👤 同一博主

🎬 MiniMax H3 两段式潜空间放大指南：极速生成 HD 超清 AI 视频

🎯 核心观点 针对 MiniMax H3 直接生成高分辨率视频速度慢的问题，提出“两段式潜空间放大”工作流。 核心思路为：低分辨率搭建结构（快速采样），高分辨率进行精修（二次采样）。 该方案旨在平衡画质与效率，主要目的是节省时间而非显存。 🛠️ 关键事实与步骤 前置准备： 安装支持 2D/3D 潜空间放大的扩展节点，本教程选用 3D 版本以增强时空一致性。 下载 FP16 格式的放大模型，放置于 `latent upscale models` 目录。 下载 Turbo LoRA（图生视频用 1.1 版本，参考视频用 0.1 版本）及新版 ComfyUI 以支持新注意力机制。 工作流执行： 第一阶段：设定低分辨率（如 608x352，0.2 Megapixels），使用 OLA 采样算法和 Simple 调度器，共 8 步采样。通过 `SplitSigmas` 节点截取前半段 Sigma，仅构建视频大体结构。 潜空间放大：分离音视频 Latent，使用 3D 放大节点将视频部分放大（设定目标宽高，需为 32 像素倍数），再合并音频。 第二阶段：对放大后的 Latent 进行二次采样精修，最后解码输出高清视频。 加速机制： 结合 Turbo 模型（权重 1.0）减少采样步数。 启用 `Model Attention Backend` 节点，切换至 Kitchen Attention 机制以提升运算效率。 ⚖️ 结论与适用性 画质提升： 面部细节：近距离镜头下五官、发丝、皮肤纹理清晰，中景人物边缘更清楚。 动作细节：骑马、炒菜、滑雪等快速移动场景中，肢体轮廓、背景层次及动态效果（如蒸汽、水花）表现稳定自然。 风格适应：风格化人物、夜景反光及特殊低机位镜头均能保持一致性。 局限性： 参考视频生成（Reference to Video）因 Turbo LoRA 版本较低（0.1），质量略逊于图生视频；建议不使用加速模型，改用完整步数采样以获得更好效果。 适用人群：追求生成速度且对视频动态细节有较高要求的 AI 视频创作者。

🎬 LTX 2.5 全流程指南：ComfyUI 原生工作流实操与三大翻车痛点攻克

🎬 核心观点 LTX 2.5 模型在 ComfyUI 中已实现原生支持，通过扩散保真渲染、视频解码器优化及新文本编码器，显著提升了提示词理解力与细节保留能力。尽管在多镜头切换和复杂动作执行上表现优异，但在物理规律遵循（如物体形变、穿透）及人物一致性维持方面仍存在明显短板。 🔍 关键事实/论据 技术升级：引入扩散保真渲染，动态分配计算预算以保留高频细节；采用扩散式视频解码器进行“翻译后精修”；新文本编码器能准确记忆动作序列、灯光及运镜指令。 工作流配置：ComfyUI 需更新至最新版并加载官方模板。推荐使用蒸馏模型（Distilled）以提升速度，搭配 12B 文本编码器。可利用 `Generate LTX Prompt` 节点增强提示词，并根据需求选择空间放大（超分）或时间放大（插帧）模型。 实操表现： 多镜头与动作：能原生理解多镜头提示词（如长城、东京、巴黎场景切换），人物一致性较好；能执行修自行车等包含五段连续动作的复杂链条。 首尾帧控制：通过 `LTX add guide` 节点设定首尾帧位置（0 和 -1）。若首尾帧差异大易产生转场，相似度高则生成一镜到底视频。 缺陷案例：收伞时伞骨变软、人物下车关门出现穿透现象；镜头移开再回归时面部特征发生漂移；文生视频中“25岁女性”常被生成得偏老，建议用 "girl" 替代 "woman"。 💡 结论与建议 LTX 2.5 适合需要高精度细节保留、复杂动作序列及多镜头叙事的内容创作。用户应充分利用其原生多镜头支持和提示词增强功能，但在处理物理交互（如软硬物体碰撞）和长时间面部一致性时需降低预期或调整策略。建议优先使用蒸馏模型以提高效率，并在编写提示词时注意用词精准度以规避年龄偏差等问题。

