13สอนใช้งาน · ระดับปานกลาง
MiniMax H3 สร้างภาพนิ่งใน ComfyUI: workflow character sheet
ชื่อคลิปต้นฉบับ: I Tested MiniMax H3 for Static Images Results are Shocking
คลิปนี้สอนดัดแปลงโมเดลวิดีโอ MiniMax H3 ให้สร้างภาพนิ่งใน ComfyUI แล้วใช้ทำ character sheet ที่คงเอกลักษณ์ตัวละครจากภาพต้นแบบ เหมาะกับผู้ใช้ ComfyUI ที่มี workflow ของ MiniMax H3 อยู่แล้วและอยากได้ภาพอ้างอิงตัวละครไว้ใช้ต่อในงานวิดีโอ
สรุปสั้น
- MiniMax H3 เป็นโมเดลวิดีโอ จึงต้องใช้ Fizgig nodes (H3 still latent และ H3 still decode) เพื่อให้ได้ภาพเฟรมเดียวที่ไม่มี artifact เป็นแถบ
- ภาพต้นแบบถูกย่อเหลือ 1 megapixel ก่อนเข้า workflow เพื่อเลี่ยงปัญหา VRAM
- โมเดลรุ่นเร็วทำงานที่ 8 steps แต่การเพิ่มเป็น 16 หรือ 25 steps ช่วยลด artifact เช่นแขนหายหรือท่าซ้ำ
- เวลาสร้างภาพในคลิปอยู่ที่ราว 3 นาทีต่อภาพเมื่อใช้ 8 steps
- Fizgig nodes รองรับภาพได้ถึง 8 MP ตามข้อมูลบนหน้า GitHub ที่คลิปเปิดให้ดู
เนื้อหาในคลิป
ทำไมโมเดลวิดีโอต้องมี node พิเศษเพื่อสร้างภาพนิ่ง
MiniMax H3 เป็นโมเดลสร้างวิดีโอ การขอภาพเดียวจึงเท่ากับขอวิดีโอหนึ่งเฟรม ซึ่ง workflow ปกติใน ComfyUI ทำได้ไม่ดี ผู้ทำคลิปอธิบายตามหน้า GitHub ของ Fizgig nodes ว่า H3 แบบมาตรฐานต้องมีอย่างน้อย 5 เฟรมจึงจะได้ภาพนิ่งที่ไม่ขยับ และถ้า decode เฟรมเดียวด้วย VAE ปกติจะได้ภาพที่มี artifact เป็นแถบ
ทางแก้คือชุด node ชื่อ ComfyUI-Fizgig-H3-Still ซึ่งมี node สร้าง latent สำหรับภาพนิ่ง (H3 still latent) และ node สำหรับ decode ภาพ (H3 still decode) มาแทนขั้นตอนเดิม คลิปเปิดภาพเปรียบเทียบให้ดูว่าแม้ใช้ prompt และความละเอียดเดียวกัน การ decode แบบเดิมให้ผลเสียชัดเจน ส่วน node ชุดนี้ให้ภาพที่ใช้ได้ รองรับความละเอียดได้ถึง 8 MP และไม่ต้องดาวน์โหลด VAE เพิ่มเพื่อแก้ปัญหานี้
การติดตั้งและโมเดลที่ใช้
การติดตั้ง Fizgig nodes ทำโดยคัดลอก URL ของ repo เข้าไปที่โฟลเดอร์ custom_nodes ใน ComfyUI เปิด cmd แล้วสั่ง git clone จากนั้น restart ComfyUI
ฝั่งโมเดล ผู้ทำคลิปใช้ MiniMax H3 รุ่นเร็วที่ทำงานที่ 8 steps ซึ่งเคยแนะนำไว้ในคลิปเรื่องการปรับแต่งประสิทธิภาพ ใช้ video VAE แบบ INT8 ConvRot และโหลด text encoder Qwen 3 VL ในรูปแบบ GGUF ไม่มีการต่อ audio VAE เพราะงานนี้ไม่ต้องการเสียง นอกจากนี้ยังแนะนำให้ติดตั้ง node ปรับแต่งประสิทธิภาพ เช่น การตั้ง attention backend และ node ลด VRAM peak เพื่อให้สร้างภาพได้เร็วขึ้น
