H3 多参考生视频教程：多张图一起上，人物场景全锁定

2026-08-17 15:01 · 427 阅读

Minimax H3 实战 · 第 5 篇 / 共 20 篇查看系列 →

多参考生视频是什么？能做什么

前面几篇都是"一张图生成视频"。这一篇升级成多参考：一次给它 3~4 张图，每张图各管一件事——图 1 锁定女主长相、图 2 锁定男主造型、图 3 锁定场景环境，模型把所有素材融合起来生成一段视频。

这有什么用？图生视频最怕的就是"人物跑偏"：只给一张图时，画面里多出来的配角经常长得随心所欲。多参考就是为这个设计的：

双人/多人剧情：女主一张图、男主一张图，两个人都不会跑偏
人物 + 场景分离：人物图管人物，场景图管环境，互不干扰
风格 + 人物组合：一张人物设定图 + 一张风格参考图，让同一角色出现在不同风格世界里
进阶玩法：除了图片，还能混合参考视频（学动作姿态）和音频（学人声音色）

整合包里对应的工作流是 H3-多参考生视频工作流（加速），只有一个版本，且自带官方三件套加速（int8 量化 + SageAttention + TE 蒸馏）。

第 1 步：打开多参考工作流

双击 ComfyUI启动器.exe（或运行 run_nvidia_gpu.bat），等浏览器弹出 ComfyUI 界面后：

在左侧「工作流」列表打开 AI星尘-Minimax H3 文件夹
选择 H3-多参考生视频工作流（加速）.json

打开后，整体骨架和单图生视频加速版几乎一样（提示词、时长、分辨率、采样管线），唯一多出来的就是两三个「加载图片」节点——这就是多参考的核心。

第 2 步：认识要管的节点（比想象的简单）

1. 三个「加载图片」节点——每张图一个角色/一个场景

工作流里并排着 3 个「加载图片」节点（默认内置了 3 张古风图：公主、皇子、园林场景），双击每个节点分别上传你的素材：

第一个节点（ref_image_0）：主角 A，比如女主
第二个节点（ref_image_1）：主角 B，比如男主
第三个节点（ref_image_2）：场景或风格参考

其实支持最多 4 张图（第 4 个参考位空着，需要时连线或用转换节点），3 张图对绝大多数场景已经够用。用不上的节点保持默认图即可，不影响生成。

2. 「Input Text (Prompt)」提示词——重点，多参考的灵魂

多参考工作流自带的范文是全系列最有价值的一段——电影级古风仙侠（皇子与公主在御园相会），它演示了怎么用 <图1>、<图2>、<图3> 给每张图分配任务。下一章逐段拆解。

3. 「Float (Duration)」时长——注意，默认是 10 秒

多参考工作流的时长默认 10 秒（前面几个工作流默认 5 秒），想快一点改成 5，最长 15。

4. 「Resolution Selector」分辨率

默认 16:9 横版、0.4 档。第一次跑显存紧张就降到 0.2。

剩下的采样管线、加速补丁、帧数自动计算全部自动，不用管。

第 3 步：多参考提示词怎么写（全文重点）

先看工作流里自带的官方范文（电影级古风仙侠，皇子与公主御园相会）：

电影级古风仙侠 写实风格，UE5 渲染，光线追踪，柔和暖金色日光，
细腻丝绸面料质感，金属甲胄 PBR 材质，繁花海棠盛放，
静谧皇家宫廷园林环境。
使用 <图2> 锁定男性角色五官、铠甲、人物样貌；
使用 <图1> 锁定公主容貌、发饰与汉服细节；
<图3> 作为场景环境参考。
镜头一：中远景，御园湖面汉白玉石桥，花瓣缓缓在空中飘落。
蓝金战甲皇子缓步走向立于桥上的公主，一手轻按剑柄，神情温润沉静。
镜头缓慢向前推进，他轻声开口："这场相见，我等候许久。"
说话间微风扬起蓝色长袍披风下摆，海棠花瓣环绕周身飞舞。
转场：淡入淡出柔和转场，花瓣掠过画面，轻微动态模糊。
镜头二：公主中近景特写，她微微侧首，温婉浅笑，发间流苏轻轻晃动，
轻声回应："宫中春色，从未这般动人。"
镜头缓慢环绕二人，湖面日光粼粼波光。
镜头三：全景广角低机位镜头，皇子与公主并肩立于白石拱桥，
遥望远处古宫殿宇，衣袖在风中轻拂，镜头缓缓拉远定格。