🎬 CrossView Warp 全流程教学：揭秘 LTX 2.3 3D 球形摄像机运镜的终极秘籍

🎯 核心观点 CrossView Warp 技术旨在解决视频生成后补拍侧面机位的难题，通过保留原有表演内容，仅重新调整摄像机位置或生成新的运镜动画。 该技术基于 LTX 2.3 模型与 IC-LoRA 工作流，核心在于利用深度图（Depth Anything）解析空间关系，并通过粉色区域标识原摄像机未拍摄到的盲区，由模型进行细节补全。 最佳适用场景是横版、主体居中且原相机稳定的视频素材，避免竖版视频或主体偏离中心的情况，以确保空间信息表述清晰。 🛠️ 关键事实与步骤 环境配置：需安装 ComfyUI 扩展 CrossView Warp，克隆至 Custom Nodes 文件夹并重启；安装 Depth Anything 插件；下载对应的 CrossView Warp LoRA 至 LoRA 目录。 工作流结构：分为基础视频生成与放大两个阶段。核心节点包括原视频输入、CrossView Warp 节点及两路 IC-LoRA 引导。 双路引导机制： 第一路直接使用原视频，通过 Video IC-LoRA Guide 锁定人物身份与动作。 第二路将参考视频经 Depth Anything 生成深度图，输入 CrossView Warp 节点生成带有粉色盲区的新视角视频，再经另一路 IC-LoRA Guide 引导采样。 节点操作： 机位调整：在球体界面拖动相机改变位置。绿色区域代表训练数据覆盖的高可靠区；黄色区域为创作区，张力强但稳定性稍弱；灰色区域超出训练范围，不建议使用。 相机动画：右键点击添加关键帧，左键调整位置，Shift+右键删除。通过 Interpolation（线性或平滑曲线）和速度参数（如 Ease In Out）控制运动轨迹。 提示词策略：可使用触发词 "crossview"，或具体描述粉色盲区中需要模型想象补充的不可见内容。 ⚠️ 结论与注意事项 优势：能实现从正面到侧面、俯视或仰视的平滑运镜，保留人物表演连续性，并在复杂场景（如樱花飘落）中维持视觉元素。 局限性： 竖版视频无法使用 IC-LoRA，导致效果失效。 当原视频已有复杂运镜或主体非居中时，人物一致性可能下降，空间结构易丢失。 黄色区域虽能产生更强纵深，但模型可能自由发挥导致画面被重新解释。 最佳实践：选择横版、主体靠近中央、原相机稳定的素材，优先在绿色区域调整机位，以获得最高质量的第二机位视频。

🎬 单图人像 vs 四栏角色表：揭秘 Best Face ID 如何破译 LTX 2.3 的记忆代码

🎯 核心观点 Best Face ID 插件旨在解决 LTX 2.3 模型中的人物一致性问题，主要包含单图参考生成和角色设定图（Character Sheet）两种工作流。 单图模式依赖面部特征保持，而角色设定图模式通过提供全身、侧面及背面信息，能显著提升发型、服装及整体外观的一致性。 参考图的宽高比与目标视频比例匹配度直接影响相似度，方形视频（1024x1024）通常稳定性最高。 高清放大虽能提升细节，但因涉及重新采样，可能导致身份一致性略有下降，建议作为可选步骤。 📊 关键事实与测试数据 模型与参数：主模型为 LTX 2.3 1.1 版；Lora 权重设为 1；`sauce id` 固定为 2；`face skill` 设为 1；引导强度为 1。 参考图要求：单图需满足单人、正面、光线清楚、面部占比大；建议去背以集中注意力；最长边缩放至 512。 分辨率测试： 竖图生横视频：脸部相似度明显下降。 横图生竖视频：人物一致性不高。 竖图生竖视频：面部特征稳定。 结论：横图配横视频，竖图配竖视频。 角色设定图规范：必须为横向四栏图（正脸特写、全身正面、90度侧面、背面）；背景建议纯白；`reference resize mode` 必须选 `native resolution`，不可选 `match target`，否则会导致细节丢失。 提示词结构：以 `reference_T2A` 开头，按四层书写：人物外貌、服装配饰、新场景动作、景别运镜光线。 高清放大流程：第一阶段半分辨率生成，第二阶段使用 `tile latent upscaler` 放大及 `tile sampler` 精修；单图模式输出 1408x1920，角色设定图模式输出 1024x1920。 💡 结论与建议 单图场景：若仅有一张清晰近照，使用普通 Best Face ID Lora，缩放至 512x512，选择 `match target` 模式，保持参考图与视频比例一致。 多视角场景：若需保留发型、服装等更多特征，使用 Character Sheet Lora，选择 `native resolution` 模式，提供标准四栏设定图。 操作建议：优先确保基础视频生成稳定，再考虑高清放大；提示词需准确描述脸型、发型及服饰，避免简单场景描述，以增强身份稳定性。

