H3 Director自带9个工作流，我用12GB显卡先跑了两个

大家好，我是你的智能搭子阿洁。

这次又发现了一个值得试试的 MiniMax H3 视频制作工具：H3 Director。它能把人物图片、声音素材和镜头安排放进同一个界面，做视频时，每个镜头用谁、做什么、持续多久，都有对应的位置可以调整。

比如，给它一张咖啡师图片，先安排她放下杯子，再切到近景，抬头看向顾客微笑。这次我就用这段小场景，试了试它的人物参考和双镜头生成。

项目全名是 ComfyUI-MiniMaxH3-Director，由seesee75-commits开发，本次用的是v1.0.0。它还自带了 9个示例工作流：从文字生成、人物与声音参考，到音乐视频、故事板和人物替换，有不少值得继续探索的入口。

我用 RTX 5070 12GB 先跑了其中两个。这篇先带大家看看它能做什么、界面怎么用，再聊聊我实际跑出来的效果和遇到的问题。

这套“导演工具”，负责安排什么？

H3负责生成画面和声音，Director负责组织制作过程：准备人物图或音频，安排每个镜头的内容和时长，再把视频拆成渲染分段，逐段生成并合成输出。

它与我之前做31秒咖啡店短片用的Chain Director是不同项目。这一期介绍的是seesee75-commits这份节点的1.0.0版本。

我觉得它值得先了解的地方，是把几种制作方式放到了同一套操作逻辑中：素材用卡片管理，镜头在时间轴上安排，生成任务按分段执行。 做人物短片，可以引用人物照片；有歌曲，可以围绕音频安排画面；已经画好分镜，也有从图片或故事板开始的入口。

项目附带的9个工作流，各自对应不同任务。下面是项目说明里的用途，其中第1、2个是我今天实际使用的。

这些示例是不同的制作入口，不需要从1到9依次运行。只有文字和想法，可以从第1个开始；已有角色图，可以先试第2个；想照着参考视频控制动作，再看第7个。

声音克隆、控制视频、人物替换等功能，我今天还没有逐项跑。它们在12GB显卡上的表现，也要留到后续实际验证。

打开界面后，先看这三个区域

导入示例后，ComfyUI画布上会有一组相连的节点。它们大致分为模型加载、素材和Director三部分。进入Director的 Full screen 后，可以在较大的Studio界面里编辑镜头。

看原图

第一部分是模型。 主模型、文本编码器、Video VAE、Audio VAE等各有加载节点。示例也会提示缺失文件。文字生成和人物参考使用的H3模型、Turbo LoRA有区别，要按对应工作流选择，不能看到名字里有Turbo就随便替换。

第二部分是素材卡。 图片卡里可以上传人物图、填写名称和描述，再选择用途：Reference是参考，First frame和Last frame分别用于首帧、尾帧。人物参考还可以设置身份、服装、姿势和背景的保留程度。

我这次把咖啡师图片命名为 Hero，在镜头文字里用@Hero引用她。身份和服装设High，姿势设Low，让外观保持住，同时留出做动作的空间。

看原图

换图时还有个小细节：示例原来的描述不会自动变成新人物。我上传了咖啡师图，下方却还留着白发精灵的文字，需要手动一起替换。图片和描述说的是同一个人，后面的镜头才好安排。

第三部分是Director Studio。 顶部Prompt填写整体想法，Look写视觉风格；右侧选择输出视频还是图片，以及First / last frame或References模式。

中间的时间轴负责安排镜头。点选Shot 1或Shot 2，右侧就会出现 Start、End和What happens?，分别填写开始时间、结束时间和镜头内容。要写对白，则在下面的Spoken区域填写；不需要对白，要把示例已有台词清掉。

看原图

底部 Duration 是总时长，Settings 里设置分辨率、Seed、采样步数、Turbo、环境声和分段长度。改好以后，先点 Show prompts 看实际编译给模型的内容，再点 Generate 开始生成。

这里尤其要认清两条东西：上方的 Shots是叙事镜头，下方的 Render parts是实际生成任务。两张镜头卡，可能被放进一个渲染分段；一个镜头也可能跨过分段边界。后面能不能复用前段，就与这个范围有关。

