Aus einem Storyboard,
Erstellen Sie eine Animation.

Für 3D-animierte Kurzfilme: Ollama schreibt Drehbuch und Storyboard, Qwen-Image-2.1 erzeugt Figurreferenzen und Startbilder, MiniMax H3 macht daraus kurze Clips mit Ton. Der Schnitt erfolgt lokal. Beginne mit sechs Shots und etwa 30 Sekunden Gesamtlänge.

Nutze die folgende Ordnerstruktur. Bewahre die freigegebene Figurreferenz als Master auf und speichere je Shot Prompt, seed, Workflow und Ausgabe. Erzeuge später nur problematische Shots neu.

My3DShort/
  00_story/          剧本、分镜、角色设定
  01_character/      阿木定妆主图
  02_first_frames/   shot01.png ... shot06.png
  03_video/          shot01.mp4 ... shot06.mp4
  04_edit/           剪辑工程、字幕、最终成片
  workflows/        当前使用的JSON

Der Workflow wird direkt von dieser Website heruntergeladen

Speichern Sie den JSON und ziehen Sie ihn in die ComfyUI-Leinwand oder verwenden Sie „Öffnen“ im Menü. Bei diesen Dateien handelt es sich um UI-Workflows.Kein API-Anfrage-JSON. Der Bildknoten muss seine eigene Datei erneut hochladen; Der Name der Beispieldatei kann nicht beibehalten und direkt auf „Ausführen“ geklickt werden.

30-sekündiges Produktionsblatt: „Late Package“

Der gesamte Film besteht aus sechs Aufnahmen, und jede Aufnahme dauert 5 Sekunden. Lassen Sie das Publikum zunächst verstehen: „Kann nicht aufholen“, verraten Sie dann: „Jemand hat gewartet“ und machen Sie es schließlich mit einem Geschenk rückgängig. Die untergehende Sonne schien von der linken Seite des Bildes herein, die Bank auf der rechten Seite und das rote Band und die Kleidung des Charakters wurden korrigiert. Die Sichtlinie und die Propellerposition bleiben beim Umschalten der Kamera erhalten.

Erstelle auch für die Großmutter eine feste Figurreferenz: kurzes graues Haar, beige Strickjacke, langer dunkelgrüner Rock und weiche, abgerundete 3D-Materialien. Verbinde bei Startbildern mit zwei Figuren ihre Referenz im Bearbeitungsworkflow mit image_3, und im Eingabeaufforderungswort angegeben <image3> Halte nur Oma zurück. Aufnahme 6 erstellt direkt das erste Bild von „Schal herausgenommen“, um den Auspackvorgang abzuschließen.

Erweitert auf Shot-by-Shot-Produktionsdateien mit lokalem Qwen3

Die folgenden Produktionsanweisungen schränken gleichzeitig die Handlung, die Charaktere, die Bezugsbeziehung zum ersten Bild sowie die H3-Audio- und -Videofelder ein. Speichern Sie nach der Generierung die sechs Spiegelaufforderungswörter nacheinander und überprüfen Sie die Aufnahmeachse und die Paketposition gemäß der obigen Tabelle.

Du führst Regie bei einem lokal produzierten 3D-Animationskurzfilm. Erstelle einen ausführbaren Produktionsplan für den 30-sekündigen Originalfilm Das verspätete Paket.
Feste Elemente: Amu, kurzes kastanienbraunes Haar, braune Augen, orange Regenjacke mit heruntergelassener Kapuze, dunkelblaue Umhängetasche und dunkle Stiefel; Packpapierpaket mit rotem Band; Kleinstadtbahnsteig im warmen Abendlicht von links, Bank rechts.
Sechs Shots mit je 5 Sekunden: Amu steht niedergeschlagen auf dem Bahnsteig→der Wind hebt das rote Paketband→sein Blick folgt dem Band zur rechten Bank→dort wartet eine Großmutter→Amu übergibt das Paket→sie holt einen kleinen Schal für Amu heraus und enthüllt die Wendung.
Erstelle zuerst Figuren- und Szenenlisten, dann eine Tabelle mit sechs Shots: Nummer,5 Sekunden Dauer, Einstellungsgröße, Startbildkomposition, genau eine Hauptaktion, Kameraposition und leichte Bewegung, Requisiten- und Blickanschlüsse, Umgebungsgeräusche, optionaler kurzer Dialog und Prüfkriterien.
Gib für jeden Shot einen englischen Layout-Prompt, einen Qwen-Prompt zur Startbildbearbeitung und einen H3-Videoprompt aus. Referenzbild 1 ist das 1344 × 768-Layout dieses Shots; Referenzbild 2 ist die Figurreferenz. Füge bei mehreren Figuren dieselbe Referenz der Großmutter hinzu.
Nutze I 2 VA mit einem Startbild. Die erste Zeile muss auf Englisch bleiben und exakt lauten: “For the target video, at 0.00 seconds into the target video, <Picture 1> (aus [Aufnahme 1]) ist vollständig referenziert.“; Verwenden Sie nach einer Leerzeile nur die drei Felder integrated_multimodal_description, overall_soundscape und non_diegetic_music. Jede unabhängige Datei beginnt mit [Aufnahme 1], verankert das erste Bild und schreibt dann Aktionen, Kamerabewegungen und Ergebnisse; Für jede Aufnahme ist nur eine Motivaktion vorgesehen. Das Musikfeld ist standardmäßig N/A.
Der Dialog verwendet (S1) Amu und (S2) Grandma, die Klangfarbenbeschreibung befindet sich außerhalb des Etiketts und die Zeilen befinden sich innerhalb<d>[Chinese]台词。</d>, mit höchstens 12 chinesischen Schriftzeichen je Dialogzeile. Lasse die Dialogsätze in der reinen Umgebungsgeräusch-Version weg.
Halte Figuren, Kleidung, Lichtpositionen, Blickrichtungen und die Paketübergabe konsistent. Gib nur die Produktionsinhalte aus.