🎬 JoyAI Image Edit 全流程教学：手把手教你实现像素级精准对齐与图片编辑

🎯 核心观点 本视频为 ComfyUI 平台下 JoyAI Image Edit 模型的全流程教学，重点解决单图编辑中的像素级精准对齐问题。 该模型由京东研发，分为 Single（单图编辑）和 Plus（多图参考生成）两个版本，二者共用 WAN2.1 的 VAE，但 Diffusion Model 和 Text Encoder 必须配对使用。 针对像素不对齐痛点，视频提出了一种通过“等比缩放至 1024x1024 方形画布”再“精确裁剪”的优化工作流，以实现严格对齐。 📋 关键事实与论据 模型架构：Single 和 Plus 模型需搭配特定的编码节点，且要求 ComfyUI 更新至最新版本以支持扩展节点。 提示词规范：单图编辑需明确四点：修改对象、目标结果、保留内容、编辑边界。例如换装时需锁定脸、发型和姿势，仅更换服装。 像素对齐原理： 传统 Empty Latent 若分辨率与原图比例不一致（如 1024x1024 处理竖图），会导致构图重建和白边消失。 手动修改分辨率（如 768x1280 或 1088x1920）虽可改变比例，但仍无法实现像素严格对齐。 最优解：将原图等比缩放（Padding）至 1024x1024，使用相同分辨率的 Empty Latent 生成，最后裁掉多余像素，可确保人物位置、白边及整体构图与原图严格一致。 多图参考（Plus）限制： 提示词需明确每张图的职责（如 Image1 为人物，Image2 为服装）。 建议人物与背景置于同一张主图中，避免分开提供导致“贴图感”。 不同分辨率的参考图（竖图、横图、方图）混合使用时，易出现人物拉伸或重新构图现象，建议尽量使用相同分辨率。 能力边界：模型在材质替换（如琥珀树脂改玉石）、物体移动（茶壶移入红框）及新视角生成（相机八方向旋转）方面表现良好，但在复杂 3D 场景（如温室图书馆）的视角切换中，可能出现楼梯、水池位置变化或人物裁切等一致性问题。 💡 结论与建议 模型选择：处理单张图编辑任务时，优先使用 Single 模型；Plus 模型更适合多图参考生成，若仅传一张图，其效果可能不如 Single 模型专注。 工作流推荐：强烈建议使用视频中提供的“严格对齐”工作流，该方法通过方形画布中间态处理，有效解决了分辨率差异导致的像素错位问题。 操作提示：在使用 Plus 模型时，若需保持物体尺寸不变，需在提示词中明确强调修改前后比例一致；删除物体时需同时描述关联物（如投影）及背景补全状态。

🎬 用这套流程一天产出 12 段高质量 AI Vlog：拒绝机械人像，开启“事件级”叙事

🎯 核心观点 高质量 AI Vlog 的核心在于“事件级”叙事，而非机械的人像动作（如眨眼、微笑）。 目标是在 10 秒内完成一个可剪辑成片的小事件，通过建立“动作地灵针”概念，让静态图片包含明确的起始动作，从而引导视频生成的自然运动路径。 流程的核心价值在于通过三道质量门槛，将不稳定的生成过程转化为可复用、高良品率的生产流程，减少废片率。 🛠️ 关键事实与论据 三道质量门槛： 提示词门槛：使用 `female portrait director` Skill，将模糊想法转化为包含年龄、服装、场景、道具及具体动作细节（如“左手托相机，右手捏住半露照片”）的精准描述，避免模型自行决定关键细节。 静态图门槛：生成包含“动作起始状态”的图片。对比显示，若图片中动作已完成（如墨镜戴好），视频模型需自行设计动作；若图片中动作进行中（如墨镜下移），视频生成更顺畅。 视频生成门槛：使用 LTX 2.3 模型，配合五段式动作节拍提示词，增强视频动感。 技术工具与参数： 图像生成：商用路线使用 JPT Image 2；开源路线使用 Create Tool V2 肉模型 + TurboLora + Y2.1 VE，采用两段式采样（大结构生成 + 低 Denoise 精修）。 视频工作流：分为人物一致性保持与高清放大两个阶段。 一致性节点：使用 `likeness guide`（提取人脸）、`likeness anchor`（持续注意力锚定）及 latent 注入，确保转头、表情变化后人物特征不崩坏。 放大技术：使用 Latent Upscaler 配合 Tile 模式，避免高分辨率生成时爆显存。 案例数据：利用 6 组场景实际产出 12 段高质量竖屏 Vlog。 ⚠️ 结论与注意事项 适用场景：该流程特别适用于旅行、生活类 Vlog，因所用 Skill 主要优化写真风格图片，故定位在 Vlog 领域更合适。 局限性： 即使使用高清工作流，仍可能出现逻辑错误（如将“收伞”演绎为“开伞”并遮挡面部），这属于模型理解偏差，非工作流能完全解决。 提示词需明确锁定原始设定，防止扩写过程中设定被悄悄替换。 执行建议： 提示词需包含具体动作状态（如“照片刚露出一半”）而非最终结果。 视频提示词建议采用五段式动作节拍描述，以提升 LTX 生成的连贯性。 安装 Skill 时可直接通过 GitHub 链接或让大语言模型辅助安装。

