视频
快速创作、数字人口播、图生视频、动作迁移、自定义素材。角色库在「资源」下，分镜模板在「设置」下。
侧栏顺序：快速创作 → 数字人口播 → 图生视频 → 动作迁移 → 自定义素材。
各页要选什么包
| 侧栏功能 | 页面相关下拉 | 包能力 | 仓库现状（内置） |
|---|---|---|---|
| 快速创作 · 生成插图 | 插图服务 + 插图工作流 | t2i | qwen_image_21 / qwen_image_21_uncensored、flux3_klein、t2i_basic |
| 快速创作 · 生成视频 | 视频服务 + 视频工作流 | 默认 t2v；选了角色后也可选 i2v | minimax_h3_t2v（官方）、minimax_h3_t2v_uncensored（越狱无增强）、minimax_h3_t2v_enhancer（越狱+增强）；选角色后另见 i2v 系列（首帧、多参考、环绕；长视频 Extender 主要留给导演台） |
| 数字人口播 | 视频服务 + 包；另选配音 | avatar 等 | minimax_h3_avatar / minimax_h3_avatar_uncensored |
| 图生视频 | 视频服务 + 工作流包 | i2v | minimax_h3_i2v（首帧；包内另有可选尾帧槽）/ minimax_h3_i2v_uncensored / minimax_h3_i2v_enhancer；另有 minimax_h3_i2v_ref（多参考）、minimax_h3_orbit（360° 环绕）、minimax_h3_extender（长视频，主要由导演台使用） |
| 动作迁移 | 视频服务 + 工作流包 | motion 等 | minimax_h3_motion / minimax_h3_motion_uncensored |
| 自定义素材 · 素材动画 | 动画服务 + 动画工作流 | i2v | minimax_h3_i2v / minimax_h3_i2v_uncensored / minimax_h3_i2v_enhancer 等 i2v 包 |
| 自定义素材 · 看素材写文案 | 分析服务 + 分析工作流 | analysis | analysis_image_qwenvl / analysis_video_qwenvl |
| 角色库 · 按描述生成 | 不在本页选。用「系统设置 → 默认角色生图」 | t2i / i2i | 分别选文生图、单张参考图、多张参考图三个包；默认 qwen_image_21、qwen_image_21_edit、qwen_image_21_edit_multi |
侧栏「工具 → 视频增强」是单独页面，选视频服务和 v2v 工作流包（内置 seedvr2_3b_video_restore），不依赖上表的视频生成页面。
页面上怎么选（通用）
- 视频 / 插图 / 动画服务：已启用且能力匹配的 Provider。选 ComfyUI 后，模型列表从该机
/models/...拉取。 - 工作流包：按上表能力过滤。下拉里先显示能力名和包的一句说明，越狱包会标「越狱版」；右侧灯泡弹出完整说明。选中后：
- 包声明但磁盘缺失的模型 → 黄字警告（不拦截提交）。
- 展开参数：主模型、文本编码器、VAE、LoRA 等。
- 包有
accel→ Turbo 加速或 Uncensored LoRA 开关。MiniMax H3 的 Turbo 带采样预设：打开把步数、采样器改成 8 步、euler，关闭改回该包自己的默认值；这两项里已经填过的值也会被覆盖。图像越狱 LoRA 没有步数预设，开关只挂上或摘掉 LoRA。目前 MiniMax H3 视频、数字人、动作迁移和 Qwen 图像编辑包默认开启加速；需要对比质量时可在参数里关闭。
- 宽高 / 时长：图生视频用宽高比，按包
multiple吸附（H3 常为 32）。有fps的包按「秒」设时长，提交换算帧数并按align_base/align_offset吸附（H3 为 17k+5）。数字人口播不显示时长，画面跟着配音走。 - H3 / 长任务：建议「设置 → 系统设置 → 运行参数」里 ComfyUI 等待超时 ≥ 3600 秒。
MiniMax H3：版本 = 成套文件（不要混搭）
