# T8mars 的 MiniMax H3 生态速览（2026-09-15）

> 作者：T8mars（T8star-Aix，B站 space.bilibili.com/385085361）。共 49 个仓库，其中 **4 个直接是 H3 相关**。
> 下面按「你的三个实际问题」组织：**口型 / 内存与死机 / 速度与步数**，另附提示词与兼容性警告。

## 一、仓库清单（H3 相关）

| 仓库 | Star | 是什么 |
|---|---:|---|
| [`comfyui-minimax-h3-audio-T8`](https://github.com/T8mars/comfyui-minimax-h3-audio-T8) | ★1056 | **主力节点包**（v1.81.0，今天刚更新）。图生/首尾帧/参考图/**参考音频**/长视频/**口型**/加速/成片修复，33 个工作流目录 |
| [`comfyui-minimax-h3-prompt-enhancer-T8`](https://github.com/T8mars/comfyui-minimax-h3-prompt-enhancer-T8) | ★266 | H3 提示词增强节点 + **H3 Prompt Relay 编排**（全局提示词 / 逐事件提示词 / 秒数范围 / 对齐帧数 / 校验报告） |
| [`minimax-h3-prompt-skill-T8`](https://github.com/T8mars/minimax-h3-prompt-skill-T8) | ★231 | Creative DNA 案例库 + 可安装 Skills + Electron 视频查看器（H3 / Seedance 2.0 双模型提示词） |
| [`comfyui-minimax-h3-blockcache-T8`](https://github.com/T8mars/comfyui-minimax-h3-blockcache-T8) | ★131 | 实验性 **F1B0 Block Cache** 节点：算 Block 0，音视频都稳时复用后续 residual，直接跳过 Block 1–49 |
| （相关）[`comfyui-purgevram`](https://github.com/T8mars/comfyui-purgevram) | ★91 | 清显存节点；另有 [`Comfyui-YuE2-T8`](https://github.com/T8mars/Comfyui-YuE2-T8) ★49（你相册里已有 YuE2 产物） |

## 二、口型问题：他的 `24-mv-lipsync` 就是答案

目录 `examples/workflows/24-mv-lipsync/` 有三份工作流，**V3 用的正是官方 Ref2V + Turbo4，和你现在的链路几乎一样**：

- `2026-09-01_H3_Local_MV_VocalLock_V3_Official_Ref2V_Turbo4_Advanced_EXP.json` ← 推荐
- `2026-09-01_H3_Local_MV_VocalLock_V2_Ref2VA_8Step_Advanced_EXP.json`（历史兼容）
- `2026-09-01_H3_Local_MV_LipSync_Ref2VA_Turbo4_Advanced_EXP.json`（旧版：**只用完整混音驱动**，他自己标注「不能作为独立人声口型验收路线」）

### 核心机制：Vocal Lock（独立人声驱动画面，完整原曲最后只混一次）

1. `MV Vocal Lock Scene Planner V2`：要求 `full_song` 与 `vocal_lock_audio` **同起点、同 24fps 时长**，本地 CPU 分析人声活动，切 5–10 秒分镜；
2. `MV Vocal Lock Prompt Compiler V2`：固定产出官方六段式（`subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music`），绑定 `<Subject 1>`、`<Picture 1>`、`<Audio 1>: fully_copy`；**「没有精确文本时绝不猜歌词或对白」**；
3. `Local MV Vocal Lock Renderer V2`：**只把「隔离人声」逐段送进 H3 `lock_source`**，严格串行，完成一段就原子保存，可同 `chain_id` 续跑；
4. **`full_song` 不进入 H3** —— 视频合成之后才把完整原曲**只混入一次**。

### 已验证配置（照抄就行）

| 项 | 值 |
|---|---|
| 分辨率 | 1024×768（**必须是 32 的倍数**） |
| 采样 | **4 步、Euler / simple、shift 视频 12 / 音频 3** |
| LoRA | 官方 `minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors`，strength **1.0**（就是你机器上那个） |
| 镜头约束 | 人声镜头强制**中近景 + 正面或 3/4 脸 + 嘴部全程无遮挡** |
| 参考图 | 清晰正脸最好；验证过正面与左右 3/4，推拉/手持/横移会增加时域重影风险 |

### 成果与它自己的诚实边界

- `r4_official_ref2v` 真实阶段片：**32 秒 / 5 个独立 H3 镜头 / 1024×768 / 768 帧**，5/5 严格解码，完整原曲只混入一次；
- **官方 SyncNet 逐镜测得 `0/-1/0/-1/0` 帧偏移**（25fps）；把第 2 镜画面延后 400ms 的负对照测得 9 帧 —— 说明这个数字有判别力；
- 原话：**「H3 不是确定性音素求解器」**，仍需按正常速度人审音素时机、身份、手部、背景；
- 一条重要对照：旧 V2/V3 用了**通用 LarryVrh EMA Turbo LoRA + 非官方 8 步 / shift 6:3**，出现双脸与拖影；换成**官方 Ref2V Turbo v0.1 完整 4 步配置后，同 Seed 双脸拖影消失**。
- 自带工具：**本地 ASR（faster-whisper + VAD）、说话人分离、SyncNet 口型检查** —— 也就是「口型对不对」可以量化，不用肉眼猜。

