在做 AI 视频风格化内容时最让人头疼的问题往往不是模型不出图而是同一角色在连续几十段视频里反复出现“长相漂移”。每次生成出来的角色都像换了个人服装细节、发型、肤色都难以稳定。本文要聊的是一套以 MiniMax H3 与 KREA2 为核心组合的 AI 图片加视频生成工作流覆盖模型部署、LoRA 训练、ComfyUI 工作流搭建、提示词整理和常见坑点。如果你想批量产出风格统一的角色视频素材这篇文章可以帮你把整条链路跑通。1. 背景与核心概念1.1 MiniMax H3 是做什么的MiniMax H3 是当前 AI 视频生成赛道里热度较高的一类模型社区里的核心定位是图生视频和文生视频的生成器可以基于提示词或参考图片生成短视频片段。和早期逐帧生成的扩散模型不同这类模型更强调时间一致性也就是前后帧之间的人物长相、服装、场景光线尽量不要跳变。对角色风格化内容来说MiniMax H3 的主要价值体现在一段素材通常只需要几秒到十几秒用于展示服装细节、人物动态和场景氛围变化配合稳定的参考图它可以保持同一套角色风格连续生成几十段甚至上百段视频避免“每段视频主角都不是同一个人”的尴尬。这个特点对“系列化”内容生产是非常关键的因为系列内容最重要的就是角色辨识度。需要说明的是MiniMax H3 相关技术迭代非常快开源社区存在不同版本的分支与部署方式。本文不会把某个固定版本当成唯一答案而是把“模型部署—参考图转视频—批量出片”这条通用链路讲清楚。具体权重版本、插件名称以及整合包细节请以你实际使用的资源为准不要照搬一套参数就去跑所有环境。1.2 KREA2 与 LoRAKREA2 是图片生成链路上的一套主流方案常与 LoRA 训练配合使用。在“极光黑丝”这类风格化 LoRA 项目中KREA2 通常负责生成“底图”也就是后续视频生成所依赖的参考帧。你可以简单理解为MiniMax H3 负责让角色动起来KREA2 负责让角色长得像。KREA2 在社区流行很大原因是它的调度器Scheduler和 LoRA 训练生态比较成熟。调度器决定扩散模型在去噪过程中的步进方式直接影响画面质感和收敛速度LoRA 则是一种低成本微调技术只需要少量图片作为训练集就能把模型“固定”到某个角色、某种服装或某种画风上。简单来说LoRA 不用重训大模型也能让模型稳定输出特定风格。像“图图的嗨丝系列”这种以特定角色风格为核心的创作LoRA 的价值尤为明显。它不需要重新训练完整大模型只需训练一个几十到几百 MB 的小规模权重文件就能让 KREA2 稳定输出同一角色的不同姿势、不同场景再交给 MiniMax H3 做视频化。后面我们会专门讲 OneTrainer 训练 LoRA 的完整流程以及调度器的选择经验。1.3 提示词包在整条链路中的位置很多人把提示词当成“一句描述就出成品”的魔法文本但实际上在批量生产项目中提示词更像是一套“配置协议”。18694 条提示词包听起来数量很大但它不是随随便便堆出来的句子而是按照场景、人物、动作、镜头、光影、负面提示词等维度拆分后组合出来的产物。提示词数量决定了项目的覆盖宽度同样一个角色可以出现在室内、街道、夜晚、雨天、咖啡馆等场景可以坐着、站着、回眸、走路可以有近景、中景、远景、俯拍、仰拍。所有这些组合乘起来数量自然非常可观。而提示词包的核心价值正是把这些组合标准化、模板化让每一条新素材都不需要从零开始写提示词。所以拿到提示词包之后不建议直接整套复制粘贴。更合理的做法是把它当作“索引数据库”来查阅当你想生成雨天街头的动态镜头时找到对应的动作、镜头、光影标签重新组合成一条新的高质量提示词。提示词包本身是素材库灵活组合的能力才是生产工具。2. 环境准备与部署方案2.1 硬件需求MiniMax H3 视频生成和 KREA2 图片生成都属于计算密集型任务对 GPU 有硬性要求。社区常见的部署方案是 NVIDIA 显卡加 CUDA 环境。如果你想用整合包快速跑起来建议先确认自己的显卡显存。网上流传很多“8G 底显存也能跑”的说法确实可以通过量化、块缓存、低步数等手段降低显存占用但这意味着需要牺牲一部分出图速度和画质上限。一个相对稳妥的搭配方案是24G 显存可以比较流畅地同时承担 KREA2 图片生成和 MiniMax H3 视频生成16G 显存适合跑中等分辨率的图生视频8G 显存则需要开启显存优化选项并把分辨率控制在合理范围内。如果你打算用集成显卡或纯 CPU 跑我建议直接放弃更现实的选择是云服务器或 Colab 方案否则等一个片段的时间可能让人崩溃。除了显存内存和硬盘空间也容易被忽略。视频生成过程中会产生大量临时文件和中间结果建议预留至少 50GB 以上磁盘空间。视频模型权重通常也比较大加上底模、LoRA、VAE、插件整体占用很容易超过 30GB。如果你是刚接触这套工具链最好提前做好磁盘规划不要等生成到一半才发现空间不足。2.2 ComfyUI 整合包安装ComfyUI 是目前社区搭建 AI 生成工作流最主流的工具之一。它的特点是节点式操作可以把图片生成、LoRA 调用、视频生成、后期处理连接成一条可视化流水线。对于 MiniMax H3 加 KREA2 这类组合ComfyUI 整合包通常已经预置了大部分插件、依赖和默认工作流可以大幅减少手动安装的麻烦。安装整合包的一般步骤如下下载对应整合包压缩包解压到磁盘剩余空间较大的目录。确保本机已安装 NVIDIA 驱动并确认驱动版本能兼容当前 CUDA 环境。按整合包说明安装 Python 依赖或直接使用整合包自带的便携 Python 环境。启动 ComfyUI在浏览器打开工作台确认默认工作流可以正常出图。不同整合包的细节会有差异但核心思路都是一样的先求通再求调优。第一次启动时如果遇到缺依赖、模型路径不对的问题不要急着卸载重装优先看启动日志里报错的是哪个 Python 包单独补装即可。绝大多数启动失败问题本质上都是依赖版本冲突或模型文件缺失而不是整合包本身坏了。2.3 模型文件与目录结构ComfyUI 使用固定目录来加载模型常见的目录结构如下ComfyUI/ ├── models/ │ ├── checkpoints/ │ ├── loras/ │ ├── vae/ │ └── controlnet/ ├── custom_nodes/ ├── input/ ├── output/ └── user/其中 checkpoints 目录放置底模loras 目录放置训练出来的 LoRA 文件custom_nodes 目录放置各类插件节点。