Skip to content
Closed
Show file tree
Hide file tree
Changes from all commits
Commits
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
8 changes: 6 additions & 2 deletions es/tutorials/image/qwen/qwen-image-2-1.mdx
Original file line number Diff line number Diff line change
Expand Up @@ -2,7 +2,7 @@
title: "Qwen-Image-2.1 en ComfyUI: texto a imagen, edición y salida 2K"
description: "Un solo checkpoint de Qwen-Image-2.1 cubre texto a imagen y edición por instrucciones en ComfyUI, con salida 2K nativa, canal alfa y hasta 16 imágenes de referencia."
sidebarTitle: "Qwen-Image-2.1"
translationSourceHash: 13a6434f
translationSourceHash: 73760f36
translationFrom: tutorials/image/qwen/qwen-image-2-1.mdx
translationBlockHashes:
"_intro": 1aac4055
Expand All @@ -11,7 +11,7 @@ translationBlockHashes:
"Workflow settings": 1f64eacd
"VAE decoding artifacts": 8c94f042
"Faster sampling with the Turbo LoRA": 7c22e331
"Faster sampling with the Lightning LoRA": fa73c3a1
"Faster sampling with the Lightning LoRA": 3fc46534
"Alpha channel output": d52c962c
---
import UpdateReminder from "/snippets/es/tutorials/update-reminder.mdx"
Expand Down Expand Up @@ -281,6 +281,10 @@ El LoRA funciona con `cfg` 1 y una programación de cuatro pasos. Su tarjeta lis

Un nodo `ManualSigmas` está marcado como experimental y pasa sus números sin cambios, así que una programación escrita a mano tiene que partir de los valores desplazados. ComfyUI ajusta su desplazamiento a 1024x1024, por lo que la coincidencia se pierde en otros tamaños de salida.

El LoRA también sirve para editar imágenes. Cárgalo con `LoraLoaderModelOnly` en la línea de modelo de la plantilla de edición, igual que en texto a imagen, y ejecuta el flujo de trabajo con `steps` 4 y `cfg` 1, con el sampler `euler` y el scheduler `simple` de la plantilla.

Incluso con el lienzo ajustado a `image_1`, una edición de cuatro pasos puede desplazar el resultado hacia un lado. Baja la fuerza del LoRA a unos 0.5 para fijar el encuadre. El número de pasos sigue en cuatro, así que la velocidad no cambia.

## Salida del canal alpha

El VAE de Qwen-Image-2.1 decodifica cuatro canales, por lo que una imagen decodificada incluye alpha además de RGB. El flujo de trabajo de eliminación de fondo depende de esto: el fondo transparente se genera en el canal alpha en lugar de recortarse después.
Expand Down
43 changes: 39 additions & 4 deletions es/tutorials/video/minimax/minimax-h3-native.mdx
Original file line number Diff line number Diff line change
Expand Up @@ -2,16 +2,16 @@
title: "Flujos de trabajo de MiniMax H3 en ComfyUI: texto a video, imagen a video y referencia a video"
description: "Ejemplos paso a paso de flujos nativos de MiniMax H3 en ComfyUI, con anclaje de guías y máscaras de ruido latente para un control más fino del video."
sidebarTitle: "Flujos nativos"
translationSourceHash: 9e8d385c
translationSourceHash: 3d160290
translationFrom: tutorials/video/minimax/minimax-h3-native.mdx
translationBlockHashes:
"_intro": 4f5274f5
"_intro": dde651e5
"MiniMax H3 Text to Video (T2V)": 8807c872
"MiniMax H3 Image to Video (I2V)": c59554b0
"MiniMax H3 Reference to Video (R2V)": 961829df
"Advanced workflows with the native nodes": 37164e51
"Advanced workflows with the native nodes": ed209512
---
Esta página cubre las tres plantillas base de MiniMax H3 y las técnicas avanzadas con nodos nativos. Para conocer las capacidades, el ajuste y las mejoras de velocidad, consulta la [descripción general de MiniMax H3](/es/tutorials/video/minimax/minimax-h3).
Esta página cubre las tres plantillas base de MiniMax H3 y las técnicas avanzadas con nodos nativos. Para conocer las capacidades y la licencia, consulta la [descripción general de MiniMax H3](/es/tutorials/video/minimax/minimax-h3).

