🎬MiniMax-H3-GGUF仓库提供 MiniMax H3 模型的 GGUF 量化版本与 ComfyUI 工作流，其中Ref2VA 全量参考模式（Omni-reference）是本仓库最"进阶"的玩法：你可以同时喂入参考图片、参考视频、参考音频，让模型精确锁定角色身份、画面风格、镜头运动乃至角色的声音，最终生成最长 15 秒、24 FPS、带 32kHz 立体声的原生音视频成片。

本文带你从零跑通 Ref2VA 参考生视频，并掌握ref_image_size、参考标签提示词等关键参数。

先搞清楚：Ref2VA 和 FL2VA 有什么区别？

MiniMax H3 有两套基础模型，仓库里都提供了 GGUF 量化版：

💡 本文的"全量参考模式"指的就是Ref2VA：它把所有参考素材与提示词一起编码，单次前向生成中联合建模画面与声音（对白、音效、音乐不是后期叠加的）。

两者的输入上限差异很大，Ref2VA 的官方规格（见 README.md）：

• 图片：≤ 9 张
• 视频：≤ 3 段，每段 2–15 秒，总时长 ≤ 15 秒
• 音频：≤ 3 段，每段 2–15 秒，总时长 ≤ 15 秒；必须搭配图片或视频输入，不能单独使用
• 混合输入：所有类型文件总数 ≤ 12 个

准备模型文件：Q4_0 / Q8_CR / U16G 怎么选

Ref2VA 的四个量化版本都在仓库根目录，按显存对号入座：

⚠️Q8_CR 与 U16G 专为 molbal/ComfyUI-GGUF 自定义节点定制，在别处可能无法加载；追求通用性选 Q4_0 / Q8_0。

除了 GGUF，Ref2VA 工作流还需要 4 个配套模型，放入 ComfyUI 对应目录（详见工作流内注释）：

📂 ComfyUI/models/ ├── 📂 vae/ │ ├── minimax_h3_video_vae_fp16.safetensors │ └── minimax_h3_audio_vae_fp32.safetensors ├── 📂 diffusion_models/ │ └── （本仓库的任意一个 ref2va GGUF） └── 📂 text_encoders/ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

一键加载 ComfyUI 参考生视频工作流

仓库自带三套 ComfyUI 工作流，Ref2VA 对应的是：

• workflows/minimax_h3_ref2v-gguf.json ——参考生视频（本文主角）
• workflows/minimax_h3_t2v-gguf.json —— 文生视频
• workflows/minimax_h3_i2v-gguf.json —— 图生视频

把 JSON 拖进 ComfyUI 即可加载。工作流由 5 个分区组成：Models（模型加载）→References（参考素材）→Conditioning（条件编码）→Sampling（采样）→Decoding and create video（解码合成）。

🛠️避坑提示：模板默认在UnetLoaderGGUFDynamicVRAM节点里选中的是minimax_h3_fl2va_pruned_fp8_Q8_CR.gguf（见 minimax_h3_ref2v-gguf.json）。跑 Ref2VA 前，务必把该节点切换为仓库中对应的ref2vaGGUF 文件，否则参考输入不会生效。

配置参考输入：图片、视频与音频怎么接

核心节点是MiniMaxH3ReferenceToVideo（见 minimax_h3_ref2v-gguf.json），它提供三组可扩输入：

几个实用细节：

• 参考视频自带声音：GetVideoComponents会把视频拆成画面（接ref_video_x）和原声（接ref_video_audio_x），一次接线同时锁定动作与音色；
• 想加更多参考：复制对应的 Load 节点，接到下一个空闲的ref_x端口即可；
• 分辨率：由ResolutionSelector节点设置width/height，模板默认 9:16 竖屏 1344×768；
• 时长：Float (duration)输入秒数（4–15），ComfyMathExpression节点自动换算为 24 FPS 下合法的帧数（17 帧/块对齐）。

提示词写法：用 <Picture 1> 标签精准驱动每个参考

这是 Ref2VA 最"进阶"也最关键的一步。官方注释明确提醒：Ref2VA 输出对提示词措辞非常敏感，最佳实践是"标签精确对应 + 明确说明每个参考负责画面的哪一部分"。

• 标签按接口连接顺序编号：<Picture 1>、<Video 1>、<Audio 1>……
• 在描述中点名每个参考的驱动目标（身份 / 风格 / 动作 / 声音）。

模板中的示例提示词（minimax_h3_ref2v-gguf.json）：

"A baby in a shopping cart eating an apple with exaggerated nom nom sounds while the title 'MiniMax H3 Ref2VA' and 'GGUF Q8_CR' are displayed."

对应接了一张婴儿参考图（<Picture 1>）+ 一段参考视频 + 一个"nom nom"音效音频。你可以照此套路写成：

• 锁角色：<Picture 1>中的女孩站在赛博朋克街头，保持她的面部特征与服装不变……
• 锁风格：画面风格与<Video 1>保持一致的水墨动画质感……
• 锁声音：对白音色参考<Audio 1>，背景加入雨声音效……

对白稳定支持 11 种语言（中、英、日、韩、法、德、意、西、葡、俄、阿拉伯语），其他语言也有不同程度支持。

ref_image_size 参数：match 与 max 的选择建议

ref_image_size控制参考图的缩放策略，直接影响"身份还原度 vs 生成速度"：

⏱️ 原理：参考 token 会伴随每一个采样步参与计算，max模式下 token 更多，耗时明显增加。先match试构图，定稿再切max锁细节。

采样与输出规格速查表

采样建议（来自模板注释）：

• 采样器用res_multistep；
• 调度器优先beta或normal——官方实测对参考类（reference-heavy）提示词比simple效果更好；
• 模板默认 20 步、CFG 1.0，可保持不变先出图。

输出规格（见 README.md）：

解码环节无需手动连线：SamplerCustomAdvanced输出的音视频联合 LATENT 会同时进入VAEDecode（画面）与VAEDecodeAudio（声音），最后由CreateVideo节点合成为一条带同步声音的 MP4。

常见问题与避坑指南

Q1：生成的角色和参考图"不太像"？优先检查两点：ref_image_size是否切到max；提示词中是否用<Picture n>标签明确指定了"保持<Picture 1>角色的面部特征"。

Q2：音频参考报错或没生效？独立音频（ref_audio_x）不能单独作为输入，必须同时提供图片或视频参考；且每段音频须在 2–15 秒之间。

Q3：显存不够跑 Q8_0？16GB 显存选 minimax-h3-ref2va-U16G.gguf（比 Q4_0 更大但生成更快）；12GB 显存选 minimax-h3-ref2va-Q4_0.gguf。

Q4：为什么换了 ref2va 模型，画面还是忽略参考？再核对UnetLoaderGGUFDynamicVRAM加载的文件名是否为ref2va系列——FL2VA 与 Ref2VA 是两套独立权重，混用会导致参考输入被"无视"。

📌一句话总结：想锁定角色/风格/声音，就用Ref2VA 全量参考模式——选对 GGUF 量化档、把参考接进对应ref_x端口、用<Picture n> / <Video n> / <Audio n>标签在提示词里逐个点名驱动，再配合max参考缩放，就能稳定产出"同一个角色、同一种声音"的 15 秒音视频大片。