Unten einheitlich verwenden D:\AI. Wenn kein Laufwerk D vorhanden ist, kopieren Sie den gesamten Artikel D:\AI Ändern Sie es in ein Verzeichnis mit ausreichend Speicherplatz. Aktualisieren Sie zuerst den NVIDIA-Treiber und führen Sie ihn dann einzeln in PowerShell aus. Wenn das Installationsprogramm angezeigt wird, folgen Sie der Benutzeroberfläche, um die Installation abzuschließen.

New-Item -ItemType Directory -Path 'D:\AI' -Force | Out-Null
Set-Location 'D:\AI'
curl.exe -L --fail --retry 3 -o OllamaSetup.exe https://ollama.com/download/OllamaSetup.exe
.\OllamaSetup.exe
curl.exe -L --fail --retry 3 -o ComfyUI_windows_portable_nvidia.7z https://github.com/Comfy-Org/ComfyUI/releases/download/v0.43.0/ComfyUI_windows_portable_nvidia.7z

1. Vollständige Dekompression

   Entpacken Sie es mit 7-Zip und bestätigen Sie, dass es existiert. D:\AI\ComfyUI_windows_portable\ComfyUI\main.py und python_embeded\python.exe. Führen Sie es nicht in einem komprimierten Paket aus.

2. Erster Start

   Doppelklick run_nvidia_gpu.bat. Terminal erscheint http://127.0.0.1:8188 Öffnen Sie abschließend diese lokale Adresse im Browser und lassen Sie das Terminal geöffnet.

3. Betriebsmittel prüfen

   Das Startprotokoll sollte NVIDIA RTX 4090 / CUDA identifizieren; Wenn nur eine CPU vorhanden ist, lösen Sie zuerst das Problem mit dem Treiber oder der Paketarchitektur. Laden Sie keine AMD-, ARM- oder alten CUDA-Kompatibilitätspakete herunter.

Das Standard-Portable enthält bereits Python und eine passende Laufzeit; Für diesen Artikel ist es nicht erforderlich, das gesamte CUDA Toolkit zu installieren. Verwenden Sie zunächst den folgenden Befehl, um die Cloud-Funktion von Ollama zu deaktivieren, verlassen Sie dann die Taskleiste und öffnen Sie Ollama erneut:

[Environment]::SetEnvironmentVariable('OLLAMA_NO_CLOUD','1','User')

Tippen Sie nicht nur qwen3 oder latest: Sie entsprechen nicht dem 30.5B-Modell in diesem Artikel. Öffnen Sie eine neue PowerShell und führen Sie Folgendes aus:

ollama pull qwen3:30b-a3b-instruct-2507-q4_K_M
ollama run qwen3:30b-a3b-instruct-2507-q4_K_M

Geben Sie zuerst ein, nachdem Sie an der Konversation teilgenommen haben /set parameter num_ctx 8192, und kopieren Sie dann die folgenden Produktionsaufforderungswörter. Dieses Instruct-Tag befindet sich im Nicht-Denkmodus.

Du führst Regie bei einem lokal produzierten 3D-Animationskurzfilm. Erstelle einen ausführbaren Produktionsplan für den 30-sekündigen Originalfilm Das verspätete Paket.
Feste Elemente: Amu, kurzes kastanienbraunes Haar, braune Augen, orange Regenjacke mit heruntergelassener Kapuze, dunkelblaue Umhängetasche und dunkle Stiefel; Packpapierpaket mit rotem Band; Kleinstadtbahnsteig im warmen Abendlicht von links, Bank rechts.
Sechs Shots mit je 5 Sekunden: Amu steht niedergeschlagen auf dem Bahnsteig→der Wind hebt das rote Paketband→sein Blick folgt dem Band zur rechten Bank→dort wartet eine Großmutter→Amu übergibt das Paket→sie holt einen kleinen Schal für Amu heraus und enthüllt die Wendung.
Erstelle zuerst Figuren- und Szenenlisten, dann eine Tabelle mit sechs Shots: Nummer,5 Sekunden Dauer, Einstellungsgröße, Startbildkomposition, genau eine Hauptaktion, Kameraposition und leichte Bewegung, Requisiten- und Blickanschlüsse, Umgebungsgeräusche, optionaler kurzer Dialog und Prüfkriterien.
Gib für jeden Shot einen englischen Layout-Prompt, einen Qwen-Prompt zur Startbildbearbeitung und einen H3-Videoprompt aus. Referenzbild 1 ist das 1344 × 768-Layout dieses Shots; Referenzbild 2 ist die Figurreferenz. Füge bei mehreren Figuren dieselbe Referenz der Großmutter hinzu.
Nutze I 2 VA mit einem Startbild. Die erste Zeile muss auf Englisch bleiben und exakt lauten: “For the target video, at 0.00 seconds into the target video, <Picture 1> (aus [Aufnahme 1]) ist vollständig referenziert.“; Verwenden Sie nach einer Leerzeile nur die drei Felder integrated_multimodal_description, overall_soundscape und non_diegetic_music. Jede unabhängige Datei beginnt mit [Aufnahme 1], verankert das erste Bild und schreibt dann Aktionen, Kamerabewegungen und Ergebnisse; Für jede Aufnahme ist nur eine Motivaktion vorgesehen. Das Musikfeld ist standardmäßig N/A.
Der Dialog verwendet (S1) Amu und (S2) Grandma, die Klangfarbenbeschreibung befindet sich außerhalb des Etiketts und die Zeilen befinden sich innerhalb<d>[Chinese]台词。</d>, mit höchstens 12 chinesischen Schriftzeichen je Dialogzeile. Lasse die Dialogsätze in der reinen Umgebungsgeräusch-Version weg.
Halte Figuren, Kleidung, Lichtpositionen, Blickrichtungen und die Paketübergabe konsistent. Gib nur die Produktionsinhalte aus.

Lokale API kann direkt aufgerufen werden

Lassen Sie Ollama laufen und die folgenden Anfragen werden nur an diesen Computer gesendet 127.0.0.1:11434。keep_alive=0 Lassen Sie das Modell nach dieser Antwort entladen, um Platz für die Bildbühne zu schaffen.

