新闻

这个节点有完整讲解了：34 分钟，按你实际会遇到的顺序，覆盖 MiniMax H3 全部有文档记载的功能。

• 时间轴。 画面、镜头与声音各有轨道；帧指针、切分片段，以及片长为什么会对齐到 5 + 17 帧。
• 从文件中取出实体。 人物、服装、道具、场景、风格、动作、声音 —— 每一个都成为一张带编号的卡片，可以粘贴到任意片段，并在所有镜头中保持一致。
• 对话。 描述声音，选择说话的人、语言，以及在画内还是画外。
• 参考。 分镜、首帧与尾帧、关键帧，以及文件保留多少 —— 包括把一张照片里的脸换到另一张照片的人身上。
• 一个完整示例，在结尾从零搭建并生成。

观看：MiniMax Director — 完整讲解。其他配音：English、Русский。

它已经在你的 GPU 上。 启动 MiniMax H3 套件并打开 MiniMaxDirector 工作流 —— 套件会从 GitHub 加载最新版本。在自己的机器上，从 ComfyUI 注册表安装 minimax-director，或把 github.com/imbutus/ComfyUI-MiniMaxDirector 克隆到 custom_nodes/。

LLM 页面新增了三个模型，同时下线了两个。

• huihui-ai/Huihui-Ornith-1.5-9B-abliterated——小巧、便宜，且为代码调优。 9B，支持图像输入，262k 上下文，已去审查。它也是这里第一个同时带两个标签的模型：既属于经济型，也属于编程型，在两个分组里都能找到。
• huihui-ai/Huihui-Ornith-1.5-35B-A3B-abliterated——更大的 Ornith。 同一家族的 35B 混合专家模型，支持图像输入，262k 上下文，已去审查。它接替 Ornith 1.0。
• huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated——安全专精，独立成类。 35B，针对渗透测试与红队工作微调，支持图像输入，262k 上下文，已去审查。这类模型现在带 offsec 标签，不再混在通用模型里。
• 两个模型已下线。 Qwen3.6 35B-A3B 与 Ornith 1.0 35B 不再提供：Ornith 1.5 已覆盖它们的用途，通用场景仍推荐 Qwen3.8 27B。您此前在它们上运行的会话仍保留在历史记录中。
• 标签可以叠加。 模型不再只能有一个徽章，这正是 9B 能同时显示为经济型与编程型的原因。

打开 LLM 页面即可启动其中任意一个。

我在八月发布的节点此后又累积了 264 次提交，0.16.0 把它们收在了一起。想法没有变 —— 你把一部片子铺在时间线上，而不是塞进一个提示词框 —— 但如今从中产出的、H3 真正读取的内容多了许多。

• 每个人、每样东西都有一张卡片。 人物、道具、服装、场景、风格：各占一张卡片，卡上放着它出自的那张图、它的描述和它的声音。这是唯一描述文件的地方，所以片段上不必重复。
• 声音与画面出自同一次生成。 写下台词、选好面孔，它就会按 H3 训练时的确切格式编译 —— 包括跨越剪辑点的台词，以及被片尾切断的台词。
• 一张面孔可以移到另一个人身上。 卡片还能从视频里取动作、从录音里取音色，而这些都写在它所属的主体定义之内，不会独立漂着。
• 片子携带的每个文件都在同一个列表里。 把文件拖到轨道上以放置到某一刻，或让它作用于整段片子。文件丢失时会自行说明，运行会被拒绝，而不是悄悄生成错误的东西。
• 实时检查器核对指南明确写出的规则：片长、时长在 2–15 秒之外的参考视频、无法完成所要求任务的标记。
• 节点的高度就是你打开的内容的高度，整个作品可导出为一个 JSON。

完整说明：0.16.0 发布说明。

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。套装会从 GitHub 载入最新发布，你无需更新任何东西。

在你自己的机器上，把 github.com/imbutus/ComfyUI-MiniMaxDirector 克隆到 custom_nodes/，或在 0.16.0 通过 ComfyUI 注册表审核后安装 minimax-director。需要 ComfyUI 0.31.0 或更高版本。MIT 许可。

LLM 页面上线了最新一代 Qwen：huihui-ai/Huihui-Qwen3.8-27B-abliterated，全精度稠密 27B，已去审查。

• 回答更慢，但也更聪明。 默认以最大推理强度运行，因此首个 token 会明显比小模型慢。这段等待正是关键所在：它在把问题想透，而不是抢着回答。如果你要的是快速一来一回，选更小的模型更合适。
• 能看图。 在同一段对话里附上图片直接提问，与其他内容无缝衔接。
• 262k 上下文。 足以在一次会话中装下整个代码库或一叠文档。
• 全精度，未丢弃任何权重。 用的就是作者发布的原始权重，因此需要更大的显卡，首次对话前约需 10 分钟。

每小时 $2.40。打开 LLM 页面即可启动。

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。