## MiniMax H3 Texto a Video (T2V)

Expand Down Expand Up @@ -252,8 +252,43 @@ Esto es acondicionamiento, no video a video: el muestreo sigue partiendo del lat

Consulta la plantilla [Multiframe Reference](/es/tutorials/video/minimax/minimax-h3-multiframe).

### Continuar una toma entre generaciones de video

`Add Guide for MiniMax H3` también acepta un lote de varios frames en `image`, así que los últimos frames de un clip pueden iniciar el siguiente: conéctalos en `frame_idx` 0 y describe la continuación en el prompt. Los lotes bajan a 5, 22 o 39 frames y el nodo usa los primeros frames del lote, así que envía exactamente los 5 frames que quieres continuar. Los frames de guía no llegan al codificador de texto, así que el prompt tiene que llevar la continuación.

Lo que limita la cadena es la deriva, no la unión: cada clip mueve un poco el color y la escena, y una cadena larga termina fuera del aspecto del primer clip aunque no se vea ningún corte. Pasa cada clip nuevo por [Transfer Color](/es/built-in-nodes/ColorTransfer) contra el último frame del clip anterior como `image_ref`, con `source_stats` en `target_frame` y `target_index` en 0, para que una sola transformación cubra todo el clip. `per_frame` iguala cada frame por separado y puede parpadear.

Para una composición que debe mantenerse en toda la toma, ancla imágenes fijas en lugar de encadenar clips.

### Clips más largos con ventanas de contexto (#17425)

[`MiniMaxH3ContextWindows`](/es/built-in-nodes/MiniMaxH3ContextWindows) muestrea la toma en ventanas superpuestas, lo que extiende un clip más allá del rango de entrenamiento de unos 124 a 362 frames (5 a 15 segundos a 24fps). Insértalo en la ruta del modelo, entre el cargador del modelo y el sampler (ComfyUI **0.44.0** o posterior). H3 divide la pista de audio en los mismos límites de frame, así que el sonido se mantiene sincronizado en las uniones.

Mantén `context_length` dentro del rango de entrenamiento y deja que el número de ventanas aporte la duración: `context_length` 362 con `context_overlap` 39 y un clip de 1654 frames alcanza unos 69 segundos a 24fps en cinco ventanas. El muestreo mantiene una ventana a la vez, así que la VRAM máxima sigue a la ventana y no al clip completo. El movimiento es donde falla: cada ventana resuelve su propia copia del solape, así que una cámara que recorre un espacio deforma el fondo en las uniones.

Un frame de guía se recorta a la ventana en la que cae, así que una imagen fija en el frame 0 condiciona solo la primera ventana y un frame final solo la última. Las ventanas intermedias no llevan guía, así que un flujo de trabajo con primer y último frame deriva o alucina en la parte central. Las referencias no dependen de una posición en la línea de tiempo y llegan a todas las ventanas, así que una toma larga que deba mantener un personaje o una voz va en [R2V](/es/tutorials/video/minimax/minimax-h3-native#minimax-h3-referencia-a-video-r2v).

### Relleno inteligente y extensión con máscaras de ruido latente (#15375)

Las [máscaras de ruido por token](https://github.com/Comfy-Org/ComfyUI/pull/15375) en los latentes de video y audio te permiten regenerar parte de un clip.

Conecta una máscara a `denoise_mask` del sampler: **0** = mantener, **1** = regenerar. Las máscaras de video se ajustan a la cuadrícula de parches latentes de 2×2; las de audio, a frames latentes completos. Úsalas para relleno inteligente, eliminación o extensión mientras mantienes el resto estable.

### Decodificación más rápida con Sol-H3-VAE (#17411)

El VAE de video estándar decodifica en mosaicos de 256 px con fragmentos temporales solapados. [Sol-H3-VAE](https://huggingface.co/Efficient-Large-Model/Sol-H3-VAE) es un decodificador de 24 capas destilado de ese decodificador que decodifica el clip completo en una sola pasada. Comfy-Org lo reempaquetó junto con el codificador de H3 como [minimax_h3_sol_vae_int8_convrot.safetensors](https://huggingface.co/Comfy-Org/MiniMax-H3/blob/main/vae/minimax_h3_sol_vae_int8_convrot.safetensors), así que reemplaza al VAE de video en el nodo `Load VAE` que alimenta la decodificación de video. Deja intacto el cargador del VAE de audio. Requiere ComfyUI **0.44.0** o posterior.