MiniMax H3 相关的模型权重不同整合包的放置方式可能不同有的直接放在 checkpoints 下有的需要独立的 video_models 或类似目录。建议按照你下载的整合包 README 来放置不要凭经验硬套。还要注意文件命名不要带中文和特殊符号。ComfyUI 虽然对中文支持越来越好了但插件在解析路径时偶尔会出现编码问题。统一使用英文命名可以避免很多莫名其妙的报错。模型的下载和校验也建议保留 MD5 或 SHA256 校验值防止下载文件不完整导致生成结果异常。3. KREA2 LoRA 训练与调度器配置3.1 训练数据集准备LoRA 训练的核心是“让模型能稳定还原某个特定角色或风格”。准备数据集时不要只贪图片数量质量和一致性更关键。以“极光黑丝”这类风格化 LoRA 为例建议准备 30 到 100 张同一角色的图片覆盖正面、侧面、背面、全身、半身、特写等视角。数量太少会导致模型记不住角色特征数量太多且质量参差反而会把噪声学进去。图片分辨率建议统一最好不低于 512×512。图片中角色的服装、发型、配饰要尽量保持一致因为 LoRA 会把这些视觉特征绑定在一起。训练前还需要做清洗把模糊、过度滤镜、有明显文字水印的图片删掉避免模型学到错误信息。标签也是训练中不可忽略的一环建议使用自动打标工具生成基础标签再手动修正关键的角色特征词这样才能让模型在训练时把对应特征和标签关联起来。如果图片尺寸过于参差可以先用脚本做批量裁剪和缩放统一到训练集尺寸。这里给一个简单的 Python 图片预处理示例import os from PIL import Image input_dir raw_images output_dir processed_images size (768, 768) os.makedirs(output_dir, exist_okTrue) for filename in os.listdir(input_dir): if not filename.lower().endswith((.jpg, .jpeg, .png)): continue img Image.open(os.path.join(input_dir, filename)) img img.convert(RGB) # 先等比缩放再中心裁剪最后缩放到目标尺寸 ratio max(size[0] / img.width, size[1] / img.height) img img.resize( (int(img.width * ratio), int(img.height * ratio)), Image.LANCZOS ) left (img.width - size[0]) // 2 top (img.height - size[1]) // 2 img img.crop((left, top, left size[0], top size[1])) img.save(os.path.join(output_dir, filename)) print(done)这段脚本会把原始图片统一处理成 768×768 的中心裁剪图。如果你需要的不是正方形比例可以改成 768×1024 或 832×1216但要确保所有训练图比例一致。LoRA 训练时输入尺寸越一致模型对构图的学习就越稳定。3.2 使用 OneTrainer 训练 LoRAOneTrainer 是训练 SD/SDXL 系列 LoRA 的常用工具也可以用于 KREA2 生态。相对而言它比纯命令行训练工具更容易上手也保留了较大的可调空间。训练逻辑并不复杂加载底模、设置训练集、配置输出路径、调节学习率与步数然后开始训练。以下是 OneTrainer 训练配置中常见的一组核心参数示例training: model_type: krea2 source_model: /models/krea2_base.safetensors output_dir: /output/lora epochs: 10 batch_size: 2 learning_rate: 1e-4 optimizer: AdamW8bit scheduler: cosine lora_rank: 32 lora_alpha: 16 mixed_precision: fp16 dataset: image_dir: /dataset/processed resolution: 768这里的 epoch 总数需要根据数据集大小推算一般情况下 epoch 10 配合 50 张图已经能看到明显效果。不建议一上来就拉大学习率或 rank否则很容易过拟合导致生成图里出现“复制粘贴”般的重复纹理。LoRA rank 越高模型表达能力越强但也越容易过拟合常见的 rank 区间是 16 到 64。训练完成后OneTrainer 会生成一个.safetensors文件。把它复制到 ComfyUI 的 models/loras 目录即可在节点中调用。注意 LoRA 不是模型本身必须和底模配合使用。如果换了一个底模原本表现良好的 LoRA 可能效果明显下降这时候不要急着重训 LoRA先检查底模是否匹配或者调整 LoRA 权重。3.3 调度器与采样步数选择调度器Scheduler影响去噪过程选择不同调度器会带来完全不同的画面质感与生成效率。KREA2 生态中常见的调度器有 Euler、DPM 2M、DDIM 等。社区中还有“KREA2 调度器”这样的专项讨论说明不同版本底模对调度器有一定的偏好使用前最好查阅对应模型的推荐配置。对大多数新手我建议先用 Euler 或 DPM 2M 配合 20 到 30 步采样先把流程跑通。不要在最开始追求“最完美调度器”因为调度器与采样步数、CFG Scale 是联动的换一个调度器其他参数往往也要跟着调整。生成图片不稳定时可以先固定调度器只微调步数这样更容易定位问题。一个比较通用的经验是低分辨率出草图时用 16 到 20 步即可最终高分辨率出图时增加到 24 到 30 步。