Comfy 上同一「功能」往往对应多份文件。界面下拉可以单独换文件名，但官方 / 越狱 / 量化规格要成套选，否则容易加载失败或效果异常。
共用（官方与越狱都要用）
| 角色 | 目录 | 当前推荐文件（远程常见） |
|---|---|---|
| 主模型 FL2VA（首帧/首尾帧、文生视频） | diffusion_models/ | minimax_h3_fl2va_pruned_int8_convrot.safetensors |
| 主模型 Ref2VA（参考图/参考视频、长视频） | diffusion_models/ | minimax_h3_ref2va_pruned_int8_convrot.safetensors |
| 视频 VAE | vae/ | minimax_h3_video_vae_fp16.safetensors |
| 音频 VAE | vae/ | minimax_h3_audio_vae_fp32.safetensors |
| Turbo LoRA（可选） | loras/ | minimax_h3_turbo_v4_step600_ema.safetensors。节点是 MiniMaxH3TurboLoRA（需安装 Larryvrh/ComfyUI-MiniMax-H3-Turbo）；调度器保持 simple。下拉只列出文件名含 _ema 的权重 |
FL2VA 和 Ref2VA 是两套权重，不要在同一条工作流里混用：minimax_h3_i2v、minimax_h3_orbit、minimax_h3_t2v、数字人用 FL2VA；minimax_h3_i2v_ref、minimax_h3_motion、minimax_h3_extender 用 Ref2VA。minimax_h3_orbit 默认视频 VAE 是 minimax_h3_video_vae_int8_convrot.safetensors，其它 H3 包默认 fp16；它另用 loras/minimax_h3_flf2v_lora_v1.safetensors（首尾帧环绕 LoRA），不是 Turbo。换主模型时整条链路仍用同一套 VAE。其它量化（未剪枝 INT8、FP8、W6A8 等）体积不同，不要混搭。
RTX 3090 / Ampere 建议用 Comfy-Org 的
minimax_h3_ref2va_pruned_int8_convrot.safetensors（约 21GB）。社区 NVFP4 权重面向 Blackwell；非 Blackwell 卡上 NVFP4 走模拟，不保证速度和兼容性。
文本侧：官方套餐 vs 越狱套餐
| 套餐 | 文本编码器（TE，text_encoders/） | 生成尾（tail，仅提示词增强需要） | 对应内置包 |
|---|---|---|---|
| 官方 | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 一般不需要；若官方增强需同族 …instruct_generation_tail… | minimax_h3_i2v / minimax_h3_t2v |
| 越狱 NVFP4（无增强） | qwen3vl_32b_heretic_minimax_h3_nvfp4.safetensors | 不需要 | minimax_h3_t2v_uncensored / minimax_h3_i2v_uncensored |
| 越狱 INT8 + 增强 | qwen3vl_32b_h3_ultra_uncensored_heretic_int8_convrot.safetensors | qwen3vl_32b_h3_generation_tail_50_63_int8_convrot.safetensors | minimax_h3_i2v_enhancer / minimax_h3_t2v_enhancer |
配对规则：
- TE 与 tail 必须同族（官方配 instruct tail，越狱配 heretic 配套 tail）。
CLIPLoader的 type 均为minimax；换文件不等于换节点类型。- 在
