ComfyUI MiniMax H3 对话数字人：从肖像和语音到同步嘴唇的化身视频#
此工作流程将单个正面肖像和简短的语音参考转化为在 RunComfy 上具有同步语音的高质量对话头片段。围绕 MiniMax H3 参考到视频和音频的 QwenVL 图像固定构建，它在生成您的样本语音时保持身份和背景稳定。ComfyUI MiniMax H3 对话数字人非常适合产品说明、主持人化身、社交帖子和短代言人视频，无需单独的 TTS 或唇同步堆栈。
您提供一张图像和一个语音片段。工作流程推断出面部和场景的简洁描述，以此指导 MiniMax H3，并在统一潜在空间中共同生成视频帧和匹配的音频，以保持嘴唇和语音的对齐。结果被渲染为一个可以下载和分享的视频文件。
Comfyui ComfyUI MiniMax H3 对话数字人工作流程中的关键模型#
- MiniMax H3 参考到视频和音频扩散模型。核心生成器，使用肖像和可选音频作为参考以生成同步的对话头。由 Comfy-Org 托管，便于在 ComfyUI 中使用。Hugging Face: Comfy-Org/MiniMax-H3
- MiniMax H3 视频 VAE。编码和解码 MiniMax H3 使用的共享潜在空间的视频部分，帮助保持身份和背景稳定。与同一模型包一起分发。Hugging Face: Comfy-Org/MiniMax-H3
- MiniMax H3 音频 VAE。编码和解码共享潜在空间的音频部分，以便语音与嘴唇运动同步生成。同样在模型包中提供。Hugging Face: Comfy-Org/MiniMax-H3
- Qwen3-VL 4B Instruct。用于在上传的肖像的视觉细节中固定提示的视觉语言模型，提高身份保留和场景一致性。Hugging Face: Qwen/Qwen3-VL-4B-Instruct
如何使用 Comfyui ComfyUI MiniMax H3 对话数字人工作流程#
此工作流程分为四个区域：上传和编辑部分、持续时间助手、MiniMax H3 生成核心和输出阶段。从左到右工作，从媒体输入开始，然后是提示指导，然后运行生成并保存视频。
上传/编辑区域：通常只在这里更改；其余保持默认#
使用 LoadImage (#137) 上传单个正面角色肖像。正面或接近平面构图，眼睛和嘴巴可见，效果最佳。使用 LoadAudio (#141) 上传您想模仿音色的干净语音样本；可以是几秒钟的讲话，背景噪音最小。如有需要，使用 AudioCrop (#142) 通过设置开始和结束来修剪语音样本，以匹配您想让化身说出的片段。在 Prompt (#138) 中添加任何风格或内容指导；工作流程会自动附加图像固定的细节以提高一致性。
视频持续时间（秒）：#
使用持续时间组顶部的数字控件设置目标持续时间。一个助手 ComfyMathExpression (#131) 将秒数转换为模型的有效帧数，并使其与采样器的要求对齐。这保持了时间稳定，避免了中音素截断。如果稍后更改持续时间，请更新音频修剪，以便最终的语音和嘴唇运动对齐。
MiniMax-H3 开源 - 图像对话数字人#
这是围绕 MiniMaxH3ReferenceToVideo (#136) 构建的核心生成路径。节点接收您的肖像作为参考图像，您的修剪语音片段作为参考音频，以及选择器提供的宽度、高度和长度。QwenVL 基于肖像的描述与您的书面提示结合，以便模型获得视觉固定和您的指示。模型发出一个包含视频和音频的单一潜在，以及采样器堆栈使用的条件，这就是为什么唇同步在没有单独唇同步阶段的情况下如此稳健。
使用 QwenVL 提供提示固定#
AILab_QwenVL (#152) 分析上传的肖像并返回简洁、事实性的描述。工作流程通过 JoinStrings (#150, #148, #144) 将该描述与您的指示文本连接，生成一个最终提示，告诉模型保持背景不变并使用您的音频作为语音。这种自动固定显著增强了身份和背景的稳定性。您可以保持书面提示简短，让固定填入准确的面部和场景细节。
分辨率/视频宽高比#
使用 ResolutionSelector (#115) 选择宽高比和目标分辨率。它输出与模型和您的 GPU 友好的宽度和高度，核心节点直接使用。对于肖像化身，较高的宽高比可以保留更多主体，同时留出自然头部运动的空间。如果在测试后调整宽高比，请在输入肖像中保持相同的构图以获得一致的结果。