步数太少画面容易出现噪点和细节崩坏步数太多则会让生成时间翻倍观感提升却非常有限。CFG Scale 一般控制在 5 到 8 区间数值太高会引发颜色过度饱和和“塑料感”数值太低又会导致画面内容偏离提示词。最好的方式是用同一组提示词连续测几次不同的调度器组合选择视觉表现最稳定的那一组。4. MiniMax H3 部署与视频生成工作流4.1 ComfyUI 中的节点搭建MiniMax H3 在 ComfyUI 中通常以自定义节点或插件形式出现。搭建工作流时至少需要这几个环节加载底模与 LoRA、接入参考图、输入提示词、设置视频分辨率与长度、执行生成节点、保存视频。整体流程可以理解为一条单向流水线前一个节点的输出正好是后一个节点的输入。这里给一个精简的流程示意参考图片 → 图像加载节点 → LoRA 提示词节点 → MiniMAX H3 生成节点 → 视频保存具体节点的名称在不同插件中会有差异但思路是一致的。MiniMax H3 图生视频时参考图的质量直接影响视频稳定性应优先选择人物完整、背景不过度复杂的图片作为输入。视频长度不宜一上来就拉满可以先生成 2 到 3 秒短片段确认角色和动作没有问题再逐步增加帧数。如果你使用的是社区整合包通常会附赠一套预置工作流包含导演台、参考模式等高级节点。直接用预置工作流跑通一次再对照节点结构理解每一步的作用是上手最快的方式。很多新手喜欢一上来就自己搭节点结果因为某个节点参数不匹配折腾半天也不知道哪里出错。先跑通默认流程再一步步替换反而更高效。4.2 Block Cache 与显存优化“Block Cache T8”是社区里讨论较多的一种显存优化方案。它的核心思路是缓存一部分计算块的中间结果在后续采样过程中跳过重复计算从而降低显存占用和推理耗时。对普通用户来说不需要完全理解里面的数学细节只要知道它能在不改变提示词和模型的前提下让低显存环境也能跑动更大的视频生成任务。使用 Block Cache 时要注意不同采样器的兼容性。有些采样器与块缓存组合后会出现画面异常或运动不自然需要按实际效果取舍。显存不够时优先建议把视频分辨率从 1080P 降到 720P、把采样步数从 20 步降到 12 到 16 步、开启 FP8 或量化权重。三者叠加后显存压力通常会缓解很多。另外提醒一句8G 显存跑 MiniMax H3 属于“能跑但不宽裕”的状态。即使能出片也可能出现生成速度慢、缓存刷盘、程序闪退等问题。视频生成任务耗时较长如果生成到一半因为显存不足崩溃前面积累的调试成本就全部浪费了。不要把开发机器的显存用到极限重要素材建议在更稳妥的环境下生成。4.3 导演台与二次采样“导演台”通常指的是 ComfyUI 或整合包中的分镜管理功能你可以把它理解为一个轻量脚本排序面板在多段视频生成的场景下把每一个镜头要用的参考图、提示词、动作描述都排好序再一键批量执行而不是一段一段手动改提示词。导演台适合用来组织一条短片的多镜头内容可以显著提升批量生产效率。“二采”则是二次采样的简称。第一次采样先生成低分辨率的“草稿”结果确认构图和姿态没问题后再基于第一次结果重新采样到目标分辨率或在第二次采样时更换细节提示词。这种策略在视频生成里很实用因为视频生成成本高如果直接高分辨率跑 30 步失败一次就要浪费大量时间。在实际项目中可以把导演台和二采结合起来先用导演台排好 10 个镜头每个镜头都走低分辨率快速采样从中挑出 3 个合格镜头再进入二次采样精修阶段。这样既能控制总体生成成本也能保证成片质量相对稳定。二次采样时建议固定第一次采样使用的随机种子否则画面构图可能发生完全不可控的变化。5. 提示词工程18694 条提示词包是怎么产生的5.1 ref2va 全能参考模式ref2va 在社区中被称为“全能参考模式”它解决的问题是如何让视频生成模型更准确地参考输入图片。普通的图生视频往往只把参考图当作首帧而全能参考模式会让模型在生成过程中更充分地提取参考图的人物、服装、构图、颜色等信息使后续帧更贴近参考图而不是从第二帧开始就“放飞自我”。它和普通图生视频的最大区别可以这样理解普通模式只是“第一帧从这张图开始”参考模式则是“每一帧都尽量向这张图靠近”。因此在“嗨丝系列”这种需要跨视频保持角色一致性的项目中ref2va 模式几乎是默认选项。角色一致性是系列视频的命脉缺少参考模式时生成结果经常会变成“参考图只负责开头几帧”。使用 ref2va 时提示词的写法也需要跟着调整。通常需要把参考图里的关键信息用自然语言补全比如服装款式、发型颜色、环境光源、镜头运动方向等。参考图负责提供视觉锚点提示词负责补充参考图里看不太清楚的动态信息和情绪氛围两者缺一不可。5.2 提示词结构模板一条高质量提示词不应该是一长串形容词的堆叠。推荐按下面的结构拆解主体描述人物、动作、服装、表情环境场景地点、天气、时间段、光线来源镜头语言景别、机位、运动方式、焦段风格限定画风、色调、质感、负面提示词套用到角色风格化项目里可以组织成这样的格式主体一个黑长直女生穿黑色丝质连衣裙站在落地窗前回头看向镜头 环境傍晚的城市高层公寓暖色室内灯光窗外蓝色天空 镜头中景浅景深镜头缓慢推进 风格电影感自然肤色柔和光影高细节。 负面模糊变形多余手指低质量水印。这个结构的好处是可以把“主体”“环境”“镜头”“风格”当作四个独立变量。换一个场景时只需要替换“环境”其他部分保持不变就能快速生成一组风格统一的提示词。18694 条提示词包本质上就是把这些变量多次排列组合后的结果这种模板化思路比“每次重新编一个长句子”高效得多。5.3 如何整理成提示词包要构造一个可复用的提示词包关键是把“变量”和“固定项”分离。固定项是角色特征、服装描述、风格底座变量项是场景、镜头、动作、光线。用脚本把两者组合就能产生大量格式统一的提示词。整理过程中还要注意去重和冲突检查避免同时出现互相矛盾的描述比如“白天”和“夜晚”同时出现在一条提示词里。