minimax_h3_i2v里只把 TE 下拉换成越狱文件 = 不增强提示词的越狱出片（仍可不装 Guide）。要「看图改写提示词」必须用 enhancer 包，并装 Guide 节点包。
量化怎么理解
同一角色常有多种量化文件（如 TE 的 nvfp4 / int8_convrot / bf16）。选一个规格用到底，不要主模型用 pruned-int8、TE 却随便混一个未验证组合。3090 上官方 nvfp4 可跑但非最快；越狱 TE（约 25G）更吃内存，远程 62G 机器上建议单独观察是否 OOM。
更细的文件清单与下载地址见 部署相关资源下载。
自定义素材
已有图片或视频，配口播和字幕，按上传顺序拼成一条短片。画面默认保持原样。
页面从上到下是：素材 → 文案与标题 → 素材动画 → 配音 → 画幅、字幕与背景音乐。打开素材动画或上传了视频时，配音可以改成「模型原声」，保留动画或视频自带的音轨。点「开始合成」后的顺序是：文案已经定好 → 有标题则先做 2 秒标题卡（不烧字幕）→ 自定义配音时逐段合成并写字幕，模型原声时按片段自身时长写字幕 → 图片按开关保持静止或做动画 → 拼成一条 → 有背景音乐再混入。
素材
顺序就是分镜顺序，可多次添加，也可以点「从资源库选择」挑已有图片或视频。每一段视频会循环或截断到这句配音的时长。
文案与标题
标题选填。填写后，片头是一张 2 秒标题卡。
文案三选一，互不影响：
| 选项 | 怎么得到口播 | 看不看画面 |
|---|---|---|
| 自备文案（按行对应素材） | 自己写。每行一句，对应素材顺序；行数不够会循环使用 | 不看 |
| 主题生成文案 | 只填主题和目标时长。按文件名、视频时长写口播。需要「系统设置」里的默认 LLM | 不看 |
| 看素材写文案 | 上传素材后点「生成文案」。视觉模型先看每张图、每段视频，再写成口播。生成后可以改，出片用的就是这段文字 | 只在点「生成文案」时看一次 |
看素材写文案还要选：
- 分析服务：执行分析的 ComfyUI。
- 图片分析工作流：有图片时必选。内置
analysis_image_qwenvl，需要 ComfyUI-AILab 和 Qwen-VL（默认 Qwen3-VL-8B-Instruct）。 - 视频分析工作流：有视频时必选。内置
analysis_video_qwenvl，还需要 Video Helper Suite 抽帧。 - 补充要求、目标时长：选填。用来指定语气、卖点和句子长短。留空就只按画面写。
没上传素材时「生成文案」不可用。这段口播为空时不能开始合成。
素材动画
开关默认关闭。打开后，只在「开始合成」里、这一段配音完成之后生效：每张静图单独走一次 i2v，生成一小段运动画面，再循环或截断到这句配音的时长，然后配上字幕。
上传的视频和标题卡保持原样。当前素材里没有图片时，开关不可用。
动画提示词留空时，默认轻微、自然的镜头前推。填写后使用你写的运动描述。工作流选 i2v 包，例如 minimax_h3_i2v、minimax_h3_i2v_uncensored、minimax_h3_i2v_enhancer；多参考和环绕包也可以选，按各自的图片槽送图。包有 accel 时可开 Turbo。每张图一次图生视频，张数越多越慢。
配音、画幅与背景音乐
配音按素材逐段合成，字幕时长跟这句配音走。可以关闭烧录，也可以改字幕字号和颜色：字号 0 为自动，颜色默认白色。标题卡不烧字幕。配音服务是 ComfyUI 时要另选语音工作流，口播文本自动注入。本地 TTS 或 API TTS 可以在音色下面试听，见 文字转语音。画幅为 9:16、1:1 或 16:9。背景音乐从音乐库选择，在全片拼完之后混入。
数字人口播
人物图 + 口播文案 → TTS 语音 → avatar 工作流包。内置两套基于 MiniMax H3 音画联合模型的口播工作流（无需额外安装嘴型插件或音频编码器）：
| 包名 | 默认文本侧 | 原理与特点 |
|---|---|---|
minimax_h3_avatar | 官方 TE | MiniMaxH3ImageToVideo 锁定首帧人物，MiniMaxH3AddGuide 在第 0 帧锚定 TTS 语音潜变量驱动口型与表情，成片直接合成清晰 TTS 原声；可开 Turbo |
minimax_h3_avatar_uncensored | 越狱 NVFP4 TE | 同上，默认使用越狱文本编码器；可开 Turbo |
