H3 多模态参考导演台教程：宫格分镜、多模态参考，一个节点全搞定

多模态参考导演台是什么？能做什么

前几篇的工作流，都是"一个节点干一件事"：放参考图、写提示词、设参数，各管各的。这一篇完全不同——整合包里的多模态参考导演台，把参考素材、时长、比例、提示词、音视频潜空间全部集中到一个巨大的导演台节点里，像导演一样在一个地方统管全局。

它最特别的三个能力：

• 双模式：顶部一个按钮在「宫格模式」和「全能参考」之间切换——宫格模式适合"多图拼格做分镜"，全能参考适合"图片+视频+音频混着喂"，两种模式的素材互不串用，切走再切回来内容还在
• 多模态参考：最多 9 张图片 + 3 段视频 + 3 段音频 一起当参考——图片锁人物场景、视频学动作运镜、音频学声音，全都能喂
• 统一输出：导演台直接把"模型、提示词条件、音视频潜空间"全部做好，后面接的采样管线和前几篇一模一样

第 1 步：打开导演台工作流

启动 ComfyUI（双击 ComfyUI启动器.exe），浏览器打开界面后：

1. 在左侧「工作流」列表打开 AI星尘-Minimax H3 文件夹
2. 选择 H3多模态参考导演台工作流.json

打开后最显眼的就是中间那个超大个的深绿色节点——导演台。它自带一份使用说明（画布左上角黑色便签），新手建议先看一遍。

第 2 步：认识导演台节点

导演台节点从上到下分三个区域：

• 顶部：模式切换——「宫格模式 / 全能参考」按钮，两种模式的素材互相独立
• 中部：素材区——「＋图片 / ＋视频 / ＋音频」按钮，点一下就能添加参考素材
• 下部：全局参数——目标时长（默认 15 秒）、输出比例（16:9 横屏等）、参考图精度、输出像素规模、全局创作要求（对整个视频都生效的总提示词）

模式切到「宫格模式」时，节点中部还会多出宫格格式（2x2 四宫格 / 3x2 六宫格 / 3x3 九宫格）和白边裁剪强度两个参数——它们是宫格模式专用的。

第 3 步：宫格模式——多图拼格做分镜

宫格模式适合"先把剧情画成格子，再让 AI 拍成视频"的分镜玩法：

1. 顶部切换到宫格模式
2. 选宫格格式：3x2 六宫格（示例默认），也可以 2x2 四宫格或 3x3 九宫格
3. 把分镜图一张一张放进宫格——每个格子就是未来视频的一个镜头画面
4. 在宫格分镜文本里写这段视频的剧情描述（每个格子讲了什么、镜头怎么衔接）

白边裁剪强度（默认 1）控制拼格时白边的处理：值越高越 aggressively 裁掉宫格之间的白边，分镜图留白多时可以调大它。

第 4 步：全能参考模式——图、视频、音频一起喂

实例：六宫格分镜「鸣人与雏田的日常」——下面用一套完整的六宫格案例演示三个字段怎么填（分镜图一格一个镜头，火影题材日常温馨向）：

全局创作要求（整段视频的画风与人物锁定）：

「动画电影级写实渲染风格，木叶村日式房屋内景，暖色柔光，温馨治愈日常氛围。人物形象严格匹配参考图：鸣人金色短发、蓝色眼眸、脸颊三对胡须纹、橙色运动服；雏田黑色长直发、白眼、浅紫色上衣。光线柔和自然，色彩温暖明亮，电影感构图，人物动作流畅自然，表情细腻生动，画面稳定不闪烁，背景细节丰富。」

