarda con un prefijo de nombre de archivo específico de Pika. Usa esta salida para juzgar la estabilidad de identidad, integridad facial, suavidad de movimiento y cómo el foley sintetizado coincide con tu guía "Audio:".
Muestreo Normal - Turbo LoRA#
Esta rama refleja la ruta Pika pero intercambia el MiniMax H3 Turbo LoRA. Se aplica el mismo muestreador de ocho pasos, semilla, aviso y matemática de cuadros para mantener la prueba justa. La decodificación usa los mismos VAEs, luego VHS_VideoCombine escribe un segundo MP4 con un prefijo Turbo. Comparar los dos archivos lado a lado revela los compromisos en textura, agresividad del movimiento y detalle de audio entre las rutas Pika H3 Flex Turbo y MiniMax H3 Turbo.
Nodos clave en el flujo de trabajo de Comfyui Pika H3 Flex ComfyUI#
MiniMaxH3ReferenceToVideo (#6617)#
Centraliza Ref2VA combinando tus dos referencias, aviso y dimensiones objetivo en un único condicionamiento positivo y un latente inicial. Ajusta solo lo esencial aquí: aviso de escena, elección y orden de imágenes de referencia, y la duración/tamaño que se adapte a tu toma. Mantén las mismas configuraciones al comparar ramas para que las diferencias reflejen el LoRA, no el condicionamiento. El nodo está diseñado para impulsar tanto video como audio estéreo que se decodifican posteriormente usando los VAEs MiniMax H3 descritos en su tarjeta de modelo.
Resolution Selector (Size) (#6345)#
Elige la relación de aspecto y los megapíxeles, luego devuelve el ancho y altura alineados a múltiplos de 32 para una decodificación eficiente. Úsalo como el único lugar para dimensionar ambas ramas, lo que minimiza los artefactos de remuestreo y mantiene el detalle por cuadro consistente. Aumentar la resolución eleva el costo computacional y reduce el margen de tiempo de paso, por lo que escala gradualmente al ajustar el aspecto y movimiento.
StringConcatenate (#6346)#
Aplica un breve texto de realismo antes de tu aviso. Si prefieres un tono o estilización diferente, reemplaza o elimina el texto para permitir que tu propia redacción domine. Mantener este nodo consistente a lo largo de las ejecuciones ayuda a preservar la integridad A/B al probar cambios sutiles en la redacción.
BasicScheduler (#6742, #6767)#
Proporciona un programa de ocho pasos optimizado para resultados rápidos y estables en esta configuración Ref2VA. Menos pasos sacrifican detalle por velocidad, mientras que más pasos añaden refinamiento a costa del tiempo. Para A/Bs limpios a través de ramas, mantén los pasos idénticos.
VHS_VideoCombine (#6758, #6776)#
Combina cuadros decodificados y audio estéreo en archivos MP4 finales. Controla el formato y la tasa de cuadros aquí, y mantén ambas ramas sincronizadas. Si cambias la duración aguas arriba, confirma la configuración del escritor para que el audio y el video permanezcan alineados.
Extras opcionales#
- Prepara ambas imágenes de referencia con pose, iluminación y recorte similares para mejorar la estabilidad de identidad y reducir el desplazamiento facial.
- Si un fondo ocupado se filtra en el sujeto, intenta un enmascarado más fuerte o suministra recortes más limpios; también puedes omitir la eliminación de fondo si tus referencias ya están bien aisladas.
- Mantén la misma semilla al hacer comparaciones Pika vs Turbo; cambia solo un factor a la vez.
- Comienza con una configuración de megapíxeles moderada, confirma la sensación de movimiento y audio, luego escala la resolución una vez que te guste la composición.
- Para diálogos o efectos específicos, formula tu línea "Audio:" de manera concisa; las señales ambientales y acciones simples tienden a sintetizarse de manera más confiable.
Recursos para los modelos utilizados en este flujo de trabajo de Pika H3 Flex ComfyUI:
- Pika-Labs/Pika-H3-Flex
- Pika-Labs/Pika-H3-Flex-Turbo-LoRA
- WarmBloodAban/Minimax-h3_Singularity
- Comfy-Org/MiniMax-H3
- kijai/ComfyUI-KJNodes
- kosinkadink/ComfyUI-VideoHelperSuite
Agradecimientos#
Este flujo de trabajo implementa y se basa en los siguientes trabajos y recursos. Agradecemos a Pika-Labs por Pika-H3-Flex y Pika-H3-Flex-Turbo-LoRA, WarmBloodAban por Minimax-h3_Singularity, e Innovate Futures @ Benji por “Pika H3 Flex: Pika's Own Fine-Tune of MiniMax H3, Tested in ComfyUI” por sus contribuciones y mantenimiento. Para detalles autorizados, consulta la documentación original y los repositorios vinculados a continuación.
Recursos#
- Innovate Futures @ Benji/Pika H3 Flex: Pika's Own Fine-Tune of MiniMax H3, Tested in ComfyUI
- Docs / Notas de lanzamiento: Pika H3 Flex: Pika's Own Fine-Tune of MiniMax H3, Tested in ComfyUI
- Pika-Labs/Pika-H3-Flex-Turbo-LoRA
- WarmBloodAban/Minimax-h3_Singularity
- Hugging Face: WarmBloodAban/Minimax-h3_Singularity
- Pika-Labs/Pika-H3-Flex
- GitHub: Pika-Labs/Pika-H3-Flex
- Hugging Face: Pika-Labs/Pika-H3-Flex
Nota: El uso de los modelos, conjuntos de datos y código referenciados está sujeto a las licencias y términos respectivos proporcionados por sus autores y mantenedores.