下面给出一段 Python 写法模拟从关键词表生成提示词包的过程import itertools characters [ 黑长直女生黑色丝质连衣裙, 微卷发女生白色上衣与黑色半身裙, ] scenes [ 夜晚霓虹街道湿漉漉的地面彩色灯光反射, 雨天的咖啡馆窗边暖黄色灯光玻璃水珠, ] shots [ 中景镜头缓慢推进, 近景低角度仰拍, ] styles [ 电影感柔和光影自然肤色, 时尚大片高对比度暗色调, ] prompts [] for char, scene, shot, style in itertools.product( characters, scenes, shots, styles ): prompt ( f{char}{scene}主体动作自然地望向镜头 f镜头{shot}风格{style}。 负面模糊变形多余手指低质量水印。 ) prompts.append(prompt) print(f生成提示词数量: {len(prompts)}) for p in prompts[:6]: print(p)真实项目里的 18694 条提示词包只是把角色、场景、动作、镜头等维度的枚举更充分再人工筛选掉质量低、含义重复的组合。你要用的不是全部 18694 条而是学会它的组合规则。当你理解了提示词的“语法”拿到任何提示词包都能快速拆解出可复用的部分。6. 从图片到视频的完整闭环6.1 第一步用 KREA2 生成系列图片先用 KREA2 底模加训练好的 LoRA 生成系列图片。建议每轮生成 4 到 8 张候选图从里面挑一张最符合角色设定的作为“角色标准像”。之后所有视频生成的参考图都以这张标准像为基础只做姿态或场景上的变化不要频繁更换基础形象。角色标准像是整条生产链路的锚点如果它不稳定后面所有视频都会跟着不稳定。批量生成时建议固定随机种子。固定种子可以让同一提示词下生成的人脸结构和构图保持一致后续只调整提示词中的场景描述更容易得到系列感。如果软件自带 variation 功能也可以在种子基础上做小幅变化这样既能保持角色一致性又能避免所有图片完全雷同。6.2 第二步筛选与统一风格筛选图片时优先看三个点人脸结构是否自然、服装细节是否正确、边缘手指等容易出错的位置是否正常。图片阶段的小瑕疵可以在局部重绘中修复但如果脸部结构已经崩坏就不要勉强使用直接重新生成否则视频阶段会放大这些问题。视频生成是成本更高的环节图片阶段的筛选宁可严格一些也不要轻易放过有瑕疵的参考图。对于通过筛选的图片建议统一分辨率并使用相同的色调调整方向。实际操作时可以在 ComfyUI 里加一个后处理节点统一输出到 768×768 或 832×1216 之类的常用比例。这样进入 MiniMax H3 视频生成之前参考图的质量已经达到统一标准。如果一批图片色调偏差很大即使角色一致剪进同一个视频里也会显得很割裂。6.3 第三步MiniMax H3 图生视频把筛选好的某一张参考图接到 MiniMax H3 的图生视频节点使用 ref2va 全能参考模式输入对应的提示词设置视频帧数和分辨率。第一次生成建议只输出短片段确认运动幅度、画面连贯性是否满意。如果一开始就生成很长的视频一旦中段出现画面崩坏排查起来会非常困难。如果生成结果里人物出现“闪烁”或“表情突变”往往是参考图细节过多、提示词描述又不够具体导致的。比较有效的解决方式是降低参考图的复杂背景干扰或者增加提示词中“动作保持自然且缓慢”这类描述让模型不要过度发挥。视频生成模型在提示词描述不充分时会倾向于自行“脑补”大量细节而脑补出来的结果往往与参考图不一致。6.4 第四步批量管理与素材归档当某一个镜头验证通过后再把它替换到导演台里进行批量生成。一次批处理可以生成几十段候选视频。素材归档建议按“项目/场景/动作/序号”的方式整理例如output/ ├── project_aurora/ │ ├── scene_city_night/ │ │ ├── shot_001_v01.mp4 │ │ ├── shot_001_v02.mp4 │ │ └── shot_002_v01.mp4 │ ├── scene_cafe_rain/ │ │ └── shot_001_v01.mp4这种目录结构的好处是后续做筛选和剪辑时能一眼看出每一个文件来自哪个项目、哪个场景、第几个镜头避免素材越来越多以后变成“一堆 video 文件”的状态。文件名里可以再加入是否精修、是否配音等信息方便在海量素材里快速定位。素材管理的价值往往要等到生成几百个文件之后才会真正体现出来。7. 常见问题与排查思路7.1 AMD CPU 能部署吗这是社区里被问得最多的问题之一。MiniMax H3 的常规部署路径依赖 NVIDIA CUDA 环境在 AMD CPU 上“本地部署”通常是不现实的因为大部分推理加速逻辑和编译优化都围绕 CUDA 展开。AMD CPU 只适合跑数据预处理这类轻量任务跑视频生成模型会非常吃力速度可能达到难以接受的程度。如果你只有 AMD 平台的电脑更推荐使用云端 GPU 或 Colab 等方式。如果 AMD 显卡有对应的 ROCm 优化需要单独查询社区有没有适配方案不要轻信“一键整合包通吃所有硬件”的宣传。这里有一个判断技巧看整合包说明里是否明确写了 NVIDIA 驱动版本和 CUDA 版本如果只字未提大概率默认只支持 NVIDIA 环境。7.2 8G 显存真的够用吗“8G 底显存也能跑”这句话本身没有错但前提是控制各项参数。把视频分辨率降低、采样步数减少、开启 Block Cache 和量化以后8G 显存可以生成视频但生成过程会比较慢且不适合长时间连续批量生产。如果你只是验证流程8G 显存够用如果要产出大量素材建议至少准备 12G 以上显存。显存不够时先从分辨率下手而不是先降低 LoRA 权重或提示词质量。分辨率和画质的关系最直接降低分辨率可以快速释放显存压力。采样步数减少会带来画面噪声量化则可能引入微小的色彩偏差这些都是可以接受的降级方案。需要注意的是显存不足时系统可能会自动调用共享内存导致生成速度骤降甚至会误以为程序卡死实际上只是慢而已。7.3 生成视频闪烁或人物变形视频闪烁通常有两类原因一是参考图细节过于复杂模型每一帧都试图重新刻画细节导致前后帧不一致二是采样步数不足模型没有完全收敛。可以先把步数提高到 24 步以上再检查参考图是否包含过多的重复纹理比如密集的网格、细碎花纹。重复纹理是视频生成模型的“天敌”特别容易在运动过程中产生摩尔纹和闪烁。如果已经出现局部变形 AI视频角色一致性工作流：MiniMax H3与KREA2+LoRA实战
