MiniMax H3 Ref2VA para vídeos NSFW con IA: configuración de ComfyUI y flujo de referencias

MiniMax H3 Ref2VA frente a FL2VA: ¿qué flujo debes usar?

MiniMax H3 utiliza checkpoints separados para cada tarea. FL2VA gestiona texto a audio-vídeo y generación condicionada por el primer o último fotograma. Ref2VA gestiona referencia a audio-vídeo mediante imágenes, vídeos, audio o referencias mixtas.

La diferencia está en el papel del recurso. Una imagen conectada como primer fotograma establece la composición inicial real. Esa misma imagen usada en Ref2VA puede definir rostro, cuerpo, estilo, entorno o pose sin convertirse en el primer fotograma.

Esto importa en los flujos de personajes NSFW. Una sola imagen inicial puede anclar un clip, pero quizá no aporte suficiente información cuando el cuerpo gira, el plano se abre o otro sujeto produce una oclusión temporal. Ref2VA puede usar vistas de identidad adicionales si describen al mismo personaje.

Los dos flujos también emplean pesos de difusión distintos. Cargar pesos FL2VA en un flujo Ref2VA no crea comportamiento de referencia multimodal solo porque los nodos cercanos parezcan compatibles.

Cómo configurar MiniMax H3 Ref2VA en ComfyUI

3. Conecta un vídeo de referencia de movimiento

Un vídeo de referencia puede aportar movimiento corporal, comportamiento de cámara, ritmo de montaje, una escena existente que modificar o un punto desde el que continuar. El prompt debe especificar la relación deseada.

Algunos cargadores de vídeo de ComfyUI devuelven un objeto VIDEO, mientras que la entrada de referencia de MiniMax H3 espera una secuencia de imágenes extraída. Si los puertos no conectan, usa el nodo nativo Get Video Components para exponer fotogramas, audio, frecuencia de imagen y componentes relacionados. Conecta la secuencia a la entrada de vídeo de referencia.

Si también necesitas el sonido original, conecta el audio extraído por separado. No supongas que cargar un vídeo asigna automáticamente su audio como referencia <Audio N> utilizable.

Para transferir movimiento, elige una fuente cuya postura inicial se parezca a la del personaje objetivo. Es más fácil conciliar un personaje sentado con una fuente sentada que un retrato cerrado con un giro inmediato de cuerpo entero de pie.

El movimiento también debe seguir siendo legible. Una fuerte superposición corporal, manos ocultas tras el torso, pelo largo cubriendo articulaciones o dos intérpretes cruzándose pueden obligar al modelo a reconstruir información que ninguna fuente muestra claramente.

Indica que el vídeo aporta movimiento y no identidad:

<Subject 1> toma su identidad y apariencia de <Picture 1>.
<Video 1> aporta solo el ajuste lento de la postura sentada y el ritmo de cámara.
La intérprete de <Video 1> no se conserva en el vídeo objetivo.

Referencia del personaje

Referencia de movimiento

Resultado generado

4. Añade audio solo cuando tenga una función clara

Ref2VA puede usar audio extraído de un vídeo de referencia o cargado como archivo independiente. Según las reglas oficiales actuales, el audio no puede ser el único medio de referencia; debe acompañar a una imagen o un vídeo.

Decide si la fuente debe aportar:

• Una referencia de timbre de voz
• Una referencia de interpretación o emoción
• Diálogo o letra reutilizados
• Música de fondo reutilizada
• Una referencia de ritmo o estilo musical
• Una referencia de sonido ambiental

Referenciar una voz no equivale a copiar su señal original. Si el personaje debe decir un diálogo nuevo con una calidad vocal similar, define la fuente como referencia de timbre y escribe el diálogo nuevo en el prompt.

Las etiquetas de audio se numeran independientemente de las de vídeo. <Video 1> y <Audio 1> no se entienden automáticamente como partes del mismo archivo salvo que el prompt describa su relación.

Usa solo referencias de rostro, vídeo y voz propias o autorizadas. Ref2VA no debe utilizarse para suplantar a una persona identificable sin permiso.

