dasiwa V18 工作流使用问题记录

记录日期：2026-09-05 ｜来源：22s 对口型唱歌视频多轮实测（V3/V7/V8/V12）工作流：DasiwaMinimaxH3WorkflowsT2VA_cMMH3V18.json（API 模板 v18_api_template.json，节点 2730 = DaSiWaMiniMaxH3DirectorLegacy）

一、横纹/带状伪影（最严重问题）

现象

V8（V18，480×864）脸部/眼睛/额头出现横纹、带状伪影，贯穿头部；用户明确反馈后确认。

根因

V18 模板的视频 VAE 是 int8 量化版：

MiniMaxH3/minimax_h3_video_vae_int8_convrot.safetensors   ← V18 默认（有横纹）
minimax_h3_video_vae_fp16.safetensors                      ← 换用后消失

int8 量化的 VAE 在低分辨率 + 暗部/高对比过渡区域产生量化误差 → 周期性横纹。眼睛、额头等明暗交界处最明显。

修复

在 build_v18_prompt() 返回的 API 里，把 VAELoader 节点的 vae_name 替换为 fp16：

for nid, node in api.items():
    if node.get("class_type") == "VAELoader" and "video" in str(node.get("inputs", {}).get("vae_name", "")):
        node["inputs"]["vae_name"] = "minimax_h3_video_vae_fp16.safetensors"

实测：V12（体操服任务）替换 fp16 后，主体区域无横纹。⚠️ 但浅色大面积区域（如浅色体操服）在 t=1s 仍有轻微水纹感——浅色低纹理区域的固有表现，可把 8 步提到 10-12 步缓解。

注意事项

fp16 VAE 文件已在 GPU 机：/home/zyw/ComfyUI/models/vae/minimax_h3_video_vae_fp16.safetensors
只换视频 VAE；音频 VAE 保持 minimax_h3_audio_vae_fp32.safetensors

二、分辨率必须 32 网格对齐

现象

早期用 480×848（848 不是 32 的倍数）叠加 int8 VAE → 横纹更明显。

规则

MiniMax H3 生成分辨率要求 32 的倍数（官方 gen_timeline 源码明确 "multiples of 32"）：

分辨率	校验	用途
736×1280	736/32=23 ✓ 1280/32=40 ✓	V18 默认（约 0.94MP）
544×960	544/32=17 ✓ 960/32=30 ✓	0.52MP 9:16 竖屏（体操服任务用）
480×864	480/32=15 ✓ 864/32=27 ✓	低分辨率快速测试（但偏低）
480×848 ❌	848/32=26.5 ✗	不要用

三、输出时长与帧数对齐（17k+5 网格）

现象

设置 11s，V18 实际输出 11.55s（不是 11.0s）；12s 输出 12.25s。

原因（v18_pipeline 源码）

H3 的帧数必须对齐 17k+5 网格（frame_align.py: minimax_align_frame_count）：

11s × 24fps = 264 帧 → 对齐到 277 帧 = 11.54s
12s × 24fps = 288 帧 → 对齐到 294 帧 = 12.25s

影响

两段拼接时实际总长 ≠ 设定总长（如 11.55 + 11.55 = 23.1s，需 concat 后 -t 22 截断）
音频参考 trim 段与输出段时长有轻微错位（11.54s 视频 vs 11s 音频参考），对口型在段尾可能细微偏移

四、音频参考（media_mode=audio）注意事项

已确认可行

V18 Director 的 timeline items 支持 type:"video", media_mode:"audio" —— 只提取内嵌音轨，画面帧不用，正是 audio-only 模式的实现
trim_start/trim_end 切分参考音频段

已知坑

切分点必须落在乐句间隙，不能切在强音符上：
- 10s 处（RMS 能量 5618，强音符）切分 → 参考音频"唱到一半戛然而止" → 模型后半段自编音乐
- 11s 处（RMS 1903，乐句间隙）切分 → 参考完整收尾 → 模型稳定跟随
- 决定前先用能量分析（0.25s 窗口 RMS）确认切分点
提示词音频语义：<Audio 1>: fully_copy + "every syllable matched, no drift" 必须保留；official Director 的提示词与 V18 可共用

五、与官方 Director 的注册冲突（重要）

GPU 机同时装了两个包，都注册 MiniMaxH3Director：

包	注册名	指向实现
`ComfyUI-DaSiWa-Nodes`	`MiniMaxH3Director` + `DaSiWaMiniMaxH3DirectorLegacy`	DaSiWa 227 行版（V18 用）
`ComfyUI_MiniMaxH3_Director`	`MiniMaxH3Director` + `ComfyMiniMaxH3Director`	官方 291 行多段版

同名 MiniMaxH3Director 被后加载包覆盖；V18 模板用 DaSiWaMiniMaxH3DirectorLegacy 显式锚定 DaSiWa 版
API 检索 Director 节点时用 class_type == "DaSiWaMiniMaxH3DirectorLegacy"（V18）或 "MiniMaxH3Director"（官方版），不要混用

六、表达式/表情锁控弱于官方版

现象

V12（V18，8 步）眼波流转忧伤时有时无（t=8s 达标，t=1/5/12/16s 退化平静微笑/惊讶）；V10/V11（官方版 25 步）表情更稳定。

原因

8 步加速（STEPS=8）比官方 25 步激进，表情细节保真度下降。

对策

表情是重点时：提到 10-12 步，或接受轻微退化
提示词强化表情动作（如 "eyes welling with unshed tears"），弱化形容词堆砌

七、脚本/调用层面的坑

维数匹配：调解 736×1280/544×960 时，build_v18_prompt 的 width/height 参数要同时影响 Director 节点与 RTX 放大节点（RTX 关闭时无影响）
timeline items 顺序：图片先行（slot 0,1…），video/audio 在后；validate_reference_limits 要求"有音频必须有图/视频伴随"
timeline v1 vs v4 不通用：V18 用 {"version":1,"items":[...]}，官方版用 v4（segments/refAudios/continuity）——两者 timeline 格式完全不同，不能互换；V9 曾因官方版改 global 模式导致 ref_audios=0（音频参考没加载）自编音乐
上传后本地路径替换：media items 必须先 _upload_file_to_comfy 拿到远程文件名再填 value，否则 KeyError（V12 踩过）

八、性能参考

工作流	11s 段耗时	22s（两段+拼接）
dasiwa V18（8 步，fp16 VAE）	~5-10 分钟	~20 分钟
官方多段 Director（25 步）	~30-40 分钟	~78-85 分钟

V18 快 4 倍以上，代价是表情/细节略弱；横纹问题用 fp16 VAE 后基本解决。

附：推荐调用配置（V12 验证通过）

W, H = 544, 960          # 0.52MP 9:16（或 736×1280 V18 默认）
STEPS = 8                # 快；表情优先时 10-12
FP16_VAE = "minimax_h3_video_vae_fp16.safetensors"   # 必换，防横纹
# 音频参考：media_mode="audio"，trim 落在乐句间隙（如 0-11 / 11-22）
# 提示词：保留 <Audio 1>: fully_copy + LIPSYNC 强同步描述
# 拼接：concat 后 -t 22 截断（V18 每段 11.54s，总长会超 22s）

dasiwaV18使用问题记录.md