巧用 32x32 像素 trick：在 ComfyUI 中让 MiniMax H3 生成多人对话音频
sktksm · reddit · 2026-08-09
作者分享了在 ComfyUI 中使用 MiniMax H3 模型生成多分钟、多人对话音频的硬核实践。核心技巧是将视频潜空间分辨率设为极小的 32×32 像素，从而大幅削减视频流计算量，迫使模型将几乎全部算力倾注于音频流，最终生成高质量的广播剧效果。
由于 H3 模型原生音频输出上限约为 15 秒，超出该训练窗口会导致音频质量崩塌（人声混杂、变成乱码）。为解决长对话生成问题，作者探索出了一套精细的控制策略：
- 分段生成：将长脚本切分为 15 秒以下的片段分别生成。
- 词量预算：自然语速约为每秒 2-2.5 个单词，15 秒片段最适宜容纳 30-38 个单词。超量会导致语速过快或声音重叠，不足则会让模型自行填充无意义的嘟囔声。
- 事件驱动收尾：提示词中的时间戳（如 00:00-00:07）对模型无效，应改用“最后两秒只有风声和火焰声”这类明确的事件描述来精准控制片段的结束节奏。
「编程与Agent」频道最新
- Azure MCP Server 支持 CosmosDB：自然语言管理数据库 — adnan_hashmi · 2026-08-09
- 开发者构建 MCP 服务器，让 AI 智能体自动优化电商目录 — ElytronLabs · 2026-08-09
- 语雀 MCP Server 发布，支持 AI 检索知识库 — modelcontextprotocol · 2026-08-09
- AI 记忆系统的设计悖论：为何不让模型自己提取记忆？ — mertdumenci · 2026-08-09
- AllMCPs 上线：专为 Agent 设计的免费 MCP 服务器发现平台 — moxie-docs · 2026-08-09
- 实测 LLM 路由器：成本降低 35%，质量反而提升 1.3% — zainhas · 2026-08-09