$storyRequest = @{
  model = 'qwen3:30b-a3b-instruct-2507-q4_K_M'
  messages = @(@{role='user'; content='为原创3D动画短剧写6个镜头。角色是橙色雨衣、短栗色头发、深蓝斜挎包的阿木；每镜只安排一个主要动作，列出首帧、运镜和环境声。'})
  stream = $false
  keep_alive = 0
  options = @{num_ctx=8192; temperature=0.7}
} | ConvertTo-Json -Depth 8
$storyResult = Invoke-RestMethod -Uri 'http://127.0.0.1:11434/api/chat' -Method Post -ContentType 'application/json; charset=utf-8' -Body ([Text.Encoding]::UTF8.GetBytes($storyRequest))
$storyResult.message.content

Interaktive Dialog-Endeingabe /bye. Stellen Sie vor dem Zeichnen sicher, dass das Textmodell nicht mehr vorhanden ist:

ollama stop qwen3:30b-a3b-instruct-2507-q4_K_M
ollama ps

Drei Dateien ca. 16.10GiB. Führen Sie den gesamten Absatz unten in PowerShell aus und speichern Sie ihn im richtigen Modellkategorieverzeichnis in Portable. Bei wiederholter Ausführung wird die Datei mit demselben Namen erneut heruntergeladen. Wenn der Download fehlschlägt, wird der Fehler zuerst verarbeitet und die Dateierweiterung wird nicht geändert.

$comfyRoot = 'D:\AI\ComfyUI_windows_portable\ComfyUI'
$modelRepo = 'Comfy-Org/Qwen-Image-2.1'
$modelFiles = @(
  'diffusion_models/qwen_image_2.1_int8_convrot.safetensors'
  'text_encoders/qwen3vl_8b_int8_convrot.safetensors'
  'vae/qwen_image_2.1_vae_bf16.safetensors'
)
foreach ($modelFile in $modelFiles) {
  $destination = Join-Path (Join-Path $comfyRoot 'models') $modelFile
  New-Item -ItemType Directory -Path (Split-Path $destination) -Force | Out-Null
  curl.exe -L --fail --retry 3 --output $destination "https://huggingface.co/$modelRepo/resolve/main/$modelFile"
  if ($LASTEXITCODE -ne 0) { throw "下载失败，请先处理：$modelFile" }
}

Starte nach dem Download ComfyUI neu und importiere den Windows-Workflow für die Figurreferenz. Prüfe, dass Generator, Encoder und VAE auf die gerade geladenen Dateien verweisen; refine_prompt Schließen, der Prompt Word Enhancer PE ist kein erforderliches Modell.

Die positiven Stichworte werden unten kopiert. Wenn CFG=1, erzeugen negative Stichworte keine CFG-Anleitung; Priorität wird darauf gelegt, Identität, Zusammensetzung und Material klar zu formulieren.

Original stylized cinematic 3D animation character, Amu, a young courier boy with short chestnut hair, warm brown eyes, rounded expressive face, orange raincoat with hood down, navy crossbody satchel, dark boots. Full-body three-quarter character portrait, both hands visible, neutral warm-grey studio background, clear silhouette, soft cinematic key light, subtle subsurface skin, tactile woven fabric, physically plausible materials, restrained filmic color. One character, clean studio composition.

Das Startbild bestimmt Figur und Komposition. Kombiniere ein Layout im gleichen Bildformat mit der Figurreferenz: erst den Shot aufbauen, dann die richtige Identität übernehmen.

1. Generieren Sie das Spiegellayout

   Öffne den Text-zu-Bild-Workflow für die Charakterreferenz und ändere Resolution Selector auf 16:9、0.98MP、multiple=32, bestätigen Sie die Ausgabe 1344×768. Ersetzen Sie es durch das untenstehende Layout-Eingabewort und speichern Sie es unter shot01-layout.png. Das Layout ist für Szenen, Orte, Gesten und Requisiten verantwortlich.

2. Referenzkarte aufrufen

   Importieren Sie „First Frame Edit“.image_1 Laden Sie das neu generierte 1344×768-Layout hoch;image_2 Laden Sie die akzeptierte Datei hoch amu-character.png. Letzteres schränkt insbesondere Gesichter, Kleidung und Materialien ein. Verbinden Sie die entsprechenden Schnittstellen von den beiden Load Image-Knoten auf der Leinwand.

3. Behalten Sie den Layoutrahmen bei

   behalten resolution=0、custom_size=false, 40 Schritte, CFG=1, Euler / einfach,refine_prompt=false, verwenden Sie den Bearbeitungstipp unten. 25 Schritte zur Kompositionsvorschau. Die Ausgabegröße entspricht 1344×768 von image_1.

4. Einzellinsenübernahme und Archivierung

   Nacheinander speichern shot01.png zu shot06.png. Vergleiche Gesichtsform, Haarfarbe, Kleidung, Taschenriemen und Stiefel mit der Figurreferenz. Prüfe vergrößert Finger, Requisitenkontakt und Bodenschatten, danach Blickrichtungen, Paket und Licht. Behalte bei Änderungen an der Shot-Komposition die Identitätsvorgaben der Referenzfigur bei.

Stylized cinematic 3D animation opening frame, quiet small-town train platform at golden hour. A young courier boy with short chestnut hair, orange raincoat with hood down, navy crossbody satchel and dark boots stands on the left third, holding a small kraft-paper parcel with a red ribbon at chest height, looking toward the right. Medium-wide eye-level composition, warm sunlight from screen left, wooden bench in the background to the right, coherent tactile materials, clear hand and parcel silhouettes. Clean composition with open space on the right.

Use <image1> as the exact composition, camera, canvas and station layout. Use <image2> as the identity and outfit reference for Amu. Replace only the boy in <image1> with this same Amu: exact face, short chestnut hair, orange raincoat with hood down, navy crossbody satchel and dark boots from <image2>. Keep the parcel with its red ribbon, hand positions, gaze direction, warm light from screen left and the bench on screen right. Match the stylized 3D materials from <image2>. Preserve the width and height of <image1>.