在做 AI 视频风格化内容时最让人头疼的问题往往不是模型不出图而是同一角色在连续几十段视频里反复出现“长相漂移”。每次生成出来的角色都像换了个人服装细节、发型、肤色都难以稳定。本文要聊的是一套以 MiniMax H3 与 KREA2 为核心组合的 AI 图片加视频生成工作流覆盖模型部署、LoRA 训练、ComfyUI 工作流搭建、提示词整理和常见坑点。如果你想批量产出风格统一的角色视频素材这篇文章可以帮你把整条链路跑通。1. 背景与核心概念1.1 MiniMax H3 是做什么的MiniMax H3 是当前 AI 视频生成赛道里热度较高的一类模型社区里的核心定位是图生视频和文生视频的生成器可以基于提示词或参考图片生成短视频片段。和早期逐帧生成的扩散模型不同这类模型更强调时间一致性也就是前后帧之间的人物长相、服装、场景光线尽量不要跳变。对角色风格化内容来说MiniMax H3 的主要价值体现在一段素材通常只需要几秒到十几秒用于展示服装细节、人物动态和场景氛围变化配合稳定的参考图它可以保持同一套角色风格连续生成几十段甚至上百段视频避免“每段视频主角都不是同一个人”的尴尬。这个特点对“系列化”内容生产是非常关键的因为系列内容最重要的就是角色辨识度。需要说明的是MiniMax H3 相关技术迭代非常快开源社区存在不同版本的分支与部署方式。本文不会把某个固定版本当成唯一答案而是把“模型部署—参考图转视频—批量出片”这条通用链路讲清楚。具体权重版本、插件名称以及整合包细节请以你实际使用的资源为准不要照搬一套参数就去跑所有环境。1.2 KREA2 与 LoRAKREA2 是图片生成链路上的一套主流方案常与 LoRA 训练配合使用。在“极光黑丝”这类风格化 LoRA 项目中KREA2 通常负责生成“底图”也就是后续视频生成所依赖的参考帧。你可以简单理解为MiniMax H3 负责让角色动起来KREA2 负责让角色长得像。KREA2 在社区流行很大原因是它的调度器Scheduler和 LoRA 训练生态比较成熟。调度器决定扩散模型在去噪过程中的步进方式直接影响画面质感和收敛速度LoRA 则是一种低成本微调技术只需要少量图片作为训练集就能把模型“固定”到某个角色、某种服装或某种画风上。简单来说LoRA 不用重训大模型也能让模型稳定输出特定风格。像“图图的嗨丝系列”这种以特定角色风格为核心的创作LoRA 的价值尤为明显。它不需要重新训练完整大模型只需训练一个几十到几百 MB 的小规模权重文件就能让 KREA2 稳定输出同一角色的不同姿势、不同场景再交给 MiniMax H3 做视频化。后面我们会专门讲 OneTrainer 训练 LoRA 的完整流程以及调度器的选择经验。1.3 提示词包在整条链路中的位置很多人把提示词当成“一句描述就出成品”的魔法文本但实际上在批量生产项目中提示词更像是一套“配置协议”。18694 条提示词包听起来数量很大但它不是随随便便堆出来的句子而是按照场景、人物、动作、镜头、光影、负面提示词等维度拆分后组合出来的产物。提示词数量决定了项目的覆盖宽度同样一个角色可以出现在室内、街道、夜晚、雨天、咖啡馆等场景可以坐着、站着、回眸、走路可以有近景、中景、远景、俯拍、仰拍。所有这些组合乘起来数量自然非常可观。而提示词包的核心价值正是把这些组合标准化、模板化让每一条新素材都不需要从零开始写提示词。所以拿到提示词包之后不建议直接整套复制粘贴。更合理的做法是把它当作“索引数据库”来查阅当你想生成雨天街头的动态镜头时找到对应的动作、镜头、光影标签重新组合成一条新的高质量提示词。提示词包本身是素材库灵活组合的能力才是生产工具。2. 环境准备与部署方案2.1 硬件需求MiniMax H3 视频生成和 KREA2 图片生成都属于计算密集型任务对 GPU 有硬性要求。社区常见的部署方案是 NVIDIA 显卡加 CUDA 环境。如果你想用整合包快速跑起来建议先确认自己的显卡显存。网上流传很多“8G 底显存也能跑”的说法确实可以通过量化、块缓存、低步数等手段降低显存占用但这意味着需要牺牲一部分出图速度和画质上限。一个相对稳妥的搭配方案是24G 显存可以比较流畅地同时承担 KREA2 图片生成和 MiniMax H3 视频生成16G 显存适合跑中等分辨率的图生视频8G 显存则需要开启显存优化选项并把分辨率控制在合理范围内。如果你打算用集成显卡或纯 CPU 跑我建议直接放弃更现实的选择是云服务器或 Colab 方案否则等一个片段的时间可能让人崩溃。除了显存内存和硬盘空间也容易被忽略。视频生成过程中会产生大量临时文件和中间结果建议预留至少 50GB 以上磁盘空间。视频模型权重通常也比较大加上底模、LoRA、VAE、插件整体占用很容易超过 30GB。如果你是刚接触这套工具链最好提前做好磁盘规划不要等生成到一半才发现空间不足。2.2 ComfyUI 整合包安装ComfyUI 是目前社区搭建 AI 生成工作流最主流的工具之一。它的特点是节点式操作可以把图片生成、LoRA 调用、视频生成、后期处理连接成一条可视化流水线。对于 MiniMax H3 加 KREA2 这类组合ComfyUI 整合包通常已经预置了大部分插件、依赖和默认工作流可以大幅减少手动安装的麻烦。安装整合包的一般步骤如下下载对应整合包压缩包解压到磁盘剩余空间较大的目录。确保本机已安装 NVIDIA 驱动并确认驱动版本能兼容当前 CUDA 环境。按整合包说明安装 Python 依赖或直接使用整合包自带的便携 Python 环境。启动 ComfyUI在浏览器打开工作台确认默认工作流可以正常出图。不同整合包的细节会有差异但核心思路都是一样的先求通再求调优。第一次启动时如果遇到缺依赖、模型路径不对的问题不要急着卸载重装优先看启动日志里报错的是哪个 Python 包单独补装即可。绝大多数启动失败问题本质上都是依赖版本冲突或模型文件缺失而不是整合包本身坏了。