画面、动作、镜头与台词（每个格子拍什么）：

「镜头1（图1）：鸣人盘腿坐在窗边榻榻米上看书，神情专注；雏田站在门口，微微侧头偷看他，脸颊泛红，欲言又止。雏田（轻声自语）："鸣人君……还是这么认真呢。"」

「镜头2（图2）：雏田双手捧着一束刚摘的花，低头看着花朵，脸泛红晕。雏田（内心独白）："这朵花……要送给他吗。"」

「镜头3（图3）：正面镜头，两人并肩坐在窗边，鸣人笑着挠头，雏田低头绞着手指。鸣人："雏田，你刚才是不是叫我啦？"雏田（小声）："没、没什么……"」

「镜头4（图4）：正面镜头，雏田鼓起勇气把花递到鸣人面前。雏田："鸣人君，这个……送给你！"」

「镜头5（图5）：鸣人接过花开心大笑，雏田露出温柔笑容。鸣人："哈哈，谢啦雏田！这花真好看！"」

「镜头6（图6）：背面镜头，两人背对镜头并肩坐在屋檐下，夕阳洒进屋内，安静温馨，画面定格。」

声音与台词补充（配音与环境音设计）：

「雏田轻声细语、羞涩温柔；鸣人声音爽朗阳光。环境音：微风蝉鸣、纸页翻动、木门轻响。音效：雏田心跳声在镜头2、4处微微放大。背景音乐：温暖舒缓的钢琴+弦乐，镜头3 渐入、镜头6 最柔和后渐出。」

填写要点：全局创作要求负责"画风和人物不跑偏"（角色特征写死在全局里，配合参考图双保险）；画面动作镜头台词负责"每个格子拍什么"（一格一段，写清景别+动作+台词+运镜）；声音台词补充负责"听起来怎么样"（配音语气、环境音、BGM）。三个字段分工明确，填好直接出片。

全能参考模式是这篇的重头戏，把多模态参考玩到极致：

1. 顶部切换到全能参考
2. 点＋图片：添加人物/场景参考图（和前面几篇的多参考一样，锁定人物和场景）
3. 点＋视频：添加参考视频——AI 会学习它的动作、运镜（比如你想复刻某段舞蹈的动作，就把舞蹈视频拖进来）
4. 点＋音频：添加参考音频——AI 会学习声音特征（音色、氛围、人声）
5. 在全局创作要求里写整段视频的总提示词

参考素材不是随便加的，H3 有硬性限制（导演台使用说明里写得明明白白）：

• 最多 9 张图片、3 段视频、3 段音频
• 单段视频或音频必须 2~15 秒，参考视频总时长、参考音频总时长都不超过 15 秒
• 音频不能作为唯一参考——必须同时有图片或视频，光喂音频会报错
• H3 固定 24 帧/秒

⚠️ 超时警告：参考素材一旦超过 15 秒，运行会直接报错（提示「超过 H3 的 15 秒上限」）。注意视频自带的声音轨也算音频参考——视频超 15 秒会同时触发视频和音频双重超限。解决办法：先把素材裁剪到 15 秒以内再导入（用剪辑软件，或 ComfyUI 里的视频裁剪/截取节点）。

实例：全能参考「耄耋猫跳舞」——图、视频、音频三样全用的完整案例：图片锁角色、视频锁动作、音乐锁节奏。素材准备：一张拟人老猫参考图 + 一段 15 秒以内的跳舞视频 + 一段 15 秒以内的音乐。⚠️ 音频参考同样受 15 秒限制：视频自带的音轨也算音频，和单独添加的音乐合计不能超 15 秒（实测视频 12 秒 + 音乐 25 秒会直接报错），音乐太长先裁剪。

全局创作要求：动画电影级写实渲染风格，活泼欢快的舞台氛围。角色严格匹配参考图：一只拟人化的耄耋老猫（毛发灰白、胡须花白、神态慵懒又俏皮），全身形象完全遵循参考图，不得改变造型。动作学习参考视频的舞步与节奏，身体协调流畅；画面色彩明快温暖，电影感布光，动作流畅自然，表情生动，画面稳定不闪烁，背景细节丰富。

画面、动作、镜头与台词：镜头1 中景，老猫站舞台中央随音乐节奏点头打拍子（老猫低沉慵懒："年纪大了，腰腿不如从前——但舞，还是要跳的。"）；镜头2 近景，老猫转圈，胡须轻颤（"这招，叫老汉推磨。"）；镜头3 中景，随节拍左右摇摆，尾巴打拍子；镜头4 全景，谢幕鞠躬。舞蹈动作严格跟随参考视频的舞步与节奏，幅度可稍放缓，体现老猫的从容。

