新闻

我为 MiniMax H3 写了一个 ComfyUI 节点并开源发布：MiniMaxDirector。与其把整部片子塞进一个提示词框，不如把它铺在时间线上 —— 画面里发生什么、镜头如何运动、听到什么 —— 节点会将其编译成 H3 真正读取的那个结构化提示词。

它能为你做什么：

• 三条轨道。 镜头、摄影机与音频，每个片段都有自己的文本和时间范围。
• 剪辑时间点自动计算，模型会被准确告知每个镜头从何时开始。
• 只使用合法时长。 片段会被对齐到 H3 接受的长度，生成不会因为算术问题而失败。
• 把文件附加到片段上，它会自动成为提示词中带编号的引用，无需手动输入标记。

它已经装在你的 GPU 上了。 启动 MiniMax H3 套装，打开 Docs → Media → MiniMax H3 → MiniMaxDirector 工作流；该图已可直接运行，无需安装。

在你自己的机器上，它已发布到 ComfyUI 注册表，名称为 minimax-director：可在 ComfyUI Manager 中搜索，或执行 comfy node install minimax-director。源码与问题反馈：github.com/imbutus/ComfyUI-MiniMaxDirector。MIT 许可。

MiniMax H3 套装现已在 Docs 页面提供完整教程，提供英语、俄语和中文版本，并附字幕。

视频完整演示了第一个片段的制作：

• 工作流在哪里，以及应该先打开哪一个。
• 把声音写进提示词 —— 描述什么，以及模型会如何处理。
• 合法的片段时长 —— 为什么任意时长会被对齐，以及哪些数字正好是整秒。
• 附加参考素材，让主体在镜头之间保持一致。

在 YouTube 观看，或打开 Docs → Media → MiniMax H3。

Media 页面新增了一个视频套装：MiniMax H3，一个全模态模型，在一次生成中同时产出画面与声音 —— 音频不是事后配上的，而是与视频同源生成。

开始第一个片段前值得了解的几点：

• 声音是模型的一部分。 像描述画面一样描述声音，它会与镜头一起生成。立体声，无需单独的配音步骤。
• 参考图像、音频与视频。 附加它们并在提示词中指向它们；模型会据此在多个镜头间保持主体或风格一致。
• 片段时长不是任意的。 H3 在 24 fps 下只接受固定格点上的长度，工作流会把你要求的时长对齐到最近的合法值。正好为整秒的是 8 秒、25 秒和 42 秒。
• 一个提示词，多个镜头。 模型会读取带有剪辑时间点的镜头列表，因此单次生成可以包含多个镜头，而不只是一个连续长镜头。

打开 Media → Video → MiniMax H3 即可启动。

四个语音套件现在各有明确分工，共用一套工作流命名，启动也更快。

• Fish Audio S2 —— 配音首选。 支持 80+ 种语言的文本转语音与声音克隆，语音转 SRT 和 SRT 转语音都保留原始时间轴。
• CosyVoice 3 —— 变声首选。 原生语音转换保留原有的词句、停顿和语气，只替换音色，中间无需转录。
• Qwen3-TTS —— 全 Qwen 套件。 三秒声音克隆和声音设计，也是唯一附带 Qwen3-ASR 作为第二识别引擎的套件。
• WhisperX 现已成为各套件统一的识别引擎。 实测精度更高；其余三个套件去掉第二个引擎后，每个实例少下载约 3.7 GB，语音实例更快就绪。
• 两个此前没有的工作流。 common-align-script-to-srt 现已进入每个语音套件：粘贴用空行分段的文稿，它会按你的旁白对齐并生成 SRT。CosyVoice 3 也新增了完整的 cosyvoice3-voice-clone。

_examples 文件夹中的部分名称已更改，请查找新名称：*-tts-clone 改为 *-voice-clone，*-audio-to-srt 改为 common-audio-to-srt，qwen3tts-change-voice 改为 qwen3tts-redub-voice —— 它是转录后重新朗读，而非转换音色，若要保留原有语气请使用 CosyVoice 3。