拆开看，它只有三段式结构：

第一段：整体风格——先定基调：电影级、写实、UE5 渲染、光线追踪、暖金日光、丝绸质感。这些词决定了画面的"高级感"。注意：风格写的是文字描述，不占参考图名额。
第二段：给每张图分配任务（多参考的核心）——<图2> 锁定男主、<图1> 锁定女主、<图3> 管场景。图片编号对应「加载图片」节点的顺序（第一个加载的图是 <图1>）。谁管什么说清楚，模型就不会混。
第三段：分镜时间轴——和单图篇一样的写法：镜头几、景别、谁做什么、镜头怎么动。这篇范文还带对白（"这场相见，我等候许久"），H3 会真的配出台词声音——多参考适合做剧情片的另一个原因。

新手模板（多图版）：

[整体风格一句话：写实/古风/赛博…，画质词]
使用 <图1> 锁定[人物A：长相/服饰]；
使用 <图2> 锁定[人物B：长相/服饰]；
<图3> 作为[场景]环境参考。
镜头一：[景别]，[人物A做什么]，[镜头运动]，[对白可选]。
镜头二：[景别]，[人物B做什么]，[镜头运动]，[对白可选]。
镜头三：[景别]，[两人一起做什么]，[收尾定格]。

三个注意点：

图片编号不能搞错：<图1> 一定对应第一个「加载图片」节点。上传完图后，按节点从左到右的顺序在提示词里对应引用。
每张图管的事要分开说：女主图就写"锁定公主容貌发饰"，别让它同时管场景。
图与图之间风格要统一：女主图是写实风、男主图是卡通风，生成出来会很违和。

第 4 步：跑通第一遍（完整操作流程）

先别换图，直接用内置的公主/皇子/园林三张图跑一遍，看官方范文的效果
跑通后再替换自己的素材：三个「加载图片」分别上传人物A图 / 人物B图 / 场景图
按第 3 步模板改提示词（图片编号别搞错）
时长 10 秒、分辨率 16:9 先不动，点「执行」

第一次跑先加载模型（几分钟），然后逐帧生成。完成后点「保存视频」节点预览——会看到皇子与公主在御园相会，带对白、带古风配乐和环境音。

第 5 步：进阶玩法

多参考节点其实支持三类素材混合，视频和音频是"进阶接口"：

视频参考（ref_videos）：加一段参考视频，让生成结果学它的动作姿态/运镜（比如让视频里的舞姿用到你的角色身上）
视频音频参考（ref_video_audios）：参考视频里自带的声音
独立音频参考（ref_audios）：加一段人声/音乐，锁定人声音色或配乐风格

这些接口在当前工作流里默认没接线（连线是空的），要玩需要手动连线，属于进阶操作——先把 3 张图的玩法玩熟，再研究它们。

常见问题

两张人物图，生成出来像同一个人？人物图要选区别明显的：长相、服饰、发色反差越大越不容易混。提示词里把分工写死（"<图1> 只锁定公主，<图2> 只锁定皇子"）。
场景没按场景图来？确认场景图接在对应的「加载图片」节点，且提示词里写了"<图3> 作为场景环境参考"；场景图尽量选大景别、无人物的。
只有一张图，用这个工作流行吗？行，把用不上的图节点保持默认即可，当单图用；但单图场景用单图工作流更顺手。
生成到一半报错 / 卡住？显存或内存压力：分辨率降到 0.2、时长 5 秒、关掉多余程序，重启 ComfyUI 再跑。
时长默认 10 秒好慢？改成 5 秒或降到 0.2 分辨率，会快很多。
对白可以不要吗？提示词里不写台词、声音设计里写"全程无对白"即可。