2.3 模型文件与目录结构ComfyUI 使用固定目录来加载模型常见的目录结构如下ComfyUI/ ├── models/ │ ├── checkpoints/ │ ├── loras/ │ ├── vae/ │ └── controlnet/ ├── custom_nodes/ ├── input/ ├── output/ └── user/其中 checkpoints 目录放置底模loras 目录放置训练出来的 LoRA 文件custom_nodes 目录放置各类插件节点。MiniMax H3 相关的模型权重不同整合包的放置方式可能不同有的直接放在 checkpoints 下有的需要独立的 video_models 或类似目录。建议按照你下载的整合包 README 来放置不要凭经验硬套。还要注意文件命名不要带中文和特殊符号。ComfyUI 虽然对中文支持越来越好了但插件在解析路径时偶尔会出现编码问题。统一使用英文命名可以避免很多莫名其妙的报错。模型的下载和校验也建议保留 MD5 或 SHA256 校验值防止下载文件不完整导致生成结果异常。3. KREA2 LoRA 训练与调度器配置3.1 训练数据集准备LoRA 训练的核心是“让模型能稳定还原某个特定角色或风格”。准备数据集时不要只贪图片数量质量和一致性更关键。以“极光黑丝”这类风格化 LoRA 为例建议准备 30 到 100 张同一角色的图片覆盖正面、侧面、背面、全身、半身、特写等视角。数量太少会导致模型记不住角色特征数量太多且质量参差反而会把噪声学进去。图片分辨率建议统一最好不低于 512×512。图片中角色的服装、发型、配饰要尽量保持一致因为 LoRA 会把这些视觉特征绑定在一起。训练前还需要做清洗把模糊、过度滤镜、有明显文字水印的图片删掉避免模型学到错误信息。标签也是训练中不可忽略的一环建议使用自动打标工具生成基础标签再手动修正关键的角色特征词这样才能让模型在训练时把对应特征和标签关联起来。如果图片尺寸过于参差可以先用脚本做批量裁剪和缩放统一到训练集尺寸。这里给一个简单的 Python 图片预处理示例import os from PIL import Image input_dir raw_images output_dir processed_images size (768, 768) os.makedirs(output_dir, exist_okTrue) for filename in os.listdir(input_dir): if not filename.lower().endswith((.jpg, .jpeg, .png)): continue img Image.open(os.path.join(input_dir, filename)) img img.convert(RGB) # 先等比缩放再中心裁剪最后缩放到目标尺寸 ratio max(size[0] / img.width, size[1] / img.height) img img.resize( (int(img.width * ratio), int(img.height * ratio)), Image.LANCZOS ) left (img.width - size[0]) // 2 top (img.height - size[1]) // 2 img img.crop((left, top, left size[0], top size[1])) img.save(os.path.join(output_dir, filename)) print(done)这段脚本会把原始图片统一处理成 768×768 的中心裁剪图。如果你需要的不是正方形比例可以改成 768×1024 或 832×1216但要确保所有训练图比例一致。LoRA 训练时输入尺寸越一致模型对构图的学习就越稳定。3.2 使用 OneTrainer 训练 LoRAOneTrainer 是训练 SD/SDXL 系列 LoRA 的常用工具也可以用于 KREA2 生态。相对而言它比纯命令行训练工具更容易上手也保留了较大的可调空间。训练逻辑并不复杂加载底模、设置训练集、配置输出路径、调节学习率与步数然后开始训练。以下是 OneTrainer 训练配置中常见的一组核心参数示例training: model_type: krea2 source_model: /models/krea2_base.safetensors output_dir: /output/lora epochs: 10 batch_size: 2 learning_rate: 1e-4 optimizer: AdamW8bit scheduler: cosine lora_rank: 32 lora_alpha: 16 mixed_precision: fp16 dataset: image_dir: /dataset/processed resolution: 768这里的 epoch 总数需要根据数据集大小推算一般情况下 epoch 10 配合 50 张图已经能看到明显效果。不建议一上来就拉大学习率或 rank否则很容易过拟合导致生成图里出现“复制粘贴”般的重复纹理。LoRA rank 越高模型表达能力越强但也越容易过拟合常见的 rank 区间是 16 到 64。训练完成后OneTrainer 会生成一个.safetensors文件。把它复制到 ComfyUI 的 models/loras 目录即可在节点中调用。注意 LoRA 不是模型本身必须和底模配合使用。如果换了一个底模原本表现良好的 LoRA 可能效果明显下降这时候不要急着重训 LoRA先检查底模是否匹配或者调整 LoRA 权重。3.3 调度器与采样步数选择调度器Scheduler影响去噪过程选择不同调度器会带来完全不同的画面质感与生成效率。KREA2 生态中常见的调度器有 Euler、DPM 2M、DDIM 等。社区中还有“KREA2 调度器”这样的专项讨论说明不同版本底模对调度器有一定的偏好使用前最好查阅对应模型的推荐配置。对大多数新手我建议先用 Euler 或 DPM 2M 配合 20 到 30 步采样先把流程跑通。不要在最开始追求“最完美调度器”因为调度器与采样步数、CFG Scale 是联动的换一个调度器其他参数往往也要跟着调整。生成图片不稳定时可以先固定调度器只微调步数这样更容易定位问题。