Escena de referencia de audio

<Picture 1> define la apariencia de <Subject 1>.
<Picture 2> aporta una vista más amplia del mismo personaje.
<Video 1> aporta el movimiento corporal y el tiempo de cámara.
<Audio 1> aporta el timbre de voz de <Subject 1>.

Cómo mantener coherente un personaje NSFW entre referencias

Usa distintas vistas del mismo personaje

Un conjunto útil puede incluir una vista clara del rostro, un plano medio y una vista corporal más amplia. Las imágenes deben aportar información distinta y conservar la misma identidad.

El rostro, el cabello, la piel, las proporciones y los detalles de estilo distintivos deben coincidir. Si una imagen cambia la estructura facial o el estilo visual, el modelo recibe dos definiciones de personaje enfrentadas.

Las referencias también deben coincidir con el estado visual del plano objetivo. Si una imagen muestra otra ropa o un nivel de cobertura muy distinto, decide cuál debe conservar el objetivo y elimina la fuente conflictiva.

Usar juntas

No mezclar

Haz coincidir la imagen de referencia con el movimiento

Elige una imagen de identidad que ya muestre la zona corporal implicada. Si el movimiento cruza la cintura, cambia una postura sentada o coloca una mano sobre el torso, esas zonas deben verse claras y estructuradas en la fuente.

La dificultad aumenta cuando el modelo debe revelar anatomía oculta, separar extremidades superpuestas o mantener varios puntos de contacto. Por eso una pose visualmente sencilla puede ser mejor referencia de identidad que una imagen más dramática.

Evita que la fuente de movimiento sustituya al personaje

Un vídeo de movimiento puede contener una intérprete cuyo rostro, cuerpo, ropa o entorno sea visualmente más fuerte que la imagen de identidad. El modelo puede conservar más de esa fuente de lo previsto.

Define el sujeto objetivo antes de describir el movimiento. Indica expresamente que no se conserva la intérprete de referencia. Si la identidad sigue debilitándose, elige un clip donde el rostro de origen sea menos prominente o la pose sea más compatible.

Prueba la interacción cercana por separado

La interacción entre dos personas añade otra identidad, más extremidades, oclusión temporal y varios puntos de contacto móviles. No la uses como primera prueba de un personaje nuevo.

Valida primero al personaje principal a solas y añade después el segundo sujeto en un plano corto y controlado. Mantén ambos cuerpos separados visualmente cuando sea posible y evita cambiar a la vez varias manos, rostros y movimientos de cámara.

Para una secuencia más larga, crea clips separados para la introducción, el cambio de pose, la interacción cercana y el plano final. Reutiliza las referencias de identidad aprobadas en lugar de exigir una sola generación para todas las transiciones.

Cómo escribir prompts Ref2VA coherentes para personaje y movimiento NSFW

Un prompt Ref2VA debe explicar el vídeo objetivo y su relación con las fuentes. Repetir adjetivos de apariencia no sustituye una asignación clara de referencias.

El formato de prompt de referencia completa de MiniMax organiza una solicitud Ref2VA en seis secciones:

subject_definitions:
<Subject 1> es la mujer ficticia adulta cuya identidad facial, pelo largo oscuro, proporciones corporales y estilo de satén negro proceden de <Picture 1>.
<Picture 2> ofrece una vista más amplia del mismo personaje y confirma sus proporciones y postura inicial.
<Video 1> aporta un ajuste lento de la pose sentada y un avance de cámara contenido.
<Audio 1> es la referencia de timbre vocal de <Subject 1> (S1).

summary:
[generación con referencia + referencia de audio]
El objetivo es un vídeo de estudio privado en un solo plano de <Subject 1>. Su identidad y estilo siguen <Picture 1> y <Picture 2>. Su movimiento y tiempo de cámara siguen <Video 1>. Su timbre vocal toma como referencia <Audio 1>.

retention_analysis:
<Subject 1>: fully_preserved - conservar rostro, pelo, proporciones, estilo de satén y estado visual general.
<Video 1>: reference - transferir el cambio de pose y el ritmo de cámara sin conservar la intérprete ni el entorno originales.
<Audio 1>: reference - guiar el timbre vocal sin copiar la grabación.

