夜雨聆风
最近一直在折腾 MiniMax H3 的音画生成，模型本身确实强，但有个事一直卡着——上了 Turbo LoRA 想四步出片，画面没问题，音频直接变成白噪声。
翻了一圈发现这不是个例。H3 的视频流和音频流用的 shift 不一样，视频走 12，音频走 3。原生采样器在二十步左右还能糊弄过去，一到四步，最后一跳直接把音频更新量放大到正常值的约 2.5 倍。
画面好好的，声音废了。
后来在 GitHub 上看到一个叫 comfyui-minimax-h3-audio-T8 的项目，作者是 T8mars。干的事情很直接——给 ComfyUI 原生的 MiniMax H3 写了一套独立节点，专门解决音画联合生成里那些「原生实现没顾上」的坑。
装上试了试，四步出片，音频干净。今天聊聊它到底做了什么
实测4090D48GB显卡15秒800X1056视频耗时279秒
上面视频制作所用的4步Lora和工作流留言区已躺好，免费领用哦！
提示词书写教程：9个AI视频技能一键装好，MiniMax H3小白上手指南
01
四步加速，音频为什么会炸
先说清楚问题出在哪。
MiniMax H3 是个联合音画 Transformer，一次前向同时生成视频和音频。但两套流用的调度参数不一样，视频走 shift 12，音频走 shift 3。
ComfyUI 原生的 DiT 实现为了兼容普通采样器，做了个数值近似：把音频速度乘上 d(sigma_audio)/d(sigma_video)，然后标准 Euler 再统一乘视频步长。
二十步的时候，这个近似还凑合能用。
但 Turbo LoRA 的设计点就是四步。四步的时候，最后一跳会把音频的更新量放大到应有值的约 2.5 倍。
结果就是画面正常生成，音频接近白噪声。这不是 LoRA 的问题，是采样器没给音频单独算账。
20 步（原生可用）视频更新 ▮▮▮▮▮▮音频更新 ▮▮▮▮▮▮两条流步长接近，近似误差小4 步（Turbo 加速）视频更新 ▮▮▮▮▮▮音频更新 ▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮最后一跳放大 2.5 倍，爆白噪声
视频和音频的更新量在四步时严重失配
02
Dual-Clock Sampler：给音频单独开一个时钟
T8 的解法叫双时钟采样器（Dual-Clock Sampler）。
思路很清晰：每一步还是只做一次联合 AV 模型前向，不拆开模型。但更新 latent 的时候，视频和音频各走各的时钟。
视频那边，照常 delta_video × velocity_video。
音频那边，先把模型返回值里的 schedule slope 除掉，再乘 delta_audio。
mask=0 的锁定区域保留 ComfyUI 原有的 inpaint 时钟，完整生成区域用音频时钟。
让音频走自己的时间线，不再被视频的步长拖着走。
Dual-Clock Sampler 核心思路
03
四步工作流怎么搭
作者给了明确的推荐连接方式，四步就能跑：
① 模型加载链路
Diffusion Model Loader → LoraLoaderBypassModelOnly → Dual-Clock Sampler.model⚠ INT8/量化模型不要改用普通 LoRA 合并链
② AV Latent 分流
Empty H3 AV Latent 的同一个 av_latent 同时接到：→ Dual-Clock Sampler.av_latent→ SamplerCustomAdvanced.latent_image
③ 采样器接线
Dual-Clock 的 model → BasicGuider.modelsampler / sigmas → SamplerCustomAdvanced 同名输入
④ 参数设置
steps=4，shift_video=12，shift_audio=3LoRA 强度使用作者建议值
这个节点直接代替了原来需要串联的 Sigma Shift、KSamplerSelect 和 scheduler 三个节点。不用再叠 Sigma Shift，也不用把 beta/simple/normal scheduler 接上去。SamplerCustomAdvanced、RandomNoise 和 BasicGuider 照常用。
