ComfyUI 预装 MiniMax H3,不用下模型、不用装节点,开机就出 16:9 有声视频,声音和人物都可以自己定。
装好就能用的 ComfyUI,不用装环境、不用下模型。图片能直接变视频,文字能直接做音乐,是你最好的AI漫剧生成器,生成视频直接带人物声音
开箱即用的 ComfyUI 环境,预装 MiniMax H3(Ref2VA / FL2VA) 音视频生成全链路:
输入「参考图 + 参考音频 + 提示词」,直接产出带声音的视频,支持首尾帧控制、音色锁定、16:9 / 9:16 双画幅。
不需要下载模型、不需要装节点、不需要配环境,开机即可出片。
典型用途:短剧 / 漫剧分镜、数字人口播、人物一致性创作、带台词的剧情片段,首尾帧生成视频、文字生成音乐、文字生成视频。
显卡显存
系统盘
数据盘
带宽
本镜像在 RTX 5090 32G 上实测通过:1344×768 / 20 步 / 5 秒,约 5 分钟一条;864×480 / 4 步,约 68 秒一条。

进入 部署 GPU 实例 页面,选择本镜像(Comfyui做漫剧_Minimax),确认实例配置: 地区任选有库存的可用区、实例类型选 容器/按量、GPU 型号选 32G 及以上(如 RTX 5090), 点击右下角 「立即部署」。

实例创建后约 1–3 分钟进入可启动状态。在实例详情页点击 「启动」, 开机后复制页面上的 公网 IP,ComfyUI 服务监听在 8188 端口。
⚠️ 如果页面提示需要开放端口/安全组,请确保 8188 已放行,否则浏览器访问会超时。


点击comfyui,看到 ComfyUI 的节点画布即表示环境正常,模型已就位,不需要任何额外安装。也可以点击配置开放端口,尾号是8188的那个链接打开。

点击 ComfyUI 左侧边栏的「工作流」图标,列表里已预置 4 条可直接使用的工作流:
双击打开工作流,即可看到完整的节点接线图:
左侧边栏「工作流」列表里,双击 minimax_h3_参考生视频(要固定音色、用参考图锁人物时选它)。

ref_image_0 …:接角色定妆图 / 首帧图。建议 1–3 张同一人物不同角度,越清晰越像ref_audio_0:接一段 2–15 秒干净人声。这就是"固定声音",模型沿用该音色<Picture 1>、<Audio 1> 引用上面接入的图像与音频接入音频:在音频里选择本地想要的声音,尽量是英文命名的.mp3格式。
接线顺序 = 提示词里的标签顺序:先接的图是
<Picture 1>,第一段音频是<Audio 1>。
快速验证(试提示词、看走位,便宜)
0.40(约 864×480)4(启用 Turbo LoRA)ref_image_size:match定稿出片(正式交付,别省这一步)
0.98(1344×768)20(关闭 LoRA,strength=0)ref_image_size:max(保留五官细节,锁脸关键)两种模式共用
帧数规则:
length必须满足(length − 5) % 17 == 0。 5 秒 → 124 帧,6 秒 → 141 帧,10 秒 → 243 帧。
帧数规则:
length必须满足(length − 5) % 17 == 0。 5 秒 → 124 帧,6 秒 → 141 帧,10 秒 → 243 帧。
16:9 写实电影质感,35mm 胶片颗粒。以 <Picture 1> 中人物的长相为准,
五官、脸型、年龄、发型完全一致,不要美化、不要换脸。
人物在室内自然说话,用 <Audio 1> 的音色和语速,说 <Audio 1> 里的台词,一字不改。
镜头缓慢推近,柔和自然光。
overall_soundscape: 安静的室内环境音,人声清晰靠前,无配乐。
三条经验:
<Picture 1>,第一段音频是 <Audio 1>。点右上角 运行 / Run,任务进入右侧队列;完成后视频出现在右侧「任务队列」条目中,点击即可预览、下载。
① 打开页面提示「缺模型」
minimax_h3_video_vae_fp16.safetensors。② CUDA out of memory(爆显存)
ref_image_size 先用 match。③ 生成的人物不像参考图
ref_image_size=match 抹掉了五官细节,或提示词里重复描述五官抢了参考图的控制权。max,并删掉提示词里所有五官描述,只写「脸照搬 <Picture 1>」。④ 声音有口音 / 不是想要的音色
⑤ 上传图片 / 音频失败
voice.mp3、face.png)。⑥ 加载音频报 [mp3float] Header missing
⑦ 台词念错 / 自己编词
⑧ 视频末尾被截断
⑨ 4 步出片脸糊
strength=0)。