detailed_description:
El vídeo usa iluminación fotográfica realista en un estudio privado y tranquilo.
[Shot 1] <Subject 1> está sentada en un plano medio de tres cuartos. Siguiendo el movimiento controlado de <Video 1>, desplaza lentamente el peso, gira un hombro hacia la cámara y se asienta en la nueva pose. La cámara realiza un único avance contenido sin cambiar el ángulo. <Subject 1> (S1), con la calidad vocal tranquila referenciada en <Audio 1>, dice: <d>[Español] Quédate aquí un momento.</d>

overall_soundscape:
Tono de sala silencioso, movimiento sutil de tela y la interpretación vocal referenciada.

non_diegetic_music:
Sin música de fondo.

Este prompt define la identidad una vez y dedica el resto al movimiento, la cámara y el sonido. Evita repetir la descripción del rostro y el cuerpo en cada campo.

Si el resultado necesita un plano continuo, no añadas varias instrucciones de cámara inconexas. Si una segunda acción exige nueva pose, encuadre o patrón de contacto, quizá merezca un clip separado.

Escena NSFW

Flujo práctico de MiniMax H3 Ref2VA para vídeos NSFW con IA

Un flujo de producción reutilizable solo debe aumentar la complejidad cuando la capa anterior permanezca estable.

Paso 1: aprueba la imagen del personaje

Elige una imagen que establezca identidad, orientación corporal, estilo y estado visual. Si no existe una adecuada, créala con el Generador de chica real de AINSFW.AI, el Generador de chica anime o Imágenes desde etiquetas.

No continúes solo porque la imagen sea atractiva. Confirma que aporta suficiente información visual para la primera acción prevista.

Paso 2: crea una prueba de identidad

Genera un plano corto, cercano o medio, con movimiento de ojos, respiración, un leve cambio de expresión o un pequeño giro de cabeza. Así sabrás si el personaje sigue siendo reconocible antes de introducir movimiento corporal mayor.

Paso 3: añade movimiento corporal controlado

Usa una referencia de identidad más amplia y solicita un solo ajuste de hombro, torso, cintura o postura sentada. Mantén la cámara fija en la primera prueba de movimiento corporal.

Si el personaje cambia durante un movimiento pequeño, una fuente más compleja suele hacer más visible ese cambio.

Paso 4: introduce la referencia de movimiento

Conecta un vídeo corto con una pose inicial compatible. Indica que aporta movimiento y tiempo de cámara, no identidad.

Compara el resultado con la prueba de identidad anterior. Si el objetivo empieza a parecerse a la intérprete de referencia, simplifica el vídeo fuente o aclara la asignación del sujeto.

Paso 5: añade cámara y audio

Cuando el movimiento corporal sea estable, introduce un comportamiento de cámara. Añade voz, ambiente o música después de que las referencias visuales funcionen juntas.

No cambies en la misma prueba la fuente de movimiento, cámara, audio, estructura del prompt y ajustes de generación. Un resultado satisfactorio vale más cuando su causa es comprensible.

Paso 6: crea planos de vídeo independientes

Crea clips separados para distintas funciones de producción:

• Plano de identidad: encuadre cercano o medio con expresión sutil.
• Plano de pose: una transición corporal o postural controlada.
• Plano de movimiento amplio: un movimiento mayor respaldado por una referencia más abierta.
• Plano de interacción: un clip probado por separado con contacto adicional u otro sujeto.

Genera cada clip desde el conjunto aprobado en vez de usar el resultado anterior como única fuente del siguiente. Esto reduce la deriva acumulada de identidad.

Si los modelos locales, la asignación de referencias y el mantenimiento de ComfyUI ofrecen más control del necesario, usa la imagen aprobada con el Generador de imagen a vídeo de AINSFW.AI. Es la ruta más simple cuando se parte de una imagen y no se necesitan varias referencias de vídeo o audio.

Preguntas frecuentes sobre MiniMax H3 Ref2VA