在 ComfyUI 里写分镜而不是连线:H3 Editor 给 MiniMax H3 配了条时间线
一个 GPL-3.0 的自定义节点包,把全屏时间线编辑器塞进 ComfyUI。镜头用文字写,人物用 @ 引用,草稿先跑 640x352,成片再放大重绘,声音跟着画面一起出。
ComfyUI 做视频的常规流程,是每个镜头搭一张节点图,改一句提示词就得重连一遍。Reddit 用户 igorls1 写了个叫 H3 Editor 的自定义节点包,把一整套全屏时间线编辑器放进 ComfyUI,专门针对 MiniMax H3。开源,GPL-3.0。
仓库:https://github.com/igorls/comfyui-h3-editor
文档:https://igorls.github.io/comfyui-h3-editor
它怎么工作
每个片段由几个文本框组成,写清楚发生什么、机位怎么摆、有什么声音,渲染出来再拖到时间线上剪。项目级的风格设定对所有镜头统一生效。
人物和场景可以保持一致:从一张图里添加一个角色,之后在任何镜头里用 @名字 引用。
先跑草稿再出成片。草稿是 640x352、4 步;成片在 HyperFlow H3 Flash 上是 1344x768、6 步,之后再放大重绘到 1920x1088。
画面自带声音。每个镜头渲染时一起出声,时间线上分画面轨和声音轨。
镜头之间可以不留硬切:向前或向后延长一个镜头,或者在两个镜头之间做桥接。也支持按照录好的配音生成画面。
编辑器所有操作都走 HTTP 调用,仓库里带了一个 agent skill 和一个小的 Python 客户端,可以让 agent 来驱动。
跑起来需要什么
ComfyUI 0.43 或更新版本,作者在 0.44 上测过,不需要别的自定义节点包。模型清单、体积和放置目录在 README 里。显存方面作者只说了自己用 RTX PRO 6000,下限还没测出来,希望用小卡的人反馈。
他机器上的耗时(模型已加载):草稿每个片段 10 到 15 秒;成片大约每秒素材要 50 秒 GPU 时间,5 秒镜头差不多 4.5 分钟。
一段实际用过的写法
项目风格,应用到每个镜头:
Live-action, cinematic, 35mm anamorphic film look. A dark professional restaurant kitchen late in service, lit only by warm tungsten heat lamps; everything else falls into deep teal-black shadow. Shallow depth of field, a thin haze of steam, fine film grain, naturalistic colour.
第一个镜头:
What happens:
@Chefwipes the rim of a white plate at the pass. Behind her, a flame flares up and dies. The pass is long brushed steel under a row of glowing heat lamps; the flame rises tall and orange from a pan on the range, lights the whole kitchen for a moment, then is gone. Steam drifts through the lamp light. Camera: Wide shot at eye level from the dining side of the pass, slow push in Sound: The whoosh and roar of a gas flame flaring up, a pan hissing, the low hum of extractor fans. No music, no voices.

作者放出的演示视频也是同一套流程做的:三个镜头由编辑器里的 MiniMax H3 渲染,跑在 HyperFlow H3 Flash 加一个 realism LoRA 上;厨师这个角色来自一张 Krea 2 Turbo 生成的静帧,在镜头里用 @Chef 引用;音乐用 ComfyUI 里的 YuE2。片中那些动态排版和转场不是模型出的,是代码渲染的,来自他另一个开源项目 motion-graphics,代码由一个 coding agent 写成。
作者自己列出的问题
模型不总是听话。他要一个大特写,拿到的是头肩景。小道具会在镜头之间漂移,人脸在三个镜头里保持住了,盘里的菜没有。草稿和成片不是逐帧对应的,声音也各自独立,所以草稿只能用来判断提示词写得对不对,不能拿来预判成片的准确样子。
评论区有人问桥接能不能处理长度不同的两段视频,比如 10 秒接 5 秒,作者还没回。也有人问除了人物之外的参考怎么处理。
模型在这:https://huggingface.co/VideoRebirthAI/hyperflow-h3-flash
Realism LoRA:https://civitai.com/models/3041489/mmh3-realism-slider-hyperflow-h3-flash-port
动态图形工具:https://github.com/igorls/motion-graphics
显存不够的机器上能不能跑,目前没有答案。作者自己在等这类反馈。
发布时间: 2026-11-10 18:09