Das Verifizierungsvideo verwendet außerdem eine Kopie des ersten Frames mit derselben Breite und Höhe. Für eine Überprüfung mit niedriger Auflösung skalieren Sie es proportional und zentrieren Sie die Kanten auf 864 x 480; Verwenden Sie das 1344×768-Hauptbild direkt für die Qualitätsdatei. Speichern Sie PNG, Prompt Word, Seed und JSON nach jeder Aufnahme. Starten Sie ComfyUI neu, bevor Sie Videos erstellen, um das Bildmodell freizugeben.

Fünfteiliges Windows-Paket 39.14GiB. Sowohl Video-VAE als auch Audio-VAE sind erforderlich; 8-stufiges LoRA wird gemeinsam vorbereitet, um die Überprüfung des Vorlagenmodells und den anschließenden Vergleich zu erleichtern, aber dieser Artikel zuerst Schalten Sie Turbo aus。

$comfyRoot = 'D:\AI\ComfyUI_windows_portable\ComfyUI'
$modelRepo = 'Comfy-Org/MiniMax-H3'
$modelFiles = @(
  'diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors'
  'text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors'
  'vae/minimax_h3_video_vae_int8_convrot.safetensors'
  'vae/minimax_h3_audio_vae_fp32.safetensors'
  'loras/minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors'
)
foreach ($modelFile in $modelFiles) {
  $destination = Join-Path (Join-Path $comfyRoot 'models') $modelFile
  New-Item -ItemType Directory -Path (Split-Path $destination) -Force | Out-Null
  curl.exe -L --fail --retry 3 --output $destination "https://huggingface.co/$modelRepo/resolve/main/$modelFile"
  if ($LASTEXITCODE -ne 0) { throw "下载失败，请先处理：$modelFile" }
}

Starte ComfyUI neu und importiere den Windows-Workflow für den Videotest. Lade dein eigenes Startbild in Load Image erneut hoch. Lasse den Bild-zu-Video-Untergraphen mit Save Video verbunden. Wird ein Cloud-API-Schlüssel verlangt, hast du den falschen Knoten gewählt.

Ordnen Sie eine Hauptaktion in einer Aufnahme an und kontrollieren Sie sie zunächst auf etwa 5 Sekunden. Äußere Schicht Resolution Selector Die Verbindungslinie deckt die Breite und Höhe des Unterbilds ab. Eine Änderung nur der Unterbildnummer hat keine Auswirkungen.

Belasse die äußeren Einstellungen bei 0.98MP / multiple=32 für eine Ausgabe mit 1344×768. 1.0MP wählt eine größere ausgerichtete Bildfläche. Bei Turbo=false wird der Base-Zweig mit 20 Schritten ausgeführt; die festen Werte im ungenutzten Turbo-Zweig beeinflussen diesen Sampling-Lauf nicht.

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Stylized cinematic 3D animation, the opening medium-wide composition matches <Picture 1>. Amu keeps the same face, short chestnut hair, orange raincoat, navy satchel and dark boots. He holds the red-ribbon parcel steadily at chest height and looks toward the empty platform on screen right; his shoulders slowly settle in disappointment. The camera pushes in with small amplitude at slow speed. Warm sunlight stays on screen left and the wooden bench remains on screen right. The shot follows one continuous restrained movement.

overall_soundscape: A distant train fades into a soft station hum. A light breeze brushes the coat fabric.

non_diegetic_music: N/A

Aufforderungswörter sind nach „erster Rahmen → Aktion → Ton“ organisiert.

Die erste Zeile oben ist bei 0 Sekunden im ersten Frame verankert.integrated_multimodal_description Schreiben Sie Charakterbewegungen, Kamerapositionen und Dialoge.overall_soundscape Schreiben Sie Umgebungsgeräusche und Aktionsgeräusche.non_diegetic_music Beim Schreiben des Soundtracks wird dieser Film zunächst ausgefüllt. N/A. Jedes Mal, wenn ein Schuss generiert wird, beginnt die Schussnummer bei [Shot 1] Starten.

Um den Dialog in der dritten Aufnahme zu führen, wechseln Sie zunächst zum ersten Bild der Aufnahme und verwenden Sie dann das folgende Beispiel. Stimmbeschreibung und (S1) Platzieren Sie es außerhalb des Etiketts und fügen Sie die chinesischen Linien hinein <d>[Chinese]…</d>. Ein kurzer Dialog in einer Einstellung und ein abschließender Ausdruck.

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Stylized cinematic 3D animation, the opening medium-wide composition matches <Picture 1>. Amu keeps the same face, short chestnut hair, orange raincoat, navy satchel and dark boots. He holds the red-ribbon parcel steadily at chest height and lifts his eyes toward the bench on screen right. Amu, a young boy with a clear warm mid-high voice and unhurried Mandarin delivery (S1), says: <d>[Chinese] 还在等我？</d> His expression shifts from disappointment to curiosity. The camera pushes in with small amplitude at slow speed. Warm sunlight stays on screen left and the wooden bench remains on screen right. The shot follows one continuous restrained movement.

overall_soundscape: A distant train fades into a soft station hum. A light breeze brushes the coat fabric.

non_diegetic_music: N/A

Wenn die Klangfarbe über mehrere Aufnahmen hinweg vereinheitlicht werden muss, verwenden Sie die gesamte lokale Synchronisationsspur aus Schritt 15; Der H3-Dialog innerhalb der Aufnahme kann für Lippensynchronisations- und Rhythmus-Demos verwendet werden. Die Zeichen-ID ist für die Sprecherreferenz in den Aufforderungswörtern verantwortlich und die kontinuierliche Synchronspur ist für die endgültige Klangfarbe verantwortlich.