声音与台词补充：老猫声音低沉慵懒带俏皮，念白节奏跟音乐节拍；环境音布料摩擦、爪子踏地；音乐重拍加铃铛/擦片点缀；背景音乐风格与节奏完全跟随参考音频，欢快活泼，谢幕时渐弱。

效果：输出 = 老猫形象 × 参考视频舞步 × 参考音乐节奏——图、视频、音频各管一件事，这就是全能参考的核心用法。

第 5 步：设置参数，点运行

运行前过一眼导演台参数区：

• 目标时长：默认 15 秒（H3 参考限制内越长越慢），拖任务时长按需改
• 输出比例：16:9 横屏（默认），也可切 9:16 竖屏、1:1 方形——做抖音竖屏视频就切 9:16
• 输出像素规模：默认 0.5 MP——分辨率按比例对照表自动计算（16:9 下 0.5MP≈864×480；0.3MP≈736×416；1.0MP≈1376×768），显存紧张就调小，要清晰就调大
• 参考图精度：默认"匹配输出（推荐）"，不用动

时长、帧率与分辨率的关系（新手必读）：生成帧数 = 目标时长 × 24 帧/秒（H3 固定 24fps）；输出分辨率 = 输出像素规模 × 输出比例计算（32 对齐，16:9 下 0.2MP≈608×352、0.5MP≈864×480）。帧数和分辨率直接决定出片速度：默认 15 秒 + 0.5MP = 360 帧 @864×480，实测要 1 小时以上。提速建议：目标时长 5~8 秒（120~192 帧）+ 像素规模 0.2~0.3MP，速度可快 5 倍以上，画质仍够用（耄耋猫案例即用 5 秒 + 0.2MP 测试，几分钟出片）。

然后点右侧「运行」。导演台会把所有素材和参数编译成条件，走采样 → 视频 VAE 与音频 VAE 分别解码 → 「创建视频」合成为带声音的成片，保存到 output 目录。

模型与加速（不用动，但要知道）

• 主模型：Ref2VA 专用模型（minimax_h3_ref2va_pruned_int8，19.5GB）——和上一篇多参考多轨编辑同款，专门吃参考素材
• 文本编码器：Qwen3VL-32B——注意下拉里默认选的是 int8 版（约 25GB），16G 显存跑不动或报内存不足时，把它换成 nvfp4 版（qwen3vl_32b_minimax_h3_nvfp4_awq，约 14.6GB），模型效果基本一样，内存压力小一半
• 双 VAE：视频 VAE + 音频 VAE——画面和声音分开解码，成片才带声音
• 采样器：20 步 / simple / res_multistep（H3 标准配置）
• 双加速已内置：SageAttention + TE 蒸馏（绿色加速组），不用额外操作

常见问题

• 报错「超过 15 秒上限」？参考视频/音频超了 15 秒（视频自带的音轨也算音频），裁剪到 15 秒以内再导入
• 报错说音频不能当唯一参考？很正常，H3 要求音频必须和图片/视频一起用，加一张参考图即可
• 参考视频加载失败/报错？检查时长：单段 2~15 秒、总长不超 15 秒，超了先裁剪
• 加载就爆内存？CLIP 换成 nvfp4 版（14.6GB）；输出像素规模调到 0.3~0.5
• 宫格模式和全能参考的素材串了？不会——两种模式的素材互相独立，切回对应模式内容还在
• 改了导演台或换了节点版本？安装/更新导演台插件后必须完全重启 ComfyUI 才生效

小结

多模态参考导演台把"素材、分镜、参数、提示词"收进了一个节点：宫格模式做多图分镜，全能参考混喂图/视频/音频，时长比例一个地方统管。前面几篇学会的参考图用法、提示词写法在这里全部通用，只是操作入口变成了一个"导演台"。