MiniMax H3 Hybrid Cond：在 ComfyUI 中实现 R2V 与 I2V 的混合条件控制

MiniMax H3 的强大之处在于其多模态理解能力，但在实际创作中，用户往往需要同时锁定起始画面（I2V/fl2va）和角色身份/风格（R2V/ref2va）。传统的做法可能需要分别使用不同的节点或工作流，容易导致隐空间布局混乱或控制冲突。

• GitHub：https://github.com/kitsune123150/minimax-h3-hybrid-cond

MiniMax H3 Hybrid Cond 是一个专为 ComfyUI 设计的自定义节点，它允许你在单个条件控制载荷中，无缝混合使用首尾帧关键帧控制和多模态参考输入。无论是纯参考驱动、纯关键帧驱动，还是两者的复杂组合，该节点都能提供统一且稳定的接口。

核心功能：一节点搞定所有控制模式

该节点支持以下三种主要工作模式：

1. 纯 R2V (Reference-to-Video)：仅使用参考图像、视频或音频来控制生成内容，不锁定特定起始帧。
2. 纯 I2V/fl2va (Image/Frame-to-Video)：仅使用首帧（和可选尾帧）作为关键帧，让模型填充中间运动。
3. 混合模式 (Hybrid)：同时连接 first_frame 和 ref_image。这是最强大的模式，既能保证开场画面的精确性，又能通过参考图锁定角色身份或风格。

输入映射与提示词标签

为了帮助模型正确理解不同输入的用途，Hybrid 节点内部会自动处理标签映射：

注意：如果希望首帧同时也作为身份参考，可将 also_ref_first_frame 设为 true，它会在用户提供的参考图之后自动追加。

实战场景示例

场景 1：纯参考驱动 (R2V)

目标：让一只猫根据参考图动起来，但不指定具体起始姿势。

• 设置：first_frame 留空，ref_image_1 连接猫的图像。
• 提示词：<Picture 1> is the main cat character. Keep its identity... The cat walks forward cutely.

场景 2：纯关键帧驱动 (I2V)

目标：让一张女性肖像精确地从静止开始做出惊讶表情。

• 设置：first_frame 连接女性图像，ref_image_1 留空。
• 提示词：Start precisely from the first frame. Keep the woman's identity... She slowly looks forward and reacts with surprise.

场景 3：混合模式 (Hybrid)

目标：以一张女性图像为开场，随后一只猫（由参考图定义身份）跳向她。

• 设置：
  • first_frame：连接女性图像。
  • ref_image_1：连接猫的图像。
  • also_ref_first_frame：false。
• 提示词：

  The first frame is the authoritative source for the woman's identity, composition, and lighting.
  <Picture 1> is the authoritative source for the cat's identity, face, color, and outfit.
  The cat suddenly jumps forward in a cute, exaggerated cartoon motion onto the woman's face.
  

• 模型选择：
  • 若优先保证首帧稳定性，加载 minimax_h3_fl2va_bf16.safetensors。
  • 若优先保证猫的身份保真度，加载 minimax_h3_ref2va_bf16.safetensors。

关键设置与最佳实践

为了确保生成效果符合预期，请务必注意以下参数：

1. ref_image_size = match：
   这是保持身份和风格保真度的必要条件。如果设置为 max，参考图像可能会被拉伸或裁剪，导致身份失真。match 会保留参考图像的相对尺寸比例。
2. 分辨率对齐：
   width 和 height 必须是 32 的倍数，以符合 H3 模型的网格要求。
3. 时长计算：
   length 以帧为单位，H3 默认为 24 fps。例如，5 秒视频对应约 124 帧（具体取决于模型的帧块对齐逻辑，通常为 $17k+5$ 格式）。
4. 避免重复控制：
   不要在同一工作流中同时使用独立的 H3 I2V 和 R2V 条件控制节点。请始终使用此 Hybrid 节点，以确保打包布局和隐空间顺序的一致性，防止模型接收冲突的信号。
5. 原生音频支持：
   该节点始终创建 H3 音频/视频隐空间对。你可以连接 ref_audio_1 提供声音参考，或者仅在提示词中描述音效和对话，模型将生成同步的原生立体声。