1. Überprüfen Sie es zuerst

   Laden Sie den ersten Frame hoch, der mit dem Frame übereinstimmt, geben Sie das Eingabeaufforderungswort oben ein, klicken Sie auf Ausführen und beobachten Sie den Fortschritt des Terminals. Beim ersten Durchlauf werden nacheinander Encoder, Generator und VAE geladen. Das Terminal sollte kontinuierlich den Phasenfortschritt anzeigen und den Ausführungsstatus in Kombination mit dem Videospeicher und dem Systemspeicher beobachten.

2. Überprüfen Sie die Ausgabe

   Video speichern unter ComfyUI/output/video/. Überprüfen Sie, ob im gesamten Abschnitt schwarze Rahmen, Zeichenabweichungen, Handverformungen und Hintergrundsprünge vorhanden sind und ob die Umgebungsgeräusche normal sind.

3. Qualität noch einmal verbessern

   Importiere nach erfolgreichem Test das Qualitätsprofil, wähle das Startbild erneut und prüfe die Modellauswahl. Bei OOM gehe auf 0.4MP und batch=1 zurück und beende andere GPU-Aufgaben. Starte nicht gleich mit einem 15-Sekunden-Video.

Mac-Routennutzung Apple Silicon + macOS 15 oder neuer, gleichmäßig installiert zu ~/AI. Eine vollständige 768p-Produktion ist mit Chips der Max-Klasse und 128 GB einheitlichem Speicher geplant. Text, Bilder und Videos werden nacheinander ausgeführt und das Modell wird am Ende jeder Phase veröffentlicht. Die Verifizierungsdatei überprüft zunächst die Engine und den Pfad.

Führen Sie zuerst die Installation des Entwicklungstools im Terminal aus, füllen Sie das System-Popup-Fenster aus und fahren Sie dann fort:

xcode-select --install

Überspringen Sie den ersten Schritt, wenn Sie Homebrew installiert haben. Bestätigen Sie die Erstinstallation nach Aufforderung und schließen Sie die vom Installationsprogramm angegebenen PATH-Einstellungen ab. Apple Silicon kann die aktuelle Terminalumgebung normalerweise über die zweite Zeile unten laden:

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
eval "$(/opt/homebrew/bin/brew shellenv)"
brew install python@3.12 ffmpeg ollama
mkdir -p ~/AI
cd ~/AI
git clone --branch v0.43.0 --depth 1 https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install torch torchvision torchaudio
python -m pip install -r requirements.txt
python -c "import torch; print('MPS:', torch.backends.mps.is_available()); print(torch.ones(1, device='mps'))"

MPS sollte True sein und der Tensor sollte angezeigt werden device='mps:0'. Wenn dies fehlschlägt, kümmern Sie sich zunächst um das System, die Python-Architektur und die Abhängigkeiten und verwenden Sie nicht den CUDA-Installationsbefehl. Dann starten Sie:

cd ~/AI/ComfyUI
source .venv/bin/activate
python main.py --cpu-vae

Der Browser wird geöffnet http://127.0.0.1:8188. Die Mac-Bilder in diesem Artikel verwenden den CPU-VAE-kompatiblen Pfad und die Dekodierung ist langsamer. Der Generator kann weiterhin MPS verwenden. Das Terminal bleibt geöffnet.

Wenn bereits eine Ollama-App oder ein Ollama-Dienst ausgeführt wird, richten Sie diese zuerst ein launchctl setenv OLLAMA_NO_CLOUD 1, dann komplett beenden und die App erneut öffnen; Bestätigen Sie dies mithilfe lokaler Registerkarten. Starten Sie nicht wiederholt eine zweite Dienstinstanz. Führen Sie es von einem Terminal aus aus, wenn Sie die CLI zum ersten Mal verwenden:

OLLAMA_NO_CLOUD=1 ollama serve

Lassen Sie das Serviceterminal geöffnet und öffnen Sie ein neues Terminal, um das Modell abzurufen und auszuführen. Geben Sie den Konversationseingang ein /set parameter num_ctx 8192, und kopieren Sie dann die vollständige Storyboard-Eingabeaufforderung in Schritt 4.

ollama pull qwen3:30b-a3b-instruct-2507-q4_K_M
ollama run qwen3:30b-a3b-instruct-2507-q4_K_M

Mac-native API-Anfragen

curl --fail http://127.0.0.1:11434/api/chat   -H 'Content-Type: application/json'   -d '{"model":"qwen3:30b-a3b-instruct-2507-q4_K_M","messages":[{"role":"user","content":"为原创3D动画短剧写6镜分镜。主角阿木穿橙色雨衣、背深蓝斜挎包，每镜仅一个主要动作，保持同一角色。"}],"stream":false,"keep_alive":0,"options":{"num_ctx":8192,"temperature":0.7}}'

Gibt JSON zurück message.content enthält das erzeugte Ergebnis. Speichere es im Projektordner und prüfe vor der Bild- oder Videogenerierung, dass das Modell aus dem Speicher entladen wurde:

ollama stop qwen3:30b-a3b-instruct-2507-q4_K_M
ollama ps

Der Bildgenerator ist etwa 14,23 GB groß, der Encoder etwa 17,53 GB und die VAE etwa 0,68 GB. Die Gesamtgröße beträgt ca 32.44GB Herunterladen; Für die Ausführung ist zusätzlicher Speicher erforderlich. Verwenden Sie eine separate Download-Tool-Umgebung und mischen Sie keine Download-Tools in ComfyUI.

python3.12 -m venv ~/AI/hf-tools
~/AI/hf-tools/bin/python -m pip install --upgrade huggingface_hub
~/AI/hf-tools/bin/hf download Comfy-Org/Qwen-Image-2.1   diffusion_models/qwen_image_2.1_bf16.safetensors   text_encoders/qwen3vl_8b_bf16.safetensors   vae/qwen_image_2.1_vae_bf16.safetensors   --local-dir ~/AI/ComfyUI/models

Starte ComfyUI neu und importiere die Mac-Workflows für Figurreferenz und Startbildbearbeitung. Wähle BF16-Dateien und die eigene VAE-Datei; deaktiviere refine_prompt. Verwende die Windows-Pakete INT8 ConvRot oder H3 NVFP4 nicht im MPS-Ablauf.

