ComfyUI_Qwen_H3_Prompt

ComfyUI Qwen H3 Prompt

在 ComfyUI 内使用本地 Qwen3.8-27B 和 MiniMax-H3 官方 Skill 生成 H3 提示词与制作方案。
节点在 ComfyUI 内启动独立的本地 llama-server，推理过程不访问网络。运行完成后结束外部进程，释放GPU显存和系统内存（force unload model开启时），不占用ComfyUI内部资源。

官方 Skill 的本地适配边界

h3-prompt-writing 官方声明可直接移植。其余 Skill 原本依赖 MiniMax Hub 的画布、选择卡和媒体生成工具。本节点保留官方 Skill 内容作为创意与领域指导，但统一跳过素材收集、选择卡、审批门槛和媒体生成步骤，只输出符合当前输入模式与时长的最终 H3 prompt。

与 MiniMax H3 官方 Skills 不同，本节点所使用的 Qwen3.8-27B GGUF 模型不具备分析声音的能力，不能准确提取已有音乐的旋律、BPM、歌词、音色或节拍点。有关声音的提示词只是“创作声音的描述”，不是分析或复刻参考音频。

节点不会输出澄清问题、确认请求、备选方案、pre-production package 或下一步建议。用户未提供的可选内容会直接省略，例如画面文案、口号、品牌声明、对白、旁白和歌词；生成视频不可缺少但未指定的纯创意细节，则根据请求与参考媒体采用一个保守的确定值。

安装节点

使用ComfyUI Manager安装， 或使用以下命令手动安装:

cd ComfyUI/custom_nodes/
git clone https://github.com/chflame163/ComfyUI_Qwen_H3_Prompt.git

模型目录

把 Qwen3.8 视觉模型和GGUF权重文件放到ComfyUI/models/LLM/Qwen3.8/目录。

• 视觉权重： 从 https://huggingface.co/unsloth/Qwen3.8-27B-GGUF 下载 mmproj-F16.gguf
• GGUF权重：
  对于20G以上显存的设备，推荐从 https://huggingface.co/unsloth/Qwen3.8-27B-GGUF 下载 Qwen3.8-27B-Q4_K_M.gguf。
  对于16G显存的设备，推荐 https://huggingface.co/soyaakinohara/qwen3.8-27b-abliterated-3.69bpw-12GB-MTP.gguf 。
  也可以自行下载其他与llama-server兼容的Qwen3.8权重。

安装llama-server runtime

项目只提供一个跨平台安装入口 install_runtime.py。它仅使用 Python 标准库，自动识别 Windows、Linux 或 macOS、x64/ARM64 架构及显卡，并为当前机器部署固定的 llama.cpp b10436 runtime，不需要安装额外的 pip 包。

Windows ComfyUI 官方便携包在节点目录中执行：

cd ComfyUI\custom_nodes\ComfyUI_QWen_H3_Prompt
..\..\..\python_embeded\python.exe install_runtime.py

Linux 与 macOS 使用Python执行：

python install_runtime.py

首次启动前必须先执行安装器。安装器会依次完成硬件检测、后端选择、下载、SHA256 校验、安全解压、llama-server --version 与 --list-devices 验证，最后生成本机专用的 runtime_config.json。下载缓存、源码缓存和安装结果都保存在节点的 runtime/ 目录中。

安装器命令：

# 只显示检测结果和计划，不下载或安装
python install_runtime.py --dry-run

# 查看当前系统和架构支持的后端
python install_runtime.py --list-backends

# 手动指定后端
python install_runtime.py --backend vulkan

# 强制重新安装
python install_runtime.py --force

# 只使用 runtime/.downloads/b10436 中已经校验的文件
python install_runtime.py --offline

自动后端选择

| 系统和设备 | 自动顺序 | | --- | --- | | Windows x64 NVIDIA | CUDA 12.4 → Vulkan → CPU | | Windows x64 AMD | ROCm 7.14 → Vulkan → CPU | | Windows x64 Intel | SYCL → Vulkan → CPU | | Windows x64 未识别 GPU | Vulkan → CPU | | Windows ARM64 NVIDIA | CUDA 13.4 preview → CPU | | Windows ARM64 Qualcomm Adreno | OpenCL → CPU | | Linux x64 Intel | SYCL FP16 → Vulkan → CPU | | Linux x64 NVIDIA/AMD/未识别 GPU | Vulkan → CPU | | Linux ARM64 | Vulkan → CPU | | macOS Apple Silicon 或 Intel | Metal → CPU |

Windows 可用后端取决于架构，包括 cuda12、cuda13、rocm、sycl、vulkan、opencl 和 cpu。

Linux 官方预编译后端包括 vulkan、sycl、sycl-fp32、openvino 和 cpu，具体选项取决于架构。官方文件是 Ubuntu 构建，其他发行版需要兼容的 glibc/libstdc++。Vulkan、Intel SYCL/OpenVINO 还需要系统中已经存在相应的显卡驱动和运行库。

macOS 使用对应架构的官方包。Metal 不需要额外 GPU 计算框架，但 Qwen3.8-27B Q4 和视觉投影器仍需要足够的统一内存。

Linux CUDA 源码部署

官方 b10436 没有提供 Linux CUDA 压缩包。NVIDIA Linux 用户可显式要求安装器从源码构建：

python install_runtime.py --backend cuda --build-from-source

源码构建不会调用 sudo 或自动修改系统。运行前必须已经具备：

• 可正常运行 nvidia-smi 的 NVIDIA 驱动；
• 包含 nvcc 的 NVIDIA CUDA Toolkit，nvcc 位于 PATH 中或已经设置 CUDA_HOME；
• Git、CMake、C 编译器和 C++ 编译器，例如 Ubuntu/Debian 的 git cmake build-essential。