ตั้งค่า workflow และ prompt สำหรับ character sheet
ภาพต้นแบบถูกต่อเข้า node ปรับขนาดตามจำนวน pixel รวม เพื่อย่อให้เหลือ 1 megapixel และเลี่ยงปัญหา VRAM ถ้ามีภาพหลายภาพก็ใช้ node โหลดแบบ batch แล้ววาง path ของโฟลเดอร์ภาพแทนได้
prompt มีโครงสร้างเฉพาะ เริ่มจากกำหนดตัวละครจากภาพที่ 1 ตามด้วยสรุปว่าผลลัพธ์เป็นภาพนิ่งที่คง art style ของภาพต้นแบบ ส่วนบรรยายตัวละครซึ่งต้องแก้ให้ตรงกับเพศของตัวละคร และรายละเอียดว่าตัวละครถูกมองจากหลายมุม แต่ละส่วนแยกกันไม่ซ้อนทับ ปิดท้ายด้วยการสั่งไม่ให้มีเสียงหรือดนตรีประกอบ
ผู้ทำคลิปกำหนดความละเอียดเองแทนการใช้ node เลือกความละเอียด เพราะพบว่าค่าที่ตั้งไว้ให้ผลดีที่สุดในแง่การคงใบหน้าและรายละเอียดของตัวละคร ส่วน steps เริ่มที่ 8 ตามที่โมเดลรุ่นนี้ทำงานได้ดี แต่เพิ่มเป็น 16 หรือ 25 ได้ถ้าต้องการผลที่ดีขึ้น
ผลลัพธ์และข้อจำกัด
ผลที่ได้คือ character sheet ที่ตัวละครคงเส้นคงวาและรายละเอียดถ่ายทอดมาครบในกรณีส่วนใหญ่ แต่บางครั้งโมเดลวาดท่าซ้ำกัน และมีตัวอย่างที่แขนของตัวละครหายไป ผู้ทำคลิปแนะนำให้เพิ่ม steps เป็น 16 หรือ 25 เมื่อเจอ artifact แบบนี้ ด้านเวลา ที่ 8 steps ใช้ราว 3 นาทีต่อภาพ และราว 6 นาทีเมื่อใช้ steps มากขึ้น
ข้อสรุปของผู้ทำคลิป
ผู้ทำคลิปมองว่า MiniMax H3 ใช้สร้าง character sheet ได้ในระดับที่ยอมรับได้และคงตัวละครได้ดี แม้ยังมีท่าซ้ำหรือ artifact เป็นบางครั้ง ซึ่งแก้ได้ด้วยการเพิ่ม steps
คำถามที่พบบ่อย
ทำไม decode ภาพเฟรมเดียวจาก MiniMax H3 ด้วย VAE ปกติแล้วภาพเสีย
เพราะ H3 เป็นโมเดลวิดีโอที่ปกติต้องมีอย่างน้อย 5 เฟรมจึงจะได้ภาพนิ่ง การ decode เฟรมเดียวแบบปกติทำให้เกิด artifact เป็นแถบ คลิปแก้ด้วย node H3 still latent และ H3 still decode จาก Fizgig nodes
ติดตั้ง Fizgig nodes ใน ComfyUI อย่างไร
คัดลอก URL ของ repo จาก GitHub เข้าไปที่โฟลเดอร์ custom_nodes ของ ComfyUI เปิด cmd แล้วสั่ง git clone ตามด้วย URL จากนั้น restart ComfyUI
workflow นี้ต้องใช้ audio VAE หรือไม่
ไม่ต้อง ผู้ทำคลิปไม่ได้ต่อ audio VAE เพราะผลลัพธ์เป็นภาพนิ่ง และใน prompt ยังสั่งไม่ให้มีเสียงหรือดนตรีด้วย
prompt สำหรับทำ character sheet ด้วย MiniMax H3 ต้องมีอะไรบ้าง
ต้องระบุว่าสร้างตัวละครจากภาพที่ 1 ผลลัพธ์เป็นภาพนิ่งที่คง art style เดิม บรรยายตัวละครให้ตรงกับภาพต้นแบบ และบอกว่าต้องเห็นตัวละครจากหลายมุมโดยไม่ซ้อนทับกัน