界面里的AI辅助可以连接本地模型或API，帮助写描述和分镜。我这次直接填写镜头，没有另外配置这部分。

今天先跑通文字，再换成自己的角色

我建了独立测试实例，保留原环境，通过额外模型路径读取已有H3模型。测试机器是 RTX 5070 12GB、32GB内存，核心固定在ComfyUI 0.37.0对应提交，节点固定为v1.0.0。

安装入口和模型清单在项目仓库里。我采用Git固定标签，放到独立实例的custom_nodes目录；复制来的Python环境已经满足OpenCV要求，没有另行升级Python和Torch。

第一次运行卡在Preview VAE，报VAE is invalid: None。这套核心无法识别下载的taeh3预览权重。移除预览节点还不够，插件内部仍会寻找它；最后我把测试目录里的文件改为.disabled扩展名，重启后绕过实时预览。正式的Video VAE、Audio VAE继续保留，用于最终输出。

跑通后的第一个样片是灯塔：768×448、Turbo 8步，设置5秒，按帧网格对齐后约5.17秒，全流程 93.69秒。画面、运镜和声音正常，再进入人物参考测试。

人物测试从第2个工作流开始。我删除示例声音参考，换成自己的咖啡师图片，安排了两个镜头：前半段放下白色咖啡杯，后半段切近景，抬头看向顾客并微笑。分辨率仍为768×448，Ref2VA Turbo使用6步。

第一版人物保持一致，近景切换也出现了，但开头有个问题：杯子先飞到了她手上，后面的放杯动作反而正常。

我只补了开场状态，明确从第一帧开始，她已经用右手握着杯柄：

From the very first frame, @Hero is already holding a white ceramic coffee cup by its handle in her right hand.

接着再写慢慢放下、杯底落到台面、松开杯柄。杯子不用临时“赶场”，修订版里这段动作就正常了。该版全流程 194.76秒。

这次让我更留意动作的起点：写“她放下杯子”之外，还得说明一开始杯子在哪只手里。这样改动更具体，也更容易对照结果。

改后面的动作，前面可以留下来吗？

我又把10秒视频设为5秒左右一段，并开启Resume、取消“完成后删除保留分段”，让生成缓存留下来。

第一次只改第二镜头，两段却都重算了。因为第二镜头从第5秒开始，第一渲染段到约5.2秒才结束，改动已经进入第一段。

随后我把镜头交界移到第6秒，用Show prompts确认第一段只包含Shot 1，再生成一版基线。保持其他参数不变，只把第二镜头的“轻轻点头”改成“轻轻歪头”。

看原图

这次歪头动作出现了。记录与缓存对照显示，第一段没有重新写入，只新增了第二段缓存：基线 201.85秒，修改后 121.80秒，本次少等约80秒。

我的理解也更具体了：想留下前面的结果，得看修改有没有影响前面的渲染分段。只看“我改的是第二张镜头卡”，还不够。衔接帧也会影响实际切镜时间，所以这次第6秒交界的配置主要用于测试缓存，精确切镜还要继续调。

另外，双分段的一版在约第9秒出现过不明人声。台词为空，也写了No speech，仍然发生了；后来的点头版没有人声。目前还没找到稳定复现或消除的条件，输出后完整听一遍音轨仍有必要。

这一期，先把两个入口用起来

今天跑下来，第1个工作流让我确认文字生成链路可用，第2个工作流做出了自己角色的双镜头。人物外观、动作修正，以及修改后段时的缓存复用，都有了实际样片。

这期先停在这里。9个工作流里的歌曲、故事板、姿态与深度控制、人物替换，还有声音参考和长视频，篇幅里挤着介绍不如下一期继续动手试。我也想看看，同样这张12GB显卡，换成更复杂的任务还能走多远。

你更想先看声音参考、跟随参考视频做动作，还是视频人物替换？欢迎在评论区交流。

智能搭子 · 和你一起把AI真正用起来 · 真实体验 · 客观判断 · 持续探索