另选配音服务与音色。画面时长由这段配音决定，页面上不再手填秒数：帧数按 17k+5 向上取整后再裁回配音长度，只多留约一帧。估算超过约 12 秒、或合成后仍超过单段上限（362 帧，约 15 秒）时，按句子切开，下一段用上一段尾帧当首帧，最后合成一条视频。后面各段不再回到角色定妆照，段数很多时人物仍可能慢慢跑偏。成片之后可以再从音乐库叠一条背景音乐。本地 TTS 或 API TTS 可以在音色下面试听，见 文字转语音。
人物图可以上传、点「从资源库选择」，也可以从角色库选择。选了角色时，只有第一段用定妆照右侧的面部半身特写当首帧，不用全身图，也不用整张设定图。上传的图片优先于角色库。角色若绑定了音色，配音没另选时会带上。
图生视频
首帧 + 提示词 → i2v。minimax_h3_i2v 的包内还声明了可选尾帧槽 last_frame；独立页面只送首帧，要首尾帧请到画布功能节点绑定尾帧。成片保留模型自己生成的音轨，也可以再从音乐库叠一条背景音乐。
| 包名 | 默认文本侧 | 特点 |
|---|---|---|
minimax_h3_i2v | 官方 TE | 首帧必填；包内另有可选尾帧槽 last_frame，独立页面只送首帧，尾帧要在画布功能节点里绑定；提示词原样进生成；可 Turbo |
minimax_h3_i2v_uncensored | 越狱 NVFP4 TE | 越狱、无增强；只有首帧；默认 LightX2V 8-step；可 Turbo |
minimax_h3_i2v_enhancer | 越狱 INT8 TE + tail | 只有首帧；先 Guide 增强再出片；结果区可看增强文本；可 Turbo；需 Guide |
minimax_h3_i2v_ref | 官方 TE | 包内最多 9 张参考图；独立页面只多一个 image_2 参考槽，完整多参考在画布功能节点或导演台里绑；图片只提供外观，不当作视频第一帧；提示词用 <Picture N> 指代；可 Turbo |
minimax_h3_orbit | 官方 TE | 360° 环绕镜头；一张图时首尾都用这张，页面再传第二张可作为结束画面；提示词留空使用内置环绕句，两张不同图且提示词仍是原句时会自动加换装句；默认 73 帧（约 3 秒）、28 步，不需要 Turbo |
minimax_h3_extender | 官方 TE | 长视频 Extender：用 clips_json 描述每段时长和提示词，参考图通过 ref_1～ref_9 传入，每段不超过 15 秒；主要由导演台生成 |
enhancer 更慢、更吃内存；适合提示词很短或希望先改写成 H3 规范长提示词的场景。i2v_ref 的参考图不是首帧，适合先给人物、服装和场景参考，让模型自己决定镜头起点。orbit 适合人物、产品原地环绕；镜头和人物都保持不动时效果最稳，场景里有大量运动物体时容易漂移。
选了角色库里的角色后，再选这一镜的入镜视角：面部半身特写、正面全身、侧面全身或背面全身。页面对角色只自动送一张入镜视角图。orbit 的结束画面、i2v_ref 的第二个参考槽可以在页面上自己传；i2v 的尾帧槽和 i2v_ref 的第 3 张以后参考图要在画布功能节点里绑。近景用特写，全身动作用对应全身图。快速创作可以让不同分镜轮换视角，从而用上多张定妆图。图片可以上传或从资源库选择，上传的图片优先于角色库。
动作迁移
参考视频 + 目标图 + 提示词 → motion 工作流包。参考视频可以上传或从资源库选择。画面时长跟随参考视频，页面上不再手填秒数。参考视频按动作迁移包的 length.max 切开（当前两套 H3 动作迁移包是 124 帧，约 5.2 秒，且满足 17k+5）；下一段把上一段成片尾帧当作 <Picture 1>，侧面和背面参考仍然保留，最后拼成一条。声音可以留模型生成的音轨，也可以换成参考视频的整条原声。两种都可以再从音乐库叠背景音乐。内置两套基于 MiniMax H3 多模态参考（MiniMaxH3ReferenceToVideo）的动作迁移工作流。选了角色库里的角色时，把正面全身、侧面全身、背面全身分别送进 <Picture 1>、<Picture 2>、<Picture 3>。右侧面部特写不参与动作迁移，避免下半身服装丢失。目标图可以上传或从资源库选择，上传的图片优先于角色库。
