MiniMax‑H3‑Longvideos：ComfyUI 单节点实现最长 120 秒多镜头连贯视频 + 同步音频

MiniMax‑H3原生单次生成存在镜头时长上限，做多段连续故事视频时，很容易出现人物外貌、服装、道具漂移，镜头衔接断裂，音频不同步的问题。

MiniMax‑H3‑Longvideos 这款ComfyUI自定义节点，只需要一份脚本，自动切分多镜头链路，最高生成约120秒视频并输出同步音频；依靠H3原生能力，同时支持FL2VA帧锚定、REF2VA参考图角色锁定，解决跨镜头角色崩坏、画风跳变。

• Hugging Face：https://huggingface.co/Smite79/MiniMax-H3-Longvideos

核心逻辑：H3一次渲染单个镜头，该节点把完整脚本拆解为一个个镜头节拍，根据剧情动作自动分配镜头时长；复用上一个镜头末尾帧做交接，持续维护角色、服饰、道具状态，避免跨镜头发生身份重置。

安装方式

把项目文件夹复制到 ComfyUI/custom_nodes/，重启ComfyUI服务端（仅刷新浏览器无效）。

基础工作流示意

UNETLoader ─┐
CLIPLoader ─┼─> H3 Long Videos ─> images ─> Video Combine
VAELoader ──┘                     audio  ─┘
                                  latent ─>（可选）潜空间后处理

输出端口说明

1. images：拼接完成视频帧序列，送入视频合并节点
2. audio：同步生成音频
3. latent：拼接后的时间维度潜空间，可对接潜空间放大器；⚠️多镜头模式下潜空间和图像不完全一一对应，接缝裁剪仅作用在解码图像层；单镜头模式下完全匹配。
4. soundscape：从脚本自动推导的环境音描述文本，可以接文本预览，也可以回连至global_soundscape输入锁定环境音，禁止系统二次推导。
5. info：运行日志，输出镜头拆分、分辨率、风险警告，渲染前即可预览。

快速上手，仅需要填写四项核心输入

全部文本参数都是输入插槽，不要使用节点内置小文本框；prompt为必填，未连接直接报错，不会生成空白内容。

1. prompt 脚本提示词
   第一段作为全局锚点，定义整体场景、光影、画风，所有镜头继承；之后每一个段落代表一个节拍，对应一个镜头。
   示例：

自然光，强烈的阳光和深阴影。浅景深，背景柔和虚化。细腻的颗粒感，轻微的运动模糊，中性色彩。一个有谷仓的农场。
Dom 驾驶一辆面包车驶入车道，停在谷仓前。
Dom 下车，走到谷仓后面。
Mara 从谷仓里走出来，问他：“那是最后一趟了吗？”

2. character_memory 角色记忆
   定义出场人物外貌、穿着，节点全程追踪；服装增减会被脚本语义识别。

Dom = 他，高个子，35岁，深棕色头发，白色T恤，蓝色牛仔裤，工装靴
Mara = 她，30岁，红头发，灰色外套，黑色牛仔裤

3. 分辨率 + megapixels百万像素预算
   宽高比与像素预算相互独立，改变画幅不会改变算力开销。
   1.0 MP等价1024×1024总像素，是H3原生适配档位；降低MP可以节省显存、加速渲染，支持更长镜头。

注意：显示短边尺寸不能代表算力开销，超宽画幅、方形画幅实际像素预算差异巨大，以百万像素为准，输出会自动对齐32网格。
4. shot_seconds 镜头时长上限
接入H3 Shot Length节点，或者留空auto，由显存预算自动分配镜头时长。

💡优先打开 plan_only模式：只做脚本解析、镜头拆分、参数校验，不实际渲染，秒速预览全部风险警告，避免浪费算力。

节点内置大量自动防护逻辑

角色、服装、道具状态追踪

• 段落=镜头，不会自动合并段落；镜头时长由动作、台词复杂度自动计算。
• 角色首次出现记录外貌，后续重复名字自动转为代词，避免生成重复人物。
• 识别脚本语义完成衣物穿脱；道具跨镜头保持身份指代。
• lock_restraints默认开启：手铐、锁链等束缚类道具属于剧情状态，不会因为脱下外套这类动作被意外移除；需要解除必须显式写 wardrobe: Mara -= handcuffs。
• 身体裸露区域持续追踪，防止人物转身时衣服莫名复原；支持exposed_terms自定义描述词，也可以直接在character_memory声明topless / bottomless / nude初始状态。
• prevent_nudity默认开启，不会主动生成裸露描述；info日志依旧会提示脚本触发的裸露状态。

多类防护Guard，弥补H3无CFG短板

MiniMax‑H3运行在CFG=1，否定提示词完全无效，全部约束依靠正向描述实现。

1. anatomy_guard解剖防护：约束肢体数量、骨骼连接关系，减少畸形肢体；多人、低分辨率、加载LoRA时自动激活。
2. solidity_guard实体防护：防止人物穿墙、物体互相穿透，只对脚本提到的实体生效。
3. motion_guard运动防护：避免姿势突变，人物移动时补充运动路径描述，解决“瞬移、断颈”类画面。
4. contact_guard接触防护：多人场景约束身体体积、上下方位、重量支撑关系，防止肢体错误分配、身体互相穿插。

音频与台词处理

• auto_soundscape自动从锚点场景推导环境音，不会凭空生成人声对话。
• 对话台词归属指定人物，同画面其余角色自动设置嘴唇闭合，解决所有人乱对口型。
• 无台词镜头做多层静音处理：文本约束、交接帧偏移、音频分支锚定静音，避免模型凭空生成语音。
• allow_nonspeech_vocals开关：开启允许喘息、尖叫、抽泣这类非语言人声，依旧抑制随机对话。

镜头交接与渲染细节

• trim_seam默认开启：丢弃每个后续镜头第一帧，消除上一帧重复播放的接缝；排查问题时可以关闭。
• vary_seed_per_shot默认关闭：全局统一噪声场，保证颗粒、微纹理跨镜头统一；只有刻意想要每个镜头质感割裂时开启。
• 参考图REF2VA支持最多4张参考图，脚本标记<Picture 1>在指定镜头生效；同时保留上一帧作为帧锚定，参考图不会牺牲镜头连续性。

shift调度参数

移除旧版auto_shift；固定推荐shift_video=12，shift_audio=3，音频必须保持视频1/4比例，否则音频分支崩坏。适配蒸馏LoRA不要随意调低shift，会产生大量伪影。

日志输出info

渲染前后输出完整报告：镜头拆分、实际分辨率MP值、薄弱节拍、对话风险、裸露状态、LoRA匹配警告，提前规避坑点。

可选加速：Sol‑Attn稀疏注意力

第三方独立节点ComfyUI‑sol‑attn，专门针对H3优化稀疏注意力，长镜头链相比SageAttention速度提升。

⚠️必须配套SLA LoRA一起使用；普通LoRA搭配稀疏注意力会出现人物重复、崩坏；节点会在plan_only阶段检测组合不匹配并告警。
ComfyUI便携版Triton编译会缺失头文件，需要手动补充NuGet包内的include与lib文件才能正常启用。

版本依赖要求

1. ComfyUI ≥0.31，推荐0.33；0.30版本音频shift行为异常
2. 仅依赖Pillow（ComfyUI自带）
3. H3为CFG=1，不支持否定提示词
4. denoise固定等于1.0，不支持部分去噪，会破坏音视频同步