### 对你的直接含义

- 你现在是 `audioMode: source` + 完整混音（音乐+人声）驱动 → 这正是他标注「不能作为口型验收路线」的旧做法；
- 要做的是：**先本地分离出干声/人声**（他的 V2 不提供在线分离），把**人声**作为驱动音频喂进去，**完整原曲留到最后混一次**；
- 采样换成 **4 步 + Euler/simple + shift 12/3**（你现在是 `res_multistep`、10 步）值得直接 A/B；
- 用 **SyncNet** 量偏移，而不是只靠眼睛。

## 三、内存与死机：他专门有 `12-system-memory` 目录

| 文件 | 用途 |
|---|---|
| `2026-08-13_H3_Activation_Chunk_Advanced.json` | 激活分块 |
| `2026-08-13_H3_Environment_Audit_Advanced.json` | 环境审计 |
| `2026-08-13_H3_Qwen_Prefix_Cache_Advanced.json` | Qwen 前缀缓存 |
| `2026-08-22_H3_External_BlockSwap_Stock20_Advanced_EXP.json` | 外部 BlockSwap |
| `2026-08-28_H3_Qwen_Prefix_and_Block_Cache_Ref2VA_Stock20_Advanced_EXP.json` | 前缀缓存 + Block Cache（Ref2VA） |

**今天（v1.81.0）新发的两个低显存节点**（不依赖 KJNodes）：
- `MiniMaxH3LowVRAMAttentionT8Advanced`（默认 `head_chunks=4`）：在当前 H3 block 公式内提前释放中间量并按头分组；
- `MiniMaxH3ChunkFeedForwardT8Advanced`（默认 `chunks=2`、`seq_threshold=4096`）：仅当 packed token 超阈值时按 token 轴分块执行 SwiGLU，`chunks=1` 是真实旁路。

实测（1024×512、73 帧、4 步、同模型/LoRA/提示词/seed，严格串行）：
基线峰值 **14922.98 MiB / 79.94 秒** → 组合候选 **14616.25 MiB / 82.27 秒**，即 **少用 306.73 MiB（2.06%）峰值显存，耗时 +2.92%**。作者自己强调「不是通用显存或提速承诺」。

⚠️ 注意：这两个节点省的是**显存**；你这次死机的证据指向的是**宿主内存**（RSS 28.3 GB / 31.1 GB + `--disable-pinned-memory` 已处理）。两边都要治。

他的 Block Cache 节点默认 `cache_device: cpu`（省显存），参数：`residual_diff_threshold=0.12`、`start_percent=0.08`、`end_percent=0.95`、`max_consecutive_hits=2`。要求 ComfyUI ≥ 0.30.0（你是 v0.34.0 ✓）。它**对音频和视频分别判稳**——任一超过阈值就完整跑 50 层，比你现在用的 `MiniMaxH3Cache` 多了音频维度。

## 四、速度与步数

- **OpenVDN 8 步 DMD**：模型从 HF [`t8star/Vdn-Minimax-H3-Comfy`](https://huggingface.co/t8star/Vdn-Minimax-H3-Comfy) 下载，配 `examples/workflows/10-speed/OpenVDN_DMD8_*_Advanced.json`；
- **渐进首采**（`28-progressive-sampling`）：先小画幅采 **6 步**，学习型潜空间放大后再采 **2 步** —— 他自己热测「约 3 秒短片少用约 **37%～38%** 端到端时间」，且**对白组声音和口型正常**，但「32 秒路线未通过，不保证所有素材同样提速或保音」；
- 另有 PDD / SLA / Turbo 等 LoRA 与 `19-pdd-acceleration`、`22-sol-engine-h3-super`、`15-sla-attention` 等目录。

## 五、提示词

- **H3 Prompt Relay**（`comfyui-minimax-h3-prompt-enhancer-T8` 的默认关闭模式）：输出全局提示词 + **逐事件提示词 + 秒数范围 + 对齐帧数 + 校验报告** —— 正好对应你「多段 + 唱词时间戳」的痛点（工作流目录 `14-prompt-relay`）；
- **Creative DNA 案例库**（`minimax-h3-prompt-skill-T8`）：可安装 Skills + 成对的双模型提示词案例，适合当提示词范式参考；
- 他的 Prompt Compiler 也印证了我们的做法：**六段式结构固定、`<Audio 1>: fully_copy` 显式绑定、没有精确文本就不猜歌词**。

## 六、⚠️ 兼容性警告（他 README 里明确写的）

1. **不要用通用 `LoraLoaderModelOnly`** 接他那些外部 LoRA，要用项目自带的 H3 兼容加载器；
2. **不要串接** Sage、PyTorch selector、Sol 等多个 Attention 后端；「本路唯一 Attention 后端」；
3. **不同 H3 基模和 LoRA 不是随便混用的，文件名相近不代表结构兼容**；
4. 反例已给出：通用 LarryVrh EMA Turbo LoRA + 非官方 8 步/shift 6:3 在 Ref2VA 路线上产生双脸/拖影；换官方 4 步配置即消失。

> 你机器上那个 `minimax_h3_turbo_4步加速_DasiwaREF2VAHybridV1_curveproj1025_compat_v001-T8.safetensors`
> 带 `-T8` 后缀，看命名很可能出自这个生态——但要按上面第 3 条对待：**先确认与你的 ref2va 基模结构兼容**再混用。