| 包名 | 默认文本侧 | 原理与特点 |
|---|---|---|
minimax_h3_motion | 官方 TE | VHS_LoadVideo 按 24fps 抽帧作为 <Video 1> 动作参考，目标图作为 <Picture 1> 身份参考，无需骨骼预处理即可迁移肢体动作与运镜；可开 Turbo |
minimax_h3_motion_uncensored | 越狱 NVFP4 TE | 同上，默认使用越狱文本编码器；可开 Turbo |
提示词中可用 <Picture 1> 指代目标图、<Video 1> 指代参考视频；若未写标签或留空，流水线会自动补齐标准动作迁移指令。也可自行导入 WanAnimate2ToVideo 或 WanSCAILToVideo 工作流包。
快速创作
快速创作负责把口播做成一条短视频。口播是每一镜里要念出来的那一句文字，配音按这句朗读，字幕也写这句。它不是已经做好的视频文件。
一条成片可以有多镜。每一镜先单独做成一小段：这一句交给配音，画面按这一镜的画面提示词来做。全部小段按顺序接起来，需要的话再铺上背景音乐，才是下载到的那一条 mp4。分镜数是 4，就是 4 小段接成 1 条，不是 4 条视频。
页面最上面的「AI 创作」「固定文案」「批量创作」只决定这些口播句子从哪来。下面的分镜模板、配音、字幕、登场角色和背景音乐是三种模式共用的。
一条成片里有什么
每一镜有两段文字：
- 口播：念出来的句子，也是这一镜的字幕。
- 画面提示词：交给插图或视频工作流的描述。静态模板不用它来生图，文字直接排进版式。
标题是整片共用的一行字，显示在画面上，不会被当成其中一句口播去念。
可以勾选「生成分镜后暂停，人工确认后再合成」。勾上之后先给出脚本和分镜 JSON，改完每一镜的画面提示词再合成。批量创作没有这一项。
AI 创作
适合还没有写好稿子、只知道要讲什么的时候。填一个主题，再设分镜数（1 到 12，默认 4）。
主题原文会当成视频标题，显示在画面上。系统设置里的默认大语言模型（LLM）按分镜数写口播。分镜数是 4，它就写 4 句，每句大约 20 到 40 个字，口语化。这 4 句对应 4 镜：第 1 句配第 1 段画面，第 2 句配第 2 段画面，四段接成一条。LLM 自己起的标题不用，标题始终是你写的主题。
主题框上的 ✨ 只把你输入的主题扩写得更具体，方便后面写口播。口播要等点「开始创作」之后才由 LLM 写。
模板如果是「生成插图」或「生成视频」，还有「生成时用 LLM 写画面提示词」，默认打开。打开后，4 句口播写完，LLM 再把每一句改写成给画图、给视频看的画面描述。关掉时，画面描述就用口播原文。带 Guide 的工作流包（名字里有 enhancer）还会在包内部再改一次提示词；不带的包（例如 uncensored）不会。这个包内增强和页面上的开关是两件事，关其中一个不会关掉另一个。
静态样式模板不写画面提示词，口播文字直接排进版式，再配上朗读。
必须已经配置 LLM。没配时页面会提示去系统设置或服务提供方。
固定文案
适合稿子已经写好、希望原句被念出来的时候。口播就是你贴进去的文字，系统不会把它改写成别的句子。旁边的主题框只当标题，原样显示，也不经过 AI。
这一页没有分镜数。有多少镜，由「切分方式」决定：
| 切分方式 | 怎样算一镜 |
|---|---|
| 按段切分 | 空一行算一段。一段一镜 |
| 按行切分 | 每一行非空文字一镜 |
| 按句切分 | 按句号、问号、叹号切开。一句一镜 |
例如按句切分，文案里有 6 句，就会做出 6 小段再接成 1 条视频。某一段是空的会被丢掉。
静态模板按切分结果朗读并排版。插图或视频模板下，输入框左边是口播，点 ✨ 可以按镜生成画面提示词；开关打开并且右边已经有画面词时，合成直接用这些词，后端不再请 LLM 重写。开关打开但右边还是空的，才由 LLM 按口播补画面词。开关关掉时，画面描述用口播原文。
固定文案在静态模板、或者画面词已经写好时，可以不配置 LLM。
批量创作
适合同一个模板、同一种配音，要一次出很多条主题不同的视频。文本框里一行写一个主题，最多 100 行。空行不算。