Nutze dieselben Prompts für die Charakterreferenz wie in Schritt 5 und 6, mit 40 Schritten, CFG=1 und festem seed für Figur und Startbilder. Für eine schnelle Kompositionsvorschau genügen 25 Schritte. Beende nach der Bildfreigabe Ollama und nutze Ctrl+C Schließen Sie ComfyUI, konfigurieren Sie die H3-Engine und starten Sie sie dann erneut, um Konflikte zwischen dem Bildmodell und dem Videoprozess für den einheitlichen Speicher zu vermeiden.

Für Mac h3.c native C/Metal-Engine, und erhalten Sie dann im nächsten Schritt dasselbe ComfyUI. Dies ist die Community-Route für Fortgeschrittene. FL2VA Originalgewicht ca. 144.05GB / 134.16GiB, im Gegensatz zum Windows-Quantisierungspaket.

cd ~/AI
git clone https://github.com/antirez/h3.c.git
cd h3.c
git checkout 8974cc055ea9c02fcd14cc27dfda3e1027c05153
make -j8
./h3 --help
ffmpeg -version
ffprobe -version

Behalten Sie das vollständige h3.c-Verzeichnis bei, das sich beim Ausführen im selben Verzeichnis befinden muss h3_shaders.metal. Fahren Sie mit dem Herunterladen von hf-tools aus dem vorherigen Schritt fort:

~/AI/hf-tools/bin/hf download MiniMaxAI/MiniMax-H3   --revision 42ed227ee7df40d41602854ae760620d6eb651fe   --include 'FL2VA/*' 'model_index.json'   --local-dir ~/AI/h3.c/MiniMax-H3
cd ~/AI/h3.c
./h3 --info -d ./MiniMax-H3

Die richtige Struktur sollte MiniMax-H3/FL2VA/transformer、text_encoder、tokenizer、processor、video_vae、audio_vae。--info Die bloße Überprüfung des Modellverzeichnisses und des Geräts bedeutet nicht, dass das Video erstellt wurde.

Installieren Sie die feste Version der Wild H3C-Brücke, die die h3-Engine lokal startet und nicht die MiniMax-Cloud-API aufruft.

cd ~/AI/ComfyUI/custom_nodes
git clone https://github.com/skaiy/wild-h3c-comfyui.git
cd wild-h3c-comfyui
git checkout e08057decfe3083a9270b05cac255c0101a7208e
cat > config.json <<'JSON'
{
  "h3_binary": "~/AI/h3.c/h3",
  "model_dir": "~/AI/h3.c/MiniMax-H3"
}
JSON
cd ~/AI/ComfyUI
source .venv/bin/activate
python main.py --cpu-vae --offline

model_dir Zeigt auf das äußere Verzeichnis, das FL2VA enthält. Nachdem Sie config.json geändert haben, starten Sie ComfyUI neu. Importieren Sie die „Mac·Video-Verifizierungsdatei“ dieser Site. Die Verbindung lautet:

Laden Sie das erste Bild hoch, das den Proportionen entspricht, und das Videoaufforderungswort bleibt dasselbe wie in Schritt 8. Wechseln Sie nach erfolgreicher Überprüfung die Qualitätsstufe: 1344 × 768, 5 Sekunden, 50 Schritte.precise=50 Ebenen, reuse=1, sodass jeder Entrauschungslauf vollständig ausgeführt wird. Belasse token_reduction=false und deaktiviere zunächst ssd_streaming. Speichere über Save Video als MP4 / H.264.

Wenn der ComfyUI-Knoten einen Fehler meldet, suchen Sie ihn zunächst separat.

Verwenden Sie den folgenden Befehl im Terminal, um eine lokale Engine-Prüfung durchzuführen. Ersetzen Sie den ersten Frame-Pfad durch Ihren echten PNG-Absolutpfad. Der Befehl kann nicht mit einem Platzhalterpfad ausgeführt werden.

cd ~/AI/h3.c
mkdir -p outputs
cat > shot01-prompt.txt <<'PROMPT'
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

integrated_multimodal_description: [Shot 1] Stylized cinematic 3D animation, the opening medium-wide composition matches <Picture 1>. Amu keeps the same face, short chestnut hair, orange raincoat, navy satchel and dark boots. He holds the red-ribbon parcel steadily at chest height and looks toward the empty platform on screen right; his shoulders slowly settle in disappointment. The camera pushes in with small amplitude at slow speed. Warm sunlight stays on screen left and the wooden bench remains on screen right. The shot follows one continuous restrained movement.

overall_soundscape: A distant train fades into a soft station hum. A light breeze brushes the coat fabric.

non_diegetic_music: N/A
PROMPT
./h3 --profile -d ./MiniMax-H3   --first-frame /absolute/path/shot01.png   -p "$(cat shot01-prompt.txt)"   --width 1344 --height 768 --seconds 5   --steps 50 --layers 50 --reuse 1 --seed 42   -o outputs/shot01.mp4

Wenn die Terminal-Engine generieren und überbrücken kann, aber fehlschlägt, überprüfen Sie config.json, den ersten Frame-Pfad, den ffmpeg-PATH und die Knotenversion. Wenn die Bridge den Befehl nicht finden kann, starten Sie ComfyUI von einem Terminal mit geladener Homebrew-Umgebung.

Laden Sie zunächst alle Modelle, Vorlagen und Abhängigkeiten herunter und führen Sie dann die folgenden Prüfungen durch.Die native API kann antworten, und zwar lokal, ohne dass Bilder und Videos separat nachgewiesen werden müssen.Es werden keine Cloud-Modell-Tags oder Premium-API-Knoten verwendet.