节点

启动ComfyUI，在 😺dzNodes/QWen_H3_Prompt 分类中添加 Qwen H3 Prompt (Local)节点。

节点选项说明：

• skill：auto 或9个官方 Skill。设为auto时自动选择Skill路由。
• duration：目标 H3 视频时长，默认 10.0 秒，取值范围4~15秒。
• think_mode：布尔开关，默认关闭；自动在 Qwen 官方 instruct 和 thinking 推荐参数之间切换。
• reasoning_effort：仅在 think_mode 开启时生效，默认 medium。
• seed：种子。
• reference_images：动态添加 0-9 张独立 IMAGE。每个插槽只接受一张图片；图片角色由数量和用户提示词共同决定。
• reference_videos：动态添加 0-3 路 IMAGE 批次，内部固定按 24 fps 计算时长和采样时间。
• video_sample_frames_per_sec：每路参考视频每秒抽取的帧数，默认值为 2。
• force unload model：默认开启。开启时每次完成后终止内置 llama-server服务并强制清理内存和显存；关闭时保留模型供下一次运行复用。发生错误时无论选项状态都会强制释放。

图片输入与模式路由

节点按照以下规则选择 H3 模式：

| 输入 | 判定方式 | | --- | --- | | 没有图片和视频 | 直接使用 T2VA | | 1 张图片、没有视频 | Qwen 根据用户提示词选择 I2VA、L2VA 或 Ref2VA | | 2 张图片、没有视频 | Qwen 根据用户提示词选择 FL2VA 或 Ref2VA | | 3-9 张图片 | 直接使用 Ref2VA | | 连接任意参考视频 | 直接使用 Ref2VA |

一到两张图片时，节点不会仅根据图片数量猜测首尾帧。要生成关键帧模式提示词，必须在用户提示词中明确说明图片的时间角色：

# 一张首帧图，路由为 I2VA
将 Picture 1 作为目标视频的首帧，从这个画面继续向前发展。

# 一张尾帧图，路由为 L2VA
将 Picture 1 作为目标视频最后一帧，设计一个自然抵达该画面的过程。

# 两张首尾帧图，路由为 FL2VA
Picture 1 是目标视频首帧，Picture 2 是目标视频尾帧，生成从前者连续过渡到后者的过程。

如果一到两张图片只是人物、产品、场景、构图或风格参考，也应明确说明其参考作用，节点会选择 Ref2VA：

参考 Picture 1 的人物身份和服装，参考 Picture 2 的场景与灯光，创作一段产品宣传短片；两张图都不是首尾帧。

参考视频

reference_videos 最多连接 3 路，每一路都是按时间顺序排列的 IMAGE batch。单段视频按 24 fps 计算后必须为 2-15 秒，全部参考视频总时长不能超过 15 秒。

video_sample_frames_per_sec 表示从每路视频的每一个一秒时间窗中均匀抽取多少帧，它不是整段视频的总抽帧数，也不会改变最终 H3 视频的帧率。

默认值 2 适合大多数动作和运镜。静态产品展示可以使用 1；快速动作、复杂转场可提高到 3-8。数值越高，每秒保留的动作细节越多，但联系表中单帧面积会变小，同时增加图片编码、内存和推理开销。

连接参考视频后始终使用 Ref2VA。当前接口只接收视频画面帧，不会读取视频文件中的音轨。

原创声音与配乐描述

Qwen 会根据用户提示词、目标时长、参考图片以及参考视频的抽样画面，自动创作与画面匹配的声音设计：

• 描述环境声、动作声、空间感和随画面变化的声音事件。
• 描述原创器乐配乐的情绪、乐器、速度、发展、关键画面同步点和收束方式。
• 没有用户明确提供时，不会自行编造对白、旁白、歌词或人声演唱。
• 用户只要求“无背景音乐”时，输出 non_diegetic_music: N/A，但仍保留合理的环境声和动作声。
• 用户明确要求“完全静音”“全程静音”或“不要任何声音”时，强制输出 overall_soundscape: N/A 和 non_diegetic_music: N/A。

这属于根据视觉内容创作新的音频描述，不是分析、复刻或保留参考视频原声。生成的文本最终交给 MiniMax H3 合成原生声音。

显存和生命周期

若关闭 force unload model，内置服务会继续占用约 20 GB 显存，模型配置不变时下一次可直接复用；再次开启并运行节点、模型配置发生变化或退出 ComfyUI 时会终止驻留服务。

上游来源与许可证

• MiniMax H3 Skill 来自 MiniMax-AI/MiniMax-H3 commit d21241f0a4b3acbb34c97dae47fa417b7065e438，官方文件保存在 skills/。
• 跨平台runtime安装器固定使用 llama.cpp b10436，对应完整 commit 6fed9f6ff7a603b124cb8c5864fca6ea879f9f99，并对下载文件执行 SHA256 校验。
• Linux CUDA 源码构建使用同一固定 tag 和 commit。llama.cpp 的 MIT 许可证保存在 third_party/llama.cpp-LICENSE。
• 本项目仅为学习研究使用，如果作为商业用途，请查阅相关原项目授权协议。