Docs 页面现在列出了每个套件及其模型，以及它附带的每个工作流，并附有与 ComfyUI 画布上相同的说明。

Sulphur-2 套装现已在 Docs 页面提供完整教程 —— 时长将近八分钟，提供英语、俄语和中文三个版本，并附字幕。

视频完整演示了 LTX Director 工作流：

• 图像 → 视频 —— 让照片中的人说出你给定的文本。
• 图像 + 音频 → 视频 —— 传入你在 Fish Audio S2 中准备好的语音片段，画面中的人就会说出这段录音。
• 延长片段 —— 把已有视频放在时间线的开头或结尾，让模型生成缺失的部分。帧率必须与源视频一致，否则结果会跑偏。
• fp8 与 bf16 —— 它们是不同的模型，而不是画质预设。fp8 是压缩版：占用资源更少，但效果更差。

视频还讲到：为什么在完整渲染之前先用短时间段测试、为什么把提示词拆成短时间区间生成得更准确，以及时长设置不当会让模型产生幻觉。声音本身之后可以用 CosyVoice3 替换。

打开 Docs → Media → Video tutorial 即可观看。

SCAIL-2 已完成全面测试并退出 Beta 阶段。两项功能均已跑通，套餐卡片上的 Beta 标记也已移除。

• 角色动画 — 用任意片段的动作驱动你自己的角色。背景会重新生成，不保留驱动视频的场景。
• 角色替换 — 替换现有视频中的某一个人，原场景、背景和其他人物保持不变。
• 双角色同时处理 — 一张同时包含两个角色的参考照片，配合一段有两个运动主体的片段。

每个工作流现在都在 ComfyUI 内附有分步说明：需要填写哪些输入、画面中有多人时如何让追踪器只锁定一人、长时间渲染前该在遮罩预览里检查什么，以及如何突破默认的五秒时长。

开始前有两点需要注意。渲染结果没有声音——SCAIL-2 只生成画面，请在视频剪辑软件中后期添加。参考图必须是真实照片：双角色时需要一张两人同框的照片，而不是把两张图拼在一起。

视频教程稍后推出。

GPU 在一段时间无活动后会自动停止，您不会为忘记关闭的机器付费。以前这个超时对所有人都一样，现在由您自己设定。

• 在 Settings 页面分别设置 LLM 与 Media 的超时。
• 可选 5 分钟以上的任意数值 —— 或为长任务彻底关闭自动停止。
• Media 将繁忙的 ComfyUI 队列视为活动，因此长达数小时的渲染会保持 Pod 运行。队列清空后才开始计时。
• LLM 按您自己的会话计时，您的超时不会影响其他人。

余额耗尽时 GPU 一定会停止，与您的设置无关。

现在您可以直接在 Monitor 页面上准确查看自己使用了多少 GPU 时间以及花费了多少。

• 每个 LLM 和 媒体（图像 / 视频 / 语音）会话都会列出其时长和价格。
• 合计行显示您的累计花费，并按 LLM 与媒体分开统计。

从顶部菜单打开 Monitor，随时查看您的用量。

现在您可以直接在聊天中触发预设的 OSINT 查询 — 无需了解该运行哪些工具、按什么顺序运行。

触发命令：

• osint:email <地址> — 检查该邮箱在哪些平台上注册过账户，并进行域名/MX 查询
• osint:person <姓名> — 在各平台上枚举公开资料和可能的用户名
• osint:company <公司名> — 将公司名称解析为官方域名，然后分析其基础设施和组织信息
• osint:domain <域名> — whois、子域名枚举、DNS 记录
• 单独发送 osint 可再次查看完整列表

每个工作流都会在您租用的 Kali Linux 主机上运行真实工具（whois、dig、holehe、sherlock、theHarvester、crt.sh） — 如果还没有主机，请在 Virtual Machines 部分租用一台。如果没有主机，模型会直接告知您，而不会猜测或编造结果。

这个页面——也就是您现在正在阅读的这个。关于新功能和变更的简短公告，提供英语、俄语和中文版本。

很简单：新文章发布后会显示在这里，最新的排在最前面。