🎬 我给拍完的 AI 视频加了 63 个机位！手把手教你视角重构|CrossView 深度指南：揭秘“三

🎥 核心观点 CrossView 是一种基于 LTX 2.3 模型的 IC LoRA，允许用户利用已生成的视频作为参考，通过提示词重构虚拟摄像机机位。 该技术并非简单的画面裁切或随机生成，而是基于参考视频重新生成同一场表演，实现视角的自由切换。 提示词采用固定的“三轴格式”，通过控制相机围绕主体的左右移动、整体高度及距离，共形成 63 种组合方法。 建议优先使用官方原词，避免自行创造词汇，以确保生成效果稳定。 ⚙️ 关键事实与论据 模型与参数：使用 LTX 2.3 主模型（1.1 版）及 CrossView LoRA（1.5 版），LoRA 强度推荐值为 0.6 至 1.5。 工作流结构：分为两个阶段。第一阶段根据参考视频生成新摄影角度；第二阶段进行分块放大处理，无论分辨率调多大均会分块处理，并需使用第二组提示词作为内容一致性锚点，防止放大后偏离原视频。 三轴控制逻辑： 左右轴：控制相机围绕主体向左或向右移动，非人物移动或镜像，场景元素会重新组织。 距离轴：控制远近，拉远效果通常比拉近更稳定，拉近有时类似重新裁剪。 高度轴：控制高低机位，低机位增强仰视感，高机位扩大地面占比。 误差累积风险：连续多次生成（串联）会放大上一轮的误差，导致物体比例、细节变形（如凤凰变垂直火焰），因此建议一步生成大角度变化，仅在一步崩坏时才考虑两步串联。 原视频限制：原视频若包含相机运动（如侧向跟拍），会导致方向控制含糊，效果减弱；最佳输入为固定机位、单镜头、主体持续可见的视频。 📝 结论与建议 适用场景：适合宏大场景、复杂运动（如飞天舞者）及需要多视角剪辑的视频制作。 谨慎场景：商业产品描述需谨慎使用，因为改变镜头可能会改变产品细节。 操作建议： 严格遵循三轴提示词格式。 从中等角度开始尝试，逐步调整。 确保原视频为固定机位，主体清晰。 利用 RunningHub 等平台获取最新工作流支持。

🎬 Krea2 没有稳定参考图？用 LoRA 解决角色一致性|从数据集到 Turbo 出图：Krea2

🎯 核心观点 Krea 2 模型具备极强的写实感、电影感和细节表现力，但原生仅支持文生图，难以通过提示词维持角色一致性。 若需实现同一虚拟人物在不同场景（如街头、书店、雪地）及不同构图（近景、16:9 大场景）下的稳定呈现，训练 LoRA 是必要手段。 训练目标不仅是生成头像，更是为了支持封面、海报及大场景角色展示，需兼顾身份一致性与场景泛化能力。 📊 关键事实与论据 数据集构建：建议准备 20 至 50 张高质量图片，需包含不同场景、角度、光线和构图。图片需数字命名并对应同名 txt 提示词文件。 训练环境：推荐使用 4090 24G 显卡实例，利用预装好环境、模型及数据集的镜像加速流程。 模型选择：训练底模选用 Krea 2 的 Ro 模型，而非 Turbo 模型。虽然 Turbo 速度更快，但官方解释其不适合作为训练底模，且生成 LoRA 的方式不稳定。 参数设置：训练步数建议在 3000 至 5000 步之间，3000 步通常可获得不错效果；采样间隔设为 250 步。 验证策略：训练完成后，使用 Krea 2 Turbo 模型加载 LoRA 进行验证。LoRA 强度建议设置在 0.75 至 1 之间，测试中 0.85 表现较好。 测试标准：需进行两类测试。一是 3:4 人像测试，验证身份稳定、风格复现及光线变化；二是 16:9 大场景测试，验证动态场景（如奔跑、骑车）下的稳定性。 ✅ 结论与建议 推荐流程：先制作清晰的 Character Sheet 确定人物设定，再生成 20-50 张多样化训练图，确保图文一一对应。 工具选择：新手建议优先使用 AI Toolkit 跑通流程，熟练后可尝试其他工具。 注意事项： 训练收敛速度较慢，步数至少需 1500 步以上，3000 步效果更佳。 由于训练数据侧重面部和发型，情绪范围可能偏窄，复杂表情需额外优化。 在玻璃反射或实验室等复杂场景中易出现重复人像，提示词中需明确加入“没有重复的人物”。 大动作场景可用，但小细节可能需要多次抽卡以获得最佳效果。