一个比较通用的经验是低分辨率出草图时用 16 到 20 步即可最终高分辨率出图时增加到 24 到 30 步。步数太少画面容易出现噪点和细节崩坏步数太多则会让生成时间翻倍观感提升却非常有限。CFG Scale 一般控制在 5 到 8 区间数值太高会引发颜色过度饱和和“塑料感”数值太低又会导致画面内容偏离提示词。最好的方式是用同一组提示词连续测几次不同的调度器组合选择视觉表现最稳定的那一组。4. MiniMax H3 部署与视频生成工作流4.1 ComfyUI 中的节点搭建MiniMax H3 在 ComfyUI 中通常以自定义节点或插件形式出现。搭建工作流时至少需要这几个环节加载底模与 LoRA、接入参考图、输入提示词、设置视频分辨率与长度、执行生成节点、保存视频。整体流程可以理解为一条单向流水线前一个节点的输出正好是后一个节点的输入。这里给一个精简的流程示意参考图片 → 图像加载节点 → LoRA 提示词节点 → MiniMAX H3 生成节点 → 视频保存具体节点的名称在不同插件中会有差异但思路是一致的。MiniMax H3 图生视频时参考图的质量直接影响视频稳定性应优先选择人物完整、背景不过度复杂的图片作为输入。视频长度不宜一上来就拉满可以先生成 2 到 3 秒短片段确认角色和动作没有问题再逐步增加帧数。如果你使用的是社区整合包通常会附赠一套预置工作流包含导演台、参考模式等高级节点。直接用预置工作流跑通一次再对照节点结构理解每一步的作用是上手最快的方式。很多新手喜欢一上来就自己搭节点结果因为某个节点参数不匹配折腾半天也不知道哪里出错。先跑通默认流程再一步步替换反而更高效。4.2 Block Cache 与显存优化“Block Cache T8”是社区里讨论较多的一种显存优化方案。它的核心思路是缓存一部分计算块的中间结果在后续采样过程中跳过重复计算从而降低显存占用和推理耗时。对普通用户来说不需要完全理解里面的数学细节只要知道它能在不改变提示词和模型的前提下让低显存环境也能跑动更大的视频生成任务。使用 Block Cache 时要注意不同采样器的兼容性。有些采样器与块缓存组合后会出现画面异常或运动不自然需要按实际效果取舍。显存不够时优先建议把视频分辨率从 1080P 降到 720P、把采样步数从 20 步降到 12 到 16 步、开启 FP8 或量化权重。三者叠加后显存压力通常会缓解很多。另外提醒一句8G 显存跑 MiniMax H3 属于“能跑但不宽裕”的状态。即使能出片也可能出现生成速度慢、缓存刷盘、程序闪退等问题。视频生成任务耗时较长如果生成到一半因为显存不足崩溃前面积累的调试成本就全部浪费了。不要把开发机器的显存用到极限重要素材建议在更稳妥的环境下生成。4.3 导演台与二次采样“导演台”通常指的是 ComfyUI 或整合包中的分镜管理功能你可以把它理解为一个轻量脚本排序面板在多段视频生成的场景下把每一个镜头要用的参考图、提示词、动作描述都排好序再一键批量执行而不是一段一段手动改提示词。导演台适合用来组织一条短片的多镜头内容可以显著提升批量生产效率。“二采”则是二次采样的简称。第一次采样先生成低分辨率的“草稿”结果确认构图和姿态没问题后再基于第一次结果重新采样到目标分辨率或在第二次采样时更换细节提示词。这种策略在视频生成里很实用因为视频生成成本高如果直接高分辨率跑 30 步失败一次就要浪费大量时间。在实际项目中可以把导演台和二采结合起来先用导演台排好 10 个镜头每个镜头都走低分辨率快速采样从中挑出 3 个合格镜头再进入二次采样精修阶段。这样既能控制总体生成成本也能保证成片质量相对稳定。二次采样时建议固定第一次采样使用的随机种子否则画面构图可能发生完全不可控的变化。5. 提示词工程18694 条提示词包是怎么产生的5.1 ref2va 全能参考模式ref2va 在社区中被称为“全能参考模式”它解决的问题是如何让视频生成模型更准确地参考输入图片。普通的图生视频往往只把参考图当作首帧而全能参考模式会让模型在生成过程中更充分地提取参考图的人物、服装、构图、颜色等信息使后续帧更贴近参考图而不是从第二帧开始就“放飞自我”。它和普通图生视频的最大区别可以这样理解普通模式只是“第一帧从这张图开始”参考模式则是“每一帧都尽量向这张图靠近”。因此在“嗨丝系列”这种需要跨视频保持角色一致性的项目中ref2va 模式几乎是默认选项。角色一致性是系列视频的命脉缺少参考模式时生成结果经常会变成“参考图只负责开头几帧”。使用 ref2va 时提示词的写法也需要跟着调整。通常需要把参考图里的关键信息用自然语言补全比如服装款式、发型颜色、环境光源、镜头运动方向等。参考图负责提供视觉锚点提示词负责补充参考图里看不太清楚的动态信息和情绪氛围两者缺一不可。5.2 提示词结构模板一条高质量提示词不应该是一长串形容词的堆叠。推荐按下面的结构拆解主体描述人物、动作、服装、表情环境场景地点、天气、时间段、光线来源镜头语言景别、机位、运动方式、焦段风格限定画风、色调、质感、负面提示词套用到角色风格化项目里可以组织成这样的格式主体一个黑长直女生穿黑色丝质连衣裙站在落地窗前回头看向镜头 环境傍晚的城市高层公寓暖色室内灯光窗外蓝色天空 镜头中景浅景深镜头缓慢推进 风格电影感自然肤色柔和光影高细节。 负面模糊变形多余手指低质量水印。这个结构的好处是可以把“主体”“环境”“镜头”“风格”当作四个独立变量。换一个场景时只需要替换“环境”其他部分保持不变就能快速生成一组风格统一的提示词。18694 条提示词包本质上就是把这些变量多次排列组合后的结果这种模板化思路比“每次重新编一个长句子”高效得多。5.3 如何整理成提示词包要构造一个可复用的提示词包关键是把“变量”和“固定项”分离。固定项是角色特征、服装描述、风格底座变量项是场景、镜头、动作、光线。用脚本把两者组合就能产生大量格式统一的提示词。整理过程中还要注意去重和冲突检查避免同时出现互相矛盾的描述比如“白天”和“夜晚”同时出现在一条提示词里。