Decodificación de un clip de 1344x768 con 124 frames en una RTX 5090:

| Decodificador | Decodificación | VRAM máxima |
| --- | --- | --- |
| H3 VAE int8 | 4.61 s | 3.2 GiB |
| Sol-H3-VAE int8 | 1.70 s | 4.3 GiB |
| H3 VAE fp16 | 10.7 s | 5.5 GiB |
| Sol-H3-VAE fp16 | 3.28 s | 5.9 GiB |

Ambos decodificadores también existen en fp16: [minimax_h3_sol_vae_fp16.safetensors](https://huggingface.co/Comfy-Org/MiniMax-H3/blob/main/vae/minimax_h3_sol_vae_fp16.safetensors) y [minimax_h3_video_vae_fp16.safetensors](https://huggingface.co/Comfy-Org/MiniMax-H3/blob/main/vae/minimax_h3_video_vae_fp16.safetensors), ambos en `ComfyUI/models/vae/`.

El coste en calidad está en la textura. El decodificador destilado mide unos 39 dB PSNR frente al estándar en un clip de 768p generado: visualmente idéntico, con las diferencias en el detalle fino, así que decodifica un clip con textura y compara antes de cambiarlo.

La memoria va en el otro sentido. El decodificador destilado alcanza 1.1 GiB más que el int8 estándar en el clip anterior y no puede usar mosaicos, así que `VAEDecodeTiled` decodifica el clip completo con él. Las activaciones crecen unos 4.3 KB por token latente: 3.5 GiB con 362 frames en el mismo lienzo y 5.4 GiB a 2048x1152. Además, la decodificación es una parte pequeña de un render completo, así que la ganancia de extremo a extremo queda muy por debajo de la tabla.
34 changes: 31 additions & 3 deletions es/tutorials/video/minimax/minimax-h3-prompt-guide.mdx
Original file line number Diff line number Diff line change
Expand Up @@ -2,18 +2,19 @@
title: "Guía de prompts de ComfyUI MiniMax H3: guías oficiales, consejos y embeddings de prompt"
description: "Escribe mejores prompts de MiniMax H3 en ComfyUI: guías oficiales, consejos generales, reglas de diálogo y hablantes, y embeddings de estilo."
sidebarTitle: "Guía de prompts"
translationSourceHash: 0f1ded35
translationSourceHash: 7dd3d6e7
translationFrom: tutorials/video/minimax/minimax-h3-prompt-guide.mdx
translationBlockHashes:
"_intro": da22cc9d
"_intro": ed6e8344
"Official guides": 3d762c67
"General tips": fab4ad35
"Shots and cuts": 8184dae6
"Camera motion": c3ff48b2
"Dialogue and speakers": 4985438e
"Prompt embeddings": 9c899169
---

H3 espera planos, cámara, diálogo y SFX en un solo prompt multimodal. Esta página reúne guías oficiales, consejos entre flujos de trabajo, reglas de planos y diálogo, y embeddings de estilo.
H3 espera planos, cámara, diálogo y SFX en un solo prompt multimodal. Esta página reúne las guías oficiales, consejos entre flujos de trabajo, reglas de planos, cámara y diálogo, y embeddings de estilo.

## Guías oficiales

Expand Down Expand Up @@ -62,6 +63,33 @@ Numera las tomas `[Shot 1]`, `[Shot 2]`, … `[Shot 1]` empieza en 0.00s. Las to

Inicia una toma nueva cuando cambien el sujeto, el espacio, el estado, el punto de vista o el momento. Los reencuadres pequeños siguen siendo una sola toma con movimiento de cámara.

## Movimiento de cámara

Un movimiento por toma, escrito dentro del párrafo de la toma y con aquello sobre lo que actúa. La amplitud y la velocidad son opcionales y solo existen cuatro frases: `with small amplitude`, `with large amplitude`, `at slow speed`, `at fast speed`. No hay frase para la amplitud media ni para la velocidad normal, así que omitirlas significa media y normal.

```text
The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
```