1. Text

   Nachdem Sie die Verbindung zum Netzwerk getrennt haben, posten Sie eine neue Frage mit der genauen Bezeichnung an 127.0.0.1:11434 und bestätigen Sie, dass eine neue Antwort generiert wird. Behalten Sie die OLLAMA_NO_CLOUD-Einstellungen bei und verwenden Sie nicht das Tag -cloud.

2. Bilder

   Starte ComfyUI offline neu, lade den Figurreferenz-Workflow und erzeuge mit neuem seed ein neues Bild. Speichere es und prüfe, dass du nicht nur die alte zwischengespeicherte Vorschau siehst.

3. Video

   Stoppen Sie die Text- und Bildaufgaben, laden Sie den nativen H3-Workflow, generieren Sie mit dem neuen Seed eine kurze Aufnahme, speichern und spielen Sie sie ab und bestätigen Sie, dass eine echte Ausgabe und keine Remote-Anforderungsabhängigkeiten vorliegen.

Offline-Startbefehl nach Abschluss des Downloads

Windows wird im Portable-Stammverzeichnis ausgeführt:

Set-Location 'D:\AI\ComfyUI_windows_portable'
.\python_embeded\python.exe -s ComfyUI\main.py --windows-standalone-build --offline

Mac läuft im Terminal:

cd ~/AI/ComfyUI
source .venv/bin/activate
python main.py --cpu-vae --offline

Sechs qualifizierte Aufnahmen wurden gemäß der Produktionsliste ausgewählt und dann zu einem 30-Sekunden-Film mit 120 Bildern pro Aufnahme und 720 Bildern für den gesamten Film vereint. Endgültige Lieferspezifikationen: 1344×768, 24fps, H.264, 48kHz Stereo AAC.

Lokale automatisierte Bearbeitungskette: vom Filmmaterial bis zur Auslieferung

Verwenden Sie Storyboards, um die Erzählung zu organisieren, und nutzen Sie die Automatisierung, um sich wiederholende Aufgaben zu erledigen: sequentielle Zusammenstellung von sechs Aufnahmen, Überprüfung der Materialdauer, Vereinheitlichung von Bildgröße und Bildrate, Überspielen und Mischen, automatische Unterdrückung von Hintergrundgeräuschen beim Sprechen, Ausblenden von Anfang und Ende der Musik, Konvertierung chinesischer Sprachuntertitel, Kalibrierung der gesamten Filmlautstärke und Überprüfung der Exportspezifikationen. Die gesamte Audio- und Videoverarbeitung sowie die Spracherkennung laufen nativ.

1. Vorbereiten von FFmpeg mit sechs Linsen

Der Mac wurde in Schritt 9 installiert. Windows Terminal nach der PowerShell-Installation erneut öffnen:

winget install --id Gyan.FFmpeg --exact --source winget

Kopieren Sie die Ausgabe der Qualitätsdatei in denselben Ordner und benennen Sie sie shot01.mp4 zu shot06.mp4. Jeder Abschnitt muss mindestens 5 Sekunden lang sein und fortlaufende Bilder und vollständige Tonspuren enthalten. Wählen Sie MP4 / H.264 in ComfyUIs Video speichern und speichern Sie es. Laden Sie das folgende Skript in diesen Ordner herunter.

2. Einheitliche Stimme: Nehmen Sie eine Synchronisation lokal auf

Derselbe Schauspieler nahm die gesamte Zeile in einem ruhigen Raum auf. Verwenden Sie Sound Recorder für Windows und QuickTime Player → Datei → Neue Audioaufnahme für Mac. Richten Sie die sechs Aufnahmen nach der Aufnahme zeitlich in der lokalen Schnittsoftware aus und exportieren Sie exakt 30 Sekunden Stereoton narration.wav, die Stille bewahren, wenn es keine Zeilen gibt. Diese Version der H3-Aufnahme wird auf der Grundlage der Aufforderungsworte des Umgebungsgeräuschs generiert, und der abschließende Dialog wird von der gesamten Synchronisation getragen; Der Eröffnungsdialogspiegel muss die Mundform Schritt für Schritt ausrichten, und der Erzählspiegel hält die Lippen geschlossen.

Wenn Sie Aufnahmen in 48-kHz-WAV konvertieren müssen:

ffmpeg -i voice-recording.m4a -ar 48000 -ac 2 narration.wav

Automatische chinesische Untertitel: Whisper large-v3-turbo · 809M

Mehrsprachiges Spracherkennungsmodell mit 809M-Parametern, 30 Sekunden nach der Ausrichtung narration.wav Mit Zeitleiste in SRT konvertieren. Das Modell ist ca. 1,62 GB groß und läuft nach dem ersten Download offline. Sowohl Windows als auch Mac verwenden eine eigenständige Python 3.12-Umgebung, CPU INT8; getrennt von der GPU-Umgebung von ComfyUI.

Windows: Installieren Sie zuerst Python 3.12, öffnen Sie dann PowerShell erneut, erstellen Sie dann eine dedizierte Umgebung und laden Sie das feste Versionsmodell herunter:

winget install --id Python.Python.3.12 --exact --source winget
py -3.12 -m venv D:\AI\subtitle-tools
& 'D:\AI\subtitle-tools\Scripts\python.exe' -m pip install --upgrade pip
& 'D:\AI\subtitle-tools\Scripts\python.exe' -m pip install 'faster-whisper==1.2.1' 'ctranslate2==4.8.4'
& 'D:\AI\subtitle-tools\Scripts\python.exe' -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='dropbox-dash/faster-whisper-large-v3-turbo', revision='0a363e9161cbc7ed1431c9597a8ceaf0c4f78fcf', local_dir=r'D:\AI\models\whisper-turbo')"

Mac: Mit Python 3.12, das zuvor installiert wurde:

python3.12 -m venv ~/AI/subtitle-tools
~/AI/subtitle-tools/bin/python -m pip install --upgrade pip
~/AI/subtitle-tools/bin/python -m pip install 'faster-whisper==1.2.1' 'ctranslate2==4.8.4'
~/AI/subtitle-tools/bin/python -c "from huggingface_hub import snapshot_download; from pathlib import Path; snapshot_download(repo_id='dropbox-dash/faster-whisper-large-v3-turbo', revision='0a363e9161cbc7ed1431c9597a8ceaf0c4f78fcf', local_dir=str(Path.home()/'AI/models/whisper-turbo'))"

