ComfyUI-Hand-Tie-Clips：MiniMax‑H3长视频链式分块节点，大幅提升跨片段画面连贯性

Hand Tie Clips（原名 ComfyUI-H3-Ref-Chain）是专为 MiniMax H3 Reference-to-Video 模型设计的进阶节点包。它不仅仅是一个采样器，更是一套完整的镜头规划、参考管理与连续性保持系统。通过引入结构化的 JSON 脚本、智能的 Hop 缓存机制以及自动化的色调补偿，它让创作者能够像导演一样精确控制多镜头视频的叙事节奏、视觉连贯性与音频同步，彻底告别“抽卡式”的随机生成。

• GitHub：https://github.com/dntpi/ComfyUI-Hand-Tie-Clips

核心亮点

• 结构化镜头计划 (Shot Plan)：
  • 摒弃冗长的提示词墙，采用 JSON 格式的 shot_plan。每个 Hop（片段）对应一个镜头卡片，包含节拍（Beat）、运镜指令（Camera/Framing/Pace）及衔接方式（Join）。
  • 支持“简单模式”与“镜头模式”切换，既适合快速测试，也适合精细创作。
• 无缝连续性保持：
  • Motion-Context 集成：优先使用潜空间引导（22帧画面+24帧音频尾部），实现真正的像素级与音频级平滑过渡。
  • 智能 Pin 机制：自动管理身份静态图像、服装与场景参考，确保角色在跨镜头时保持一致。
  • Hop 缓存：无损缓存每个渲染好的片段。修改第 5 个镜头只需重新渲染 5 及后续片段，极大提升迭代效率。
• 自动化色调与亮度修正：
  • Tone Compensate：自动检测并修正因去噪器偏差导致的链式亮度漂移（Drift）。支持 frame_shift（接缝修正）与 anchor（全局锚定）两种模式，确保长视频色调统一。
  • Seam Report：内置接缝质量检测工具，量化分析每个连接处的亮度步长，帮助创作者精准定位瑕疵。
• 智能提示词编译：
  • 将抽象的指令（如 push_in, continuous）编译为 H3 模型可理解的散文描述。
  • 支持 @tag 引用注册表中的参考图，动态解析为 <Picture N>，避免手动编号错误。

包含节点详解

关键参数与技巧

• chunk_frames / duration：建议每个 Hop 设为 10s（243帧），配合 0.9s（22帧）重叠，可实现约 28s 的有效母版输出。
• tone_compensate：
  • frame_shift：仅修正接缝处的亮度突变，保留场景自然变化。
  • anchor：结合 frame_shift 并将整体曝光拉回 Hop 1 的基准，适合防止长链逐渐变暗。默认锚点强度 0.35 为最佳平衡点。
• cache_hops：开启后可大幅节省重渲染时间。缓存密钥包含模型指纹与 Pin 机制，确保一致性。
• pin_renorm：对于 3+ Hop 的长链，建议开启以重新缩放潜空间分布，防止纹理棘轮效应。

快速上手

1. 安装：克隆仓库至 ComfyUI/custom_nodes/ 并重启 ComfyUI。
2. 加载示例：打开 workflows/HandTieClips_Starter.json。
3. 配置模型：将 UNET、CLIP、VAE 及 LoRA 指向你的 MiniMax H3 相关文件。
4. 添加参考：在 REFERENCES 轨道拖入身份与场景图片，分配 @tag。
5. 编写计划：在 SHOTS 中填写每个 Hop 的节拍与指令。
6. 运行与检查：排队运行，通过 info 查看编译后的提示词，通过 contact_sheet 快速排查问题片段。

⚠️ 注意事项

• 依赖环境：需要较新版本的 ComfyUI 及 ComfyUI-H3-Motion-Context（推荐）以获得最佳连续性。
• 提示词规则：H3 在 CFG 1.0 下运行，提示词是加性的。避免使用否定词（如 “no cut”），应描述期望的状态（如 “lips closed”）。
• 音频漂移：每个连接处音频会有约 40ms 的交叉淡入淡出漂移，长链需注意累积效应。
• 参考管理：面部参考必须存在于每个 Hop 中，否则角色身份可能丢失。

Hand Tie Clips 将 MiniMax H3 的潜力发挥到了极致，通过工程化的手段解决了 AI 视频生成中最头疼的连贯性与可控性问题。对于追求高质量、叙事性 AI 视频的创作者而言，这是目前最强大的工作流解决方案之一。