Frases de movimiento que el modelo acepta:

| Movimiento | Qué hace |
| :--- | :--- |
| `Zoom In` / `Zoom Out` | Solo la distancia focal; la cámara no se mueve |
| `Push In` / `Pull Out` | La cámara avanza o retrocede |
| `Pan Left` / `Pan Right` | La cámara no se mueve; el objetivo gira en horizontal |
| `Truck Left` / `Truck Right` | La cámara se desplaza de lado |
| `Tilt Up` / `Tilt Down` | La cámara no se mueve; el objetivo gira en vertical |
| `Pedestal Up` / `Pedestal Down` | La cámara sube o baja entera |
| `Arc Shot` | La cámara recorre un arco alrededor del sujeto |
| `Tracking Shot` | La cámara sigue a un sujeto en movimiento |
| `Static Shot` | La cámara y el objetivo no se mueven |
| `Shake Slightly` / `Shake Strongly` | Vibración de cámara suave o fuerte |
| `POV` | Vista desde los ojos del sujeto |
| `Roll Clockwise` / `Roll Counterclockwise` | La cámara gira sobre el eje del objetivo |

Si nombras dos movimientos a la vez, como un arco mientras la cámara se acerca, normalmente solo sale uno, y un movimiento que no cabe en la duración del clip se comprime para entrar. Para una trayectoria que tenga que salir exacta, pásala como guía: renderiza un doble moviéndose por la trayectoria y conecta ese clip en `image` de [`Add Guide for MiniMax H3`](/es/built-in-nodes/MiniMaxH3AddGuide) con `vae` conectado y `frame_idx` 0, con el cableado de [Anclaje de guías en cualquier fotograma](/es/tutorials/video/minimax/minimax-h3-native). El clip debe tener al menos 5 fotogramas y no durar más que el vídeo: un lote de menos de 5 se usa solo como imagen fija, las guías se recortan a 5, 22 o 39 fotogramas, y un clip que pasa del último fotograma da error.

## Diálogo y hablantes

- **IDs de hablante**: `(S1)`, `(S2)`, … para cada voz (incluidas las que están fuera de pantalla y las que cantan). Los IDs indexan hablantes, no números de personaje. Dúo: `(S1,S2)`
Expand Down
8 changes: 6 additions & 2 deletions ja/tutorials/image/qwen/qwen-image-2-1.mdx
Original file line number Diff line number Diff line change
Expand Up @@ -2,7 +2,7 @@
title: "Qwen-Image-2.1: ComfyUI テキストからの画像生成・編集と 2K 出力"
description: "Qwen-Image-2.1 は 1 つのチェックポイントでテキストからの画像生成と指示ベースの編集をこなし、ComfyUI でネイティブ 2K 出力、アルファチャンネル、最大 16 枚の参照画像に対応します。"
sidebarTitle: "Qwen-Image-2.1"
translationSourceHash: 13a6434f
translationSourceHash: 73760f36
translationFrom: tutorials/image/qwen/qwen-image-2-1.mdx
translationBlockHashes:
"_intro": 1aac4055
Expand All @@ -11,7 +11,7 @@ translationBlockHashes:
"Workflow settings": 1f64eacd
"VAE decoding artifacts": 8c94f042
"Faster sampling with the Turbo LoRA": 7c22e331
"Faster sampling with the Lightning LoRA": fa73c3a1
"Faster sampling with the Lightning LoRA": 3fc46534
"Alpha channel output": d52c962c
---
import UpdateReminder from "/snippets/ja/tutorials/update-reminder.mdx"
Expand Down Expand Up @@ -281,6 +281,10 @@ Qwen-Image-2.1 標準の VAE は、ディテールの多い写実的な出力に

`ManualSigmas` ノードは実験的とされており、入力した数値をそのまま渡すため、手書きのスケジュールにはシフト後の値を最初から入れる必要があります。ComfyUI のシフトは 1024x1024 に合わせてあるので、出力サイズが離れるほど一致度は下がります。

この LoRA は画像編集にも使えます。テキストから画像の場合と同じく `LoraLoaderModelOnly` で編集テンプレートのモデル線に接続し、ワークフローで `steps` を 4、`cfg` を 1 にし、サンプラーとスケジューラーはテンプレートの `euler` と `simple` のままにしてください。

キャンバスを `image_1` に合わせていても、4 ステップの編集では結果が横方向にずれることがあります。LoRA の強度を 0.5 程度まで下げると構図が固定されます。ステップ数は 4 のままなので速度は変わりません。

## アルファチャンネル出力

Qwen-Image-2.1 の VAE は 4 チャンネルをデコードするため、デコード後の画像は RGB に加えてアルファを持ちます。背景除去ワークフローはこれに依存しています。透明な背景は後から切り抜くのではなく、アルファチャンネルに生成されます。
Expand Down
Loading
Loading