可导入的 API 示例见 examples/dual_clock_4step_api.json
04
不止四步：14 个节点全览
四步双时钟是稳定版的核心，但这个插件还有不少东西。一共 14 个节点，分三个菜单：
T8/MiniMax H3/Audio稳定
| 四步 Turbo 核心 |
T8/MiniMax H3/Audio/Experimental实验
T8/MiniMax H3/Still/Experimental实验
05
四种音频模式，各管一摊
插件还定义了四种音频模式，覆盖不同的使用场景：
有个设计细节值得说一下：drive_audio 和 final_audio 是分开的——驱动轨给模型用，最终输出轨是干净的。
这意味着你可以拿人声分离出来的 vocal stem 去驱动模型，同时把原混音送到最终输出。插件不会假装内置了一个没验证过的分离模型，这种克制反而让人放心。
06
实验功能：音频多步与图片编辑
多速率采样器（Multi-Rate Sampler）是实验性节点。视频保持四个宏步，音频在每个宏步内部安排更多微步。比如 4/8 就是每个视频区间 2 个音频微步，4/10 则均衡分配为 2、3、2、3。
代价是计算量——H3 是联合 Transformer，没法只算音频分支。4/8 大约是稳定 4/4 的两倍算力，4/10 是 2.5 倍。
建议先用相同 seed 做 4/4 和 4/8 对照，音频还不够再试 4/10。更多步不保证更好，因为 Turbo LoRA 的训练设计点就是四步。
Ref2VA 静态图像编辑是另一个实验方向。用 H3 的 Ref2VA 条件生成静态候选帧，支持单张主图加最多 8 张附加参考图。三种目标模式：direct_1_frame 成本最低但偏离训练帧数，micro_video_5_frames 生成最短 5 帧再选帧，trained_124_frames 按训练下限生成做质量基准。
实测参考：pruned Ref2VA INT8 在 512×512、20 步、direct_1_frame 下成功保留手袋主体并把黑色皮革改成深红色；相同任务在 128×128 下结构崩坏。自定义画布短边不要低于 512。
07
安装与兼容
安装很简单——把项目目录丢进 ComfyUI 的 custom_nodes/minimax-h3-audio-T8，重启就行。没有额外 pip 依赖，复用 ComfyUI 自带的 PyTorch、torchaudio 和 MiniMax H3 实现。
验证基线是 ComfyUI 0.30.0、Python 3.10+。模型、VAE、CLIP 和 LoRA 还是要自己装。
H3 边界速查固定 24fps，帧数向上对齐到 17n+5训练区间约 124–362 帧，区间外 Preflight 会警告画布像素面积 ≤ 768×1344，宽高为 32 的倍数引用上限：9 张 Picture、3 个 Video、3 个独立 Audio当前只支持 batch size 1
08
写在最后
用了一段时间，最直接的感受是——这个插件做的事情不花哨，但每一步都踩在痛点上。
MiniMax H3 的音画联合生成是个好底子，但原生 ComfyUI 实现里那些「能用但不精确」的数值近似，在四步加速的场景下全暴露了。T8 没有绕开这些问题，而是正面把它们一个一个修掉。
音频时钟分离、媒体编号校验、短场景时间轴对齐、latent 契约检查——每一项都不是什么惊天动地的新功能，但缺了哪一项，你的工作流就卡在哪一步。
开源社区做插件，很多时候不是在做新功能，是在给基础模型的工程化填坑。
这些坑官方不一定顾得上，但对真正在用的人来说，每一个都卡在关键路径上。四步出片还保住音质，这件事本身不大。但它说明一件事——当模型能力到位之后，决定能不能真正用起来的，往往是这些藏在采样器细节里的工程问题。
项目地址放在 GitHub 上，搜 comfyui-minimax-h3-audio-T8 就能找到。如果你也在折腾 H3 的音画生成，值得一试。
手把手教你写 MiniMax-H3 提示词：从小白到出片高手，附赠一个系统提示词，让 AI 帮你写