Platzieren Sie das Untertitelskript im Aufnahmeverzeichnis und führen Sie es von diesem Verzeichnis aus aus. Windows:

& 'D:\AI\subtitle-tools\Scripts\python.exe' .\h3-subtitles-v2.py .\narration.wav .\captions.srt --model 'D:\AI\models\whisper-turbo'

Mac：

~/AI/subtitle-tools/bin/python ./h3-subtitles-v2.py ./narration.wav ./captions.srt --model ~/AI/models/whisper-turbo

Das Skript entfernt die tatsächlichen Zeitstempel, Pausen und Satzzeichen auf Wortebene und gibt UTF-8 aus captions.srt mit captions.asr.json. Zeit, Namen, Satzfragmente und erste/letzte Wörter Korrektur zu lesen. Wenn Sie den nativen H3-Dialog verwenden, exportieren Sie ihn zunächst mit dem Produktionsskript rough.mp4, identifizieren Sie die Datei und fügen Sie dann die erhaltenen Untertitel zur endgültigen Version hinzu. Die Untertitelzeiten basieren auf der endgültigen 30-Sekunden-Zeitleiste. Wenn Windows auf einen CTranslate2-DLL-Ladefehler stößt, öffnen Sie das Terminal nach der Installation der Microsoft Visual C++ 2015–2022 x64-Laufzeitumgebung erneut.

3. Automatische Filmkomposition, Mischung, Untertitel und Export

Bereiten Sie ein eigenes oder lizenziertes lokales Musikstück vor music.wav, mindestens 30 Sekunden lang. Kombinieren Sie Musik, Synchronisation und Korrekturlesen captions.srt und sechs MP4s im Filmmaterialkatalog. Öffnen Sie PowerShell in Windows und verwenden Sie das integrierte Python von Portable:

D:\AI\ComfyUI_windows_portable\python_embeded\python.exe .\h3-finish-v2.py . --narration .\narration.wav --music .\music.wav --srt .\captions.srt --output final.mp4

Mac läuft im selben Objektivverzeichnis:

python3.12 ./h3-finish-v2.py . --narration ./narration.wav --music ./music.wav --srt ./captions.srt --output final.mp4

Nach Bedarf aufbewahren --narration、--music、--srt; Wenn ein Element weggelassen wird, wird es zusammen mit dem folgenden Pfad gelöscht. Das Skript überprüft zunächst die Eingabe, skaliert/füllt dann Frame für Frame, konvertiert in 24 fps, nimmt die ersten 120 Frames und vereinheitlicht die Audiospur auf 48 kHz. Beim Überspielen werden Umgebungsgeräusche und Musik automatisch unterdrückt und der Anfang und das Ende der Musik werden um 0,5 Sekunden ausgeblendet. Der gesamte Film wird zweimal hinsichtlich der Lautstärke verarbeitet, mit einem Ziel von etwa -16 LUFS und einem maximalen Spitzenziel von -2 dBTP. MP4 mit umschaltbarer chinesischer Untertitelspur ausgeben und generieren final.report.jsonZeichnen Sie die tatsächliche Anzahl der Bilder, die Dauer, die Anzahl der Audiospuren, die Untertitel und die gemessene Lautstärke auf. Das Originalmaterial bleibt erhalten und neue Namen werden verwendet, sofern Ausgabedateien vorhanden sind.

4. Lokale Timeline und Untertitelverfeinerung: Shotcut

Windows und Mac verwenden dieselbe native Bearbeitungsoberfläche. Windows-Installation:

winget install --id Meltytech.Shotcut --exact --source winget

Mac-Installation:

brew install --cask shotcut

1. Bauprojekt

   Öffnen Sie Shotcut und speichern Sie das neue Projekt unter 04_edit;Konvertieren Sie den Master final.mp4 Auf die Timeline ziehen. Der Videomodus ist entsprechend der Master-Version auf benutzerdefinierte 1344×768, 24fps eingestellt.

2. Ausrichtung und Inspektion

   Prüfe jeden Clip mit dem Abspielkopf der Timeline und verschiebe die Sprachclips so, dass Anfang und Ende der Sätze passen. Exportiere die gesamte Sprachspur als WAV-Datei narration.wav und übergib sie dem Fertigstellungsskript. Verfeinere die Untertitel im Master: höchstens zwei Zeilen, ohne Gesichter oder wichtige Requisiten zu verdecken.

3. Untertitel hinzufügen

   offen Anzeigen / Anzeigen → Untertitel / Untertitel, erstellen Sie eine neue Untertitelspur, fügen Sie Zeilen hinzu und legen Sie die Start- und Endzeit fest; Wenn es ein SRT gibt, importieren Sie es über das Untertitelfenster. Lesen Sie Namen, Tippfehler, Satzfragmente und Mundmuster Korrektur und exportieren Sie zunächst eine separate SRT-Datei.

4. Brennen und exportieren

   in der Zeitleiste Ausgabe / Ausgabe hinzufügen Subtitle: Burn In Filtern, Untertitelspur und Schriftart auswählen. Vorschau zur Bestätigung der Anzeige der Untertitel vor dem Export in H.264 MP4, wobei die Audiospur 1344×768, 24fps und 48kHz beibehalten wird. Speichern Sie Ihr Shotcut-Projekt, damit Sie es weiter optimieren können.

Spielen Sie die endgültige Version im Vollbildmodus ab: Untersuchen Sie Gesichter und Hände, jede Dialogzeile, das erste und letzte schwarze Bild, Übergänge und Voiceover-Fortsetzungen. Archivieren Sie Rohmaterial, PNGs, Eingabeaufforderungen, Workflows, Aufzeichnungen, SRTs und Bearbeitungssitzungen zusammen.