一行主题对应一条完整视频，同时就是这条视频的标题。它不是一镜。分镜数仍然要设，表示每一条视频内部有几镜，所有主题共用。
例如写了 3 行，分镜数是 4：会排队提交 3 个任务。每个任务都是一次完整的 AI 创作：按这一行主题写 4 句口播，做出 4 段画面，接成 1 条视频。模板、配音、角色、字幕和背景音乐全部共用。单个任务失败不影响其他任务，进度在任务中心查看或取消。批量必须已配置 LLM，也没有「生成分镜后暂停」。
画面、声音和字幕
先选画幅（竖屏 9:16、方屏 1:1 或横屏 16:9），再选模板模式，然后选具体模板：
- 静态样式：本地排版，不调用生图或生视频，也不请 LLM 写画面词。口播文字出现在画面上，再配朗读。
- 生成插图：每一镜用文生图（text-to-image，
t2i）工作流出一张图，再和这一句配音合成一小段。 - 生成视频：每一镜用视频工作流出一小段。默认只列出文生视频（text-to-video，
t2v）包。选了登场角色后，列表里会再加上图生视频（image-to-video，i2v）包：普通i2v送一张入镜视角图，i2v_ref的包里可接多张参考图（快速创作仍按当前入镜视角送一张），orbit做 360° 环绕；extender是长视频分段包，主要由导演台使用，不建议在快速创作里手选。包声明了加速时可以开 Turbo。名字带enhancer的包会在包内增强提示词。
配音、字幕和背景音乐在模板下面，三种脚本模式共用：
- 静态模板和插图模板只有自定义配音：按每一句口播合成声音，并替换这一小段的音轨。
- 生成视频还可以选「模型原声」：保留文生视频自己生成的声音，不再换成配音。字幕仍按口播文字、按这一小段的时长来写。
- 配音选本地 TTS（text-to-speech，文字转语音）或 API TTS 时，音色下面可以试听，见 文字转语音。配音服务是 ComfyUI 时要另选语音工作流，口播文本会自动填进去。
- 字幕可以关，也可以改字号和颜色。标题和画面上的口播文字也可以分别隐藏或缩放。
- 背景音乐从音乐库选择，全片接完之后再混入。音量建议 0.1 到 0.3。
登场角色和入镜视角
角色可以不选。三种脚本模式都能选，批量里所有主题共用同一个角色。
选了之后会发生两件不同的事。
第一件总会发生：角色的外观描述会加在每一镜画面提示词的前面，让各镜在文字上尽量是同一个人。定妆照说明里「16:9 横版、四个视角」这类排版句子会先去掉，避免画面被画成四格拼图。你在页面上填的风格前缀排在这段外观文字后面。
第二件只在视频包真的有图片输入槽时发生。纯文生视频包没有图片槽，角色图片不会上传。这时「入镜视角」只是写给 LLM 的文字提示，例如当前参考视角是正面，方便它把画面描述写成这个角度。
选了角色之后，可以把视频工作流改成图生视频包。这种包每一镜按视角送一张角色图，用来锁住同一个人：
- 默认用你选的入镜视角：面部半身特写、正面全身、侧面全身或背面全身。
- LLM 写分镜时，可以给某一镜换成另一个视角，从而用上多张定妆图。
- 选「定妆照」则每一镜都送整张四视图，不再拆成单张。
- 这个视角还没有图片、而工作流又要求参考图时，任务会直接失败。
插图模板只把外观写进提示词，不把角色图送进文生图包。
文生视频（t2v）选哪个包？
| 包名 | 文本侧 | 说明 |
|---|---|---|
minimax_h3_t2v | 官方 TE | 纯提示词出片；可 Turbo |
minimax_h3_t2v_uncensored | 越狱 NVFP4 TE | 越狱、无增强（对应本地画布【文生视频】）；默认 LightX2V 8-step Turbo；可 Turbo |
minimax_h3_t2v_enhancer | 越狱 INT8 TE + tail | 越狱 + 提示词增强；需 Guide；结果可看增强文本；可 Turbo |
三者都不接首帧。要让每一镜带上角色图，改用 minimax_h3_i2v / minimax_h3_i2v_uncensored / minimax_h3_i2v_enhancer。
角色库
侧栏「资源 → 角色库」保存一个角色的名称、外观描述和一张 16:9 四段式定妆照。定妆照从左到右固定四栏：
| 从左到右 | 内容 | 存成 | 谁在用 |
|---|---|---|---|