下面给出一段 Python 写法模拟从关键词表生成提示词包的过程import itertools characters [ 黑长直女生黑色丝质连衣裙, 微卷发女生白色上衣与黑色半身裙, ] scenes [ 夜晚霓虹街道湿漉漉的地面彩色灯光反射, 雨天的咖啡馆窗边暖黄色灯光玻璃水珠, ] shots [ 中景镜头缓慢推进, 近景低角度仰拍, ] styles [ 电影感柔和光影自然肤色, 时尚大片高对比度暗色调, ] prompts [] for char, scene, shot, style in itertools.product( characters, scenes, shots, styles ): prompt ( f{char}{scene}主体动作自然地望向镜头 f镜头{shot}风格{style}。 负面模糊变形多余手指低质量水印。 ) prompts.append(prompt) print(f生成提示词数量: {len(prompts)}) for p in prompts[:6]: print(p)真实项目里的 18694 条提示词包只是把角色、场景、动作、镜头等维度的枚举更充分再人工筛选掉质量低、含义重复的组合。你要用的不是全部 18694 条而是学会它的组合规则。当你理解了提示词的“语法”拿到任何提示词包都能快速拆解出可复用的部分。6. 从图片到视频的完整闭环6.1 第一步用 KREA2 生成系列图片先用 KREA2 底模加训练好的 LoRA 生成系列图片。建议每轮生成 4 到 8 张候选图从里面挑一张最符合角色设定的作为“角色标准像”。之后所有视频生成的参考图都以这张标准像为基础只做姿态或场景上的变化不要频繁更换基础形象。角色标准像是整条生产链路的锚点如果它不稳定后面所有视频都会跟着不稳定。批量生成时建议固定随机种子。固定种子可以让同一提示词下生成的人脸结构和构图保持一致后续只调整提示词中的场景描述更容易得到系列感。如果软件自带 variation 功能也可以在种子基础上做小幅变化这样既能保持角色一致性又能避免所有图片完全雷同。6.2 第二步筛选与统一风格筛选图片时优先看三个点人脸结构是否自然、服装细节是否正确、边缘手指等容易出错的位置是否正常。图片阶段的小瑕疵可以在局部重绘中修复但如果脸部结构已经崩坏就不要勉强使用直接重新生成否则视频阶段会放大这些问题。视频生成是成本更高的环节图片阶段的筛选宁可严格一些也不要轻易放过有瑕疵的参考图。对于通过筛选的图片建议统一分辨率并使用相同的色调调整方向。实际操作时可以在 ComfyUI 里加一个后处理节点统一输出到 768×768 或 832×1216 之类的常用比例。这样进入 MiniMax H3 视频生成之前参考图的质量已经达到统一标准。如果一批图片色调偏差很大即使角色一致剪进同一个视频里也会显得很割裂。6.3 第三步MiniMax H3 图生视频把筛选好的某一张参考图接到 MiniMax H3 的图生视频节点使用 ref2va 全能参考模式输入对应的提示词设置视频帧数和分辨率。第一次生成建议只输出短片段确认运动幅度、画面连贯性是否满意。如果一开始就生成很长的视频一旦中段出现画面崩坏排查起来会非常困难。如果生成结果里人物出现“闪烁”或“表情突变”往往是参考图细节过多、提示词描述又不够具体导致的。比较有效的解决方式是降低参考图的复杂背景干扰或者增加提示词中“动作保持自然且缓慢”这类描述让模型不要过度发挥。视频生成模型在提示词描述不充分时会倾向于自行“脑补”大量细节而脑补出来的结果往往与参考图不一致。6.4 第四步批量管理与素材归档当某一个镜头验证通过后再把它替换到导演台里进行批量生成。一次批处理可以生成几十段候选视频。素材归档建议按“项目/场景/动作/序号”的方式整理例如output/ ├── project_aurora/ │ ├── scene_city_night/ │ │ ├── shot_001_v01.mp4 │ │ ├── shot_001_v02.mp4 │ │ └── shot_002_v01.mp4 │ ├── scene_cafe_rain/ │ │ └── shot_001_v01.mp4这种目录结构的好处是后续做筛选和剪辑时能一眼看出每一个文件来自哪个项目、哪个场景、第几个镜头避免素材越来越多以后变成“一堆 video 文件”的状态。文件名里可以再加入是否精修、是否配音等信息方便在海量素材里快速定位。素材管理的价值往往要等到生成几百个文件之后才会真正体现出来。7. 常见问题与排查思路7.1 AMD CPU 能部署吗这是社区里被问得最多的问题之一。MiniMax H3 的常规部署路径依赖 NVIDIA CUDA 环境在 AMD CPU 上“本地部署”通常是不现实的因为大部分推理加速逻辑和编译优化都围绕 CUDA 展开。AMD CPU 只适合跑数据预处理这类轻量任务跑视频生成模型会非常吃力速度可能达到难以接受的程度。如果你只有 AMD 平台的电脑更推荐使用云端 GPU 或 Colab 等方式。如果 AMD 显卡有对应的 ROCm 优化需要单独查询社区有没有适配方案不要轻信“一键整合包通吃所有硬件”的宣传。这里有一个判断技巧看整合包说明里是否明确写了 NVIDIA 驱动版本和 CUDA 版本如果只字未提大概率默认只支持 NVIDIA 环境。7.2 8G 显存真的够用吗“8G 底显存也能跑”这句话本身没有错但前提是控制各项参数。把视频分辨率降低、采样步数减少、开启 Block Cache 和量化以后8G 显存可以生成视频但生成过程会比较慢且不适合长时间连续批量生产。如果你只是验证流程8G 显存够用如果要产出大量素材建议至少准备 12G 以上显存。显存不够时先从分辨率下手而不是先降低 LoRA 权重或提示词质量。分辨率和画质的关系最直接降低分辨率可以快速释放显存压力。采样步数减少会带来画面噪声量化则可能引入微小的色彩偏差这些都是可以接受的降级方案。需要注意的是显存不足时系统可能会自动调用共享内存导致生成速度骤降甚至会误以为程序卡死实际上只是慢而已。7.3 生成视频闪烁或人物变形视频闪烁通常有两类原因一是参考图细节过于复杂模型每一帧都试图重新刻画细节导致前后帧不一致二是采样步数不足模型没有完全收敛。可以先把步数提高到 24 步以上再检查参考图是否包含过多的重复纹理比如密集的网格、细碎花纹。重复纹理是视频生成模型的“天敌”特别容易在运动过程中产生摩尔纹和闪烁。如果已经出现局部变形