ComfyUIで長尺V2Vを実現するH3テンポラルウィンドウと空間タイル

ComfyUI Wikinews

長尺・高解像度のMiniMax H3動画から動画への変換を、オーバーラップするウィンドウと空間タイルに分割してレンダリングするComfyUIノードパック。2つのサンプルワークフロー付き。

<strong>Minimax H3 V2V Temporal Window &amp; Spatial Tiles</strong> は、1本の長いクリップをオーバーラップするウィンドウに分割し、さらに各ウィンドウをタイルに分割することで、ComfyUI上で映像のスタイルを変換します。ComfyUI マネージャーまたはレジストリから comfyui-minimax-h3-temporal-window-spatial-tiles としてインストールできます(v1.4.0、2026-11-11)。
このノードパックのデモ動画の1フレーム

作者のデモ動画からの1フレーム。

H3は短いパスでサンプリングするため、長回しのショットではチャンクごとに1パスが必要になり、受け渡しのたびにモーションがずれてしまいます。このノードパックはソースクリップを基準に保ちます。各ウィンドウは直前のウィンドウの完了済みフレームから続き、各タイルは同じ映像から自身のクロップ部分を読み取ります。

ComfyUIのネイティブなMiniMax H3サポート(v0.35.0以降)が必要で、追加の依存関係はありません。ウィンドウを1つにしてタイル処理をオフにすると、出力は標準のワークフローとビット単位で同一になります。インストールの確認に便利です。

重要な2つの設定

設定使用する値
window_framesH3の17k+5グリッドにおけるウィンドウあたりのフレーム数。124で5.2秒、175で7.3秒。
overlap_frames隣接するウィンドウ間で共有するフレーム数。デフォルトは22。継ぎ目が見える場合は39に上げます。
carry_overlapオンのままにします。各ウィンドウは前のウィンドウの完了済みオーバーラップフレーム(映像と音声の両方)から開始します。
spatial_tilesデフォルトはオフ。参照動画が必要です。そうしないとフルデノイズのパスで被写体がすべてのタイルに繰り返し現れます。
tile_overlap192 px以上。帯を広くするとタイル間の継ぎ目が隠れます。
tile_carrysync(v1.3.0以降のデフォルト):すべてのタイルが同時にステップし、画像の内容が一致するため、速い動きでも継ぎ目をまたいだゴーストが出なくなります。

タイルはそれぞれ約1 MP(作者の例では960x544)になるため、2.5 MPのショットは1回の巨大なパスではなく、ウィンドウあたり数枚のタイルになります。

plate入力

Reference to Videoは常に参照クリップをおよそ768pまで縮小します。約1 MPを超える場合や2回目のリファインパスでは、タイルは縮小されたぼやけたコピーに従うことになります。同じクリップをフル解像度でオプションの plate 入力に接続すると、各タイルは自身のシャープなクロップを受け取ります。

ただし時間がかかります。plate_scale 1.0では、作者の計測で1330秒かかり、plateなしの同じ実行では812秒でした。plate_scale を0.5に下げるとほぼその差は埋まり、それでも単純な参照より優れています。

サンプルワークフロー

どちらもリポジトリの example_workflows フォルダーにあり、インストール後は Workflow → Browse Templates からも利用できます。いくつかの他のノードパックに依存しており、ComfyUI マネージャーの Install Missing Custom Nodes で解決できます。

このノードパックにはさらに2つのノードが含まれています。Long Generation はウィンドウごとのプロンプトタイムラインを使って長尺のテキストから動画へ、および画像から動画への生成を行います。またv1.4.0では Multi Guide が追加され、Add Guideノードの連鎖ではなく、1つのノードで最大16個の画像または音声のガイドをまとめられます。

まだ目立つところ

ウィンドウの受け渡し部分ではモーションが1〜2フレームためらうことがあり、空や壁のような平坦な領域ではタイル間でわずかに差が出ることがあります。READMEではComfyUI標準のContext Windowsノードとの比較も行われています。すべてのステップで毎回のウィンドウをブレンドすると受け渡しの瞬間はなくなりますが、作者の並べて比較したテストでは映像が柔らかくなり、キャラクターの見た目が徐々に変化しました。

大きなフレームに対して作者が推奨するのは、サンプルに含まれる2段階の方法です。まず約1 MPで生成し、その後で潜在をアップスケールして、タイルをオンにしシグマを低くした状態でV2Vノードをもう一度実行します。

コメント

GitHubでサインインしてディスカッションに参加しましょう。

コメントを読み込み中…
ComfyUIで長尺V2Vを実現するH3テンポラルウィンドウと空間タイル | ComfyUI Wiki