| 第 1 栏 | 完整全身正面 | 正面全身 | 图生视频入镜视角、动作迁移 <Picture 1> |
| 第 2 栏 | 完整全身侧面 | 侧面全身 | 动作迁移 <Picture 2>；多参考图包补位 |
| 第 3 栏 | 完整全身背面 | 背面全身 | 动作迁移 <Picture 3>；多参考图包补位 |
| 第 4 栏 | 右侧超大面部半身特写 | 面部特写 | 数字人口播、图生视频近景 |
整张设定图只用于预览和切分，不会被当成视频画面。页面上先选一种添加方式，另一种的按钮不会同时出现。
按描述生成
手里没有图、只有外观时用这个。填写名称，以及年龄、脸型、发型、服装。可以再上传 1 到 3 张参考图（也可以从资源库选择）；有参考图时外观描述可以留空。1 张走系统设置里的「单张参考图工作流」，2 到 3 张走「多张参考图工作流」。第一张会先贴进 16:9 浅灰画布，保证定妆照是横版。可以点 ✨，用「系统设置」里的默认 LLM，套用提示词模板 「角色库 · 四段式定妆照」（character_sheet）。优化会补上匹配的脸型、头饰、下装鞋包，并写上固定的四段式构图和画质要求。
点 「生成角色定妆照」。这一步自己建档并排队生图，不用再点保存。图像服务、定妆照工作流包、单张参考图工作流和多张参考图工作流都在 「系统设置 → 默认角色生图」，不在角色页选择。没有参考图时默认包是 qwen_image_21，画幅 16:9（1536×864；若所选包的宽高上限更小，会自动缩小）。没点优化时，后端也会把四段式构图补在外观描述后面。点过优化、提示词里已经有「16:9」或「完整全身正面」时，不再重复追加。
上传设定图
手里已经有做好的横版四段图时用这个。上传框旁边也可以从资源库选择。从左到右必须是正面全身、侧面全身、背面全身、右侧面部特写。背景用浅色或纯色，四个人物之间留出竖向空隙。外观描述可以不填；填写后，快速创作会把这段文字加到每个画面前面。
点 「保存并自动切分」。立刻切开并建档，不调用图像服务。
不要把下面两种图放进这个上传框：
- 只有正面、侧面、背面的三段式三视图。第四栏会被当成面部特写，背面可能被切进侧面。
- 单张人物正面照。没有竖缝时会按比例切成四条，刀口可能落在人身上。
切分规则：按每一列的明暗起伏找出三段人物之间的空隙，在空隙中点切开。空隙不够三条时，才退回大约 23% / 22% / 23% / 32%。右侧特写若还带着邻栏的灰边，会再沿顶部色块交界把切口往右挪。卡片上的缩略图可以点开看大图，并用左右切换面部特写、正面全身、侧面全身、背面全身和定妆照原图。
图片文件在 backend/data/characters/。
分镜模板
设置 → 分镜模板。上传/删除分镜模板。文件名前缀：static_ / image_ / video_。画布尺寸须与画幅目录一致。内置不可删；用户同名覆盖内置。
ComfyUI 模型目录（速查）
| 用途 | 目录（相对 models/） | 常见文件 |
|---|---|---|
| 图像/视频主模型（UNET） | diffusion_models/ | qwen_image_2.1* / qwen-image-2.1*（勿混 minimax_h3_*） |
| 文本编码器 / 生成尾 | text_encoders/ | 图像用 qwen3vl_8b*；视频 H3 用 qwen3vl_32b*（勿混用） |
| VAE | vae/ | 图像用 qwen_image_2.1_vae*；视频用 minimax_h3_*_vae* |
| Turbo / UC / 风格 LoRA | loras/ | 视频 Turbo、图像越狱、PoseStudio、换衣、调色等各自的 LoRA |
| 传统 SD checkpoint | checkpoints/ | 仅 t2i_basic |
| 放大模型 | upscale_models/ | upscale_basic 用的 RealESRGAN |
| SeedVR2 | SEEDVR2/ | seedvr2_ema_3b_fp16.safetensors + ema_vae_fp16.safetensors（numz 节点） |
| ControlNet | controlnet/ | Qwen-Image 2.1 Fun ControlNet Union |