输出生成的视频#
采样器路径去噪联合潜在，然后 VAEDecode (#122) 将其转化为帧，而 VAEDecodeAudio (#121) 将其转化为波形。CreateVideo (#130) 将帧和音频合并为单个剪辑，以您选择的帧率运行，SaveVideo (#92) 写入文件。保存的结果包含同一生成运行中的图片和同步语音。下载并审查；如果时间不对，调整音频修剪或持续时间，然后重新运行。
Comfyui ComfyUI MiniMax H3 对话数字人工作流程中的关键节点#
MiniMaxH3ReferenceToVideo (#136)#
管道的核心，接受参考肖像和语音样本以共同生成视频和音频。关键控制包括内容和风格的 prompt，构图的 width 和 height，以及帧持续时间的 length。使用单个清晰的肖像作为第一个参考图像，并保持 ref_image_size 匹配，以便面部比例正确转移。如果看到漂移或背景变化，加强您的指示文本以明确保持背景不变。
ResolutionSelector (#115)#
设置宽高比和总体像素数，然后发出与模型友好的倍数对齐的宽度和高度。选择与您的肖像裁剪匹配的宽高比以减少重采样伪影。增加总分辨率可以提高细节，但也会增加 VRAM 和时间；在放大之前，先在较小的设置下测试。保持每次运行中的构图一致，以获得可重现的身份。
AudioCrop (#142)#
修剪上传的参考语音到您希望化身说出的片段。设置开始和结束到讲话部分，在开始和结束处留出小的沉默余量，以实现自然的起始和结束。将修剪的音频长度与目标视频持续时间匹配，有助于生成器将音素与嘴形对齐。如果爆破音或咝音看起来不对，尝试更干净的录音或缩短修剪范围。
AILab_QwenVL (#152)#
生成一个图像固定的描述，自动附加到您的提示中。这增加了关于面部、头发、服装和背景的具体细节，有助于模型保持身份和场景。如果固定的描述过于限制风格，请保持您的书面提示简短和中立，以便固定能发挥作用。对于多角色图像，上传更紧的裁剪，以便描述集中在单个主体上。
CreateVideo (#130)#
将解码的帧和音频合并为单个可播放文件。如果需要匹配下游时间线，可以更改 fps，但请保持与之前的持续时间到帧转换一致。如果在某些平台上看到卡顿，请在该平台上以常见的帧率重新导出。bit_depth 控制可以保持其默认值以用于网络传输。
ComfyMathExpression (#131)#
将您的持续时间（秒）转换为生成器的有效帧数，并与采样器的步幅对齐。这可以防止导致时间漂移的部分步骤。如果稍后更改帧率，请重新审视持续时间，以保持嘴唇运动与音节对齐。将此节点视为整个运行的时间源。
可选附加项#
- 使用干净、均匀照明的肖像，眼睛和嘴巴不被遮挡，以获得最自然的表达。
- 在安静的房间中录制 5 到 10 秒的清晰语音；避免在参考片段中出现音乐或重压缩。
- 为了获得可重现的结果，请在
RandomNoise(#129) 中修复RandomNoise种子，而不是在运行之间随机化。 - 如果需要字幕，请在后期添加，而不是内置到提示中，以便模型专注于面部和语音。
- 在为真实人物创建 ComfyUI MiniMax H3 对话数字人时，尊重肖像和语音权利。
致谢#
此工作流程实现并建立在以下作品和资源的基础上。我们感谢 MiniMax 提供 MiniMax H3 模型，感谢 Comfy-Org 提供 MiniMax-H3 模型权重，感谢 Comfy.org 提供 MiniMax H3 教程的贡献和维护。有关权威的详细信息，请参阅以下链接的原始文档和存储库。
资源#
- MiniMax/MiniMax H3 官方公告
- 文档/发布说明：MiniMax H3 官方公告
- Comfy-Org/MiniMax-H3 模型权重
- Hugging Face: Comfy-Org/MiniMax-H3
- Comfy.org/MiniMax H3 教程
- GitHub: comfy-org/docs
- Hugging Face: Comfy-Org/MiniMax-H3
- 文档/发布说明：Comfy.org MiniMax H3 教程
注意：使用所引用的模型、数据集和代码需遵循其作者和维护者提供的各自许可和条款。