H3 导演台参考图生视频教程：一张图定主角，猫也能站起来像人一样跳舞

导演台参考图生视频是什么？能做什么

这一篇教 H3 导演台 · 参考图生视频工作流（整合包内文件：H3导演台-参考图生视频工作流.json）。它是整合包里 导演台插件 的入门玩法：上传一张参考图，输入一段提示词，图片就"活"成一段带声音的视频。

「导演台」是整合包里的进阶工作流合集：MiniMaxH3Director 大节点把模型、参考素材、剧本时间线、采样全部收进一个面板，你在一个节点里完成导演的全部工作。本文用最简演示——1 张图 + 1 段提示词——带你跑通参考图生视频；它的完整能力（多角色素材、多段分镜剧本、参考视频、参考音频）后续教程展开。

它能做什么？

• 让照片动起来：宠物照片变表演视频、人像照片变动态短片
• 主角锁长相：图负责"长什么样"，提示词负责"演什么"，主体形象全片保持一致
• 自带原生音频：H3 生成的视频天生带声音——对白、音效、配乐都在提示词里"点菜"

本文演示案例：一张英短蓝白猫的照片 → 猫咪像人一样站起来跳舞的搞笑视频（3 秒，约 1 分 12 秒出片）。

第 1 步：打开工作流

启动 ComfyUI，打开 AI星尘-Minimax H3 文件夹里的 H3导演台-参考图生视频工作流.json。画布分三组，全部配置好了不用动：

• 模型加载组（左上）：参考图生视频专用底模（ref2va，int8 量化版省显存）+ Qwen3-VL 文本编码器 + 双 VAE——视频 VAE 出画面、音频 VAE 出声音，这就是视频自带音频的原因
• 导演台大节点（中间，占大半屏）：所有操作都在这
• 输出组（右侧）：CreateVideo 合成 + SaveVideo 保存（默认存 video 文件夹）+ 「Director 运行报告」看本次生成参数

第 2 步：确认模式

导演台支持多种玩法（参考图生视频/视频生视频/文生视频……），本工作流打开即已选好：节点顶部模式显示 「参考图生视频（Reference to Video）」。不用改。

第 3 步：上传参考图

点击导演台节点里的 参考图上传位，上传你的主角图片（本文用英短蓝白猫照片演示）。选图三要点：

• 单主体清晰：图里就一个主角，别一堆人/物抢戏
• 光线好、背景简单：背景复杂会被模型带进画面
• 主体完整入画：别截半张脸

提示：参考图决定主角的长相，也悄悄影响主角的姿态——想让猫像人一样站立跳舞，参考图给个站姿/人形姿态，配合下面的提示词写法，效果最稳。

第 4 步：按"剧本格式"写提示词

导演台的提示词不是一段话，而是分幕剧本，分四段：角色描述（Figure）→ 场景描述 → 场景设定（Scene setting）→ 时间段动作。写清主角长什么样、在哪、每个时间段干什么——图锁长相，文字锁行为。本文猫跳舞的完整提示词如下（直接可用）：

Figure 1: 一只英国短毛蓝白猫，背部与头顶是柔和的蓝灰色毛发，面部、胸口、肚皮与四只爪子是纯白色，脸颊圆润饱满，黄铜色圆眼，表情憨厚得意。它就是参考图中这只猫，作为视频中的主角，它在毛色、面部特征、身体比例上保持一致性，并且在整段视频中始终像人类一样只用两只后脚直立站立，绝不四肢着地。

Figure 2: 一间温馨的日式客厅，原木地板，浅色布艺沙发，暖黄灯光，午后柔和自然光。

Scene setting: 参考图中的英短蓝白猫保持人类站姿，在客厅里像人类舞者一样表演搞笑舞蹈，全程双足直立、形态拟人，毛色形象不变。

0-3 seconds: 猫咪两脚着地像人一样稳稳站着，身体跟着节拍左右摇摆，前爪像人的手臂高高举起左右挥舞，扭胯、踩着小碎步向前两步，再原地转一个圈，最后面朝镜头双臂张开鞠躬谢幕，表情一本正经又得意。全程配欢快搞笑的喜剧音乐，舞步踩在节拍上。禁止出现四肢着地、爬行等动物姿态。

套用你自己的素材时，照着这个骨架改就行：

• Figure 1 = 主角：把参考图主角的特征用文字念一遍（毛色/衣着/特征），结尾加"保持一致性"——给模型上双保险，防止主角中途变样
• 场景单独成段：主体是图给的，场景用文字描述
• 时间段按秒写动作：几秒的视频就写几秒的戏，3 秒只安排一个完整动作弧线（起→演→收），别贪多
• 声音写进剧本：要配乐写"配欢快音乐"，要音效写"舞步踩在节拍上"——H3 会把声音一起生成

第 5 步：设时长画质，点运行

本次演示参数（在导演台节点面板里设置）：

• 画面比例 4:3、百万像素 0.2（画质档位，数字越大越清晰、生成越慢）
• 帧率 24（标准电影帧率）
• 时长 3 秒

点「运行」（或 Ctrl+Enter）。进度条走完即出片——本次实测 3 秒视频约 1 分 12 秒生成完。参考图越清晰、秒数越长、画质档位越高，耗时越久。

第 6 步：看结果

跑完自动出两样：

• 预览视频：画布输出组上直接播放，点开听——猫跳舞配上喜剧配乐和爪步声，声音是 H3 一起生成的
• 保存文件：视频自动存到 video 文件夹（SaveVideo 节点里能看到保存路径）

不满意就改提示词/换参考图/换 seed 重跑，一次 3 秒的片子成本很低，多试几版挑最顺眼的。

技巧

• 让动物"像人"的写法：参考图给的姿态倾向很顽固——想让动物拟人，① 提示词把"只用两只后脚直立站立、绝不四肢着地"写死，② 动作全用人类词汇（挥舞手臂、扭胯、转圈、鞠躬），③ 有时间线功能就挂"禁止动物姿态"类约束，④ 最稳的是参考图本身就用直立/拟人姿态的图（没有的话可先用生图工具把照片改成站姿版再喂进来）
• 主角形象漂移？角色段把长相特征写全 + "保持一致性"收尾，图+文双锁定
• 多素材进阶：本文是最简演示——导演台节点里其实可以继续加第二张角色图、参考视频、参考音频，时间段也可以拆多段写连续剧情（本文只用到 0-3 seconds 一段）
• 电脑配置一般？底模是 int8 量化版 + 0.2 百万像素低档位，3 秒短片对显存压力小，普通显卡也能跑

常见问题

• 生成出来主角不像参考图？检查 Figure 1 是否写了特征+一致性；参考图本身要清晰单主体
• 动作乱/太快？3 秒只够一个动作弧线，动作写多了必然乱——拆到更长时长或只留核心动作
• 生成的行为偏动物、站不起来？按上面"让动物像人的写法"四步走：姿态写死→动作人类化→禁动物姿态→优先直立参考图
• 没声音？确认工作流用的底模和双 VAE 没被换掉；声音需求要写进时间段里，不写可能只有环境音

小结

导演台参考图生视频 = 参考图定主角 + 剧本式提示词定表演 + H3 原生声音。一张英短蓝白猫照片，三秒就让猫站起来跳了支搞笑舞。记住四个段落的剧本骨架（Figure 主角 → 场景 → Scene setting → 时间段动作），以后给任何照片"写戏"都是同一个套路。