优云智算
控制台
立即注册
0.5元/时

Comfyui AI漫剧生成器

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。

镜像大小
230 GB
当前版本
v1.0
累计部署
4 次
累计运行
7 h
最近更新
2026-11-16

运行环境

框架版本
ComfyUI 纯净版-0.43.0-5090
CUDA版本
13.2
应用
JupyterLab: 8888
支持卡型
RTX50系48G RTX40系
+7

ComfyUI + MiniMax H3 音视频生成

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。


一、这个镜像能干什么

  • 参考图生视频(Ref2VA)​:1–9 张参考图锁住人物长相、服装、画风,最多 3 段参考音频锁音色
  • 首尾帧生视频(FL2VA)​:给定首帧(可选尾帧)控制构图与运镜,0–2 张图
  • 原生带音频:视频与声音同步生成,32kHz 立体声,不是后期配音
  • 多画幅:16:9(1344×768)、9:16(768×1344)、1:1,短边 768
  • 时长:4–15 秒 / 24fps(单镜头)
  • 加速出片:内置 4 步 Turbo LoRA,一条 5 秒片约 60–90 秒出结果
  • 附带生图能力:预置 Qwen-Image-Edit,可用于生成/编辑首帧图

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。


二、硬件要求

显卡显存

  • 最低 24 GB:需用 int8 量化权重 + 低分辨率
  • 推荐 32 GB 及以上(RTX 5090 / A6000 / L20)

系统盘

  • 最低 60 GB,推荐 100 GB
  • 模型已内置,系统盘只放环境

数据盘

  • 最低 50 GB,推荐 100 GB
  • 用于出片缓存 + 你自己的参考图 / 音频

带宽

  • 按量计费实例即可
  • 模型不再下载,开机无需长时间等待

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。


三、详细部署步骤

步骤 1:选择镜像并创建实例

95b4a255262cc489cf2a3fa898b60d55.png

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」。

步骤 2:开机并获取访问地址

c9c194aef21c332a5cb7442f7701aa82.png

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。

步骤 3:打开 ComfyUI

f27b7400a02046fa4c749a00baa250dc.png

c0adff1933235a38cdc4c71b40b111a7.png

c0ead0c255994e05b1ecf6bce6d6f7bc.png 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。

步骤 4:打开内置工作流

8ba08c7f4047e7e930e197df8a17ee7f.png

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:

  • minimax_h3_参考生视频:参考图锁人物 + 参考音频锁音色(做漫剧主用这条)
  • minimax_h3_图生视频:首帧(+可选尾帧)生视频,可带音频
  • minimax_h3_文生视频:纯文字描述生视频
  • minimax_文生音乐:文字描述生成背景音乐

五、出片流程(首尾帧 / 参考生视频)

5.1 载入工作流

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)。

5.2 三个输入怎么接

ad8d2b3d278353f303d9c5c208e996af.png

  • 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
  • 提示词:接镜头描述。用 <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>。

5.3 参数建议

快速验证(试提示词、看走位,便宜)​

  • 分辨率 / megapixels:0.40(约 864×480)
  • 步数 steps:4(启用 Turbo LoRA)
  • 参考图像尺寸 ref_image_size:match
  • 时长:5 秒(124 帧)
  • 单条耗时(RTX 5090):约 68 秒

定稿出片(正式交付,别省这一步)​

  • 分辨率 / megapixels:0.98(1344×768)
  • 步数 steps:20(关闭 LoRA,strength=0)
  • 参考图像尺寸 ref_image_size:max(保留五官细节,锁脸关键)
  • 时长:5–10 秒
  • 单条耗时(RTX 5090):约 5 分钟

两种模式共用

  • 比例:16:9(横屏)或 9:16(竖屏),出片分辨率随之变化,短边固定 768

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。

5.4 提示词写法(有效模板)

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:

  1. 不要用文字重复描述五官——一旦写"瘦削、颧骨高",模型会按文字重画一张脸,参考图就白给了。
  2. 标签顺序 = 连线顺序:先接的图是 <Picture 1>,第一段音频是 <Audio 1>。
  3. 台词长度匹配时长:5 秒约 12–15 个字,超出会被截断。

5.5 运行与下载

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。


六、常见问题

① 打开页面提示「缺模型」

  • 原因:模板引用了镜像里未包含的权重(通常是 int8 版视频 VAE)。
  • 解决:把 VAELoader 换成 minimax_h3_video_vae_fp16.safetensors。

② CUDA out of memory(爆显存)​

  • 原因:分辨率或时长过高。
  • 解决:megapixels 降到 0.40(约 864×480),时长降到 5 秒,ref_image_size 先用 match。

③ 生成的人物不像参考图

  • 原因: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。
  • 解决:改成 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

  • 原因:参考音频本身带口音,或混了背景音。
  • 解决:换一段干净的标准音色样本(5–8 秒最佳,无 BGM 无混响)。

⑤ 上传图片 / 音频失败

  • 原因:中文文件名。
  • 解决:改成英文名(如 voice.mp3、face.png)。

⑥ 加载音频报 [mp3float] Header missing

  • 原因:音频文件不是合法 MP3(扩展名被改过,或上传时文件被截断)。
  • 解决:本地先确认能正常播放;重新导出为 44.1kHz MP3 或 WAV 再上传,文件名用英文。

⑦ 台词念错 / 自己编词

  • 原因:H3 只借音色、不保证逐字复述。
  • 解决:画面照常生成,后期用 TTS 原声替换音轨(口型已对齐)。

⑧ 视频末尾被截断

  • 原因:视频时长 < 音频时长。
  • 解决:视频时长设为音频时长 +1 秒。

⑨ 4 步出片脸糊

  • 原因:Turbo LoRA 只保结构、不保细节。
  • 解决:定稿阶段用 20 步 + 关闭 LoRA(strength=0)。
0 个镜像 · 被使用 4 次
版本日志
v1.0最新
2026-11-14
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。
评分
0.0
暂无评分
我的评分
未评分
Comfyui AI漫剧生成器一键部署 | 优云智算