🧪 H3 保留环境音 + 去 BGM：源码级方案分析

方案 1：调整 shift_audio 参数（最简单）

原理：shift_audio 控制音频流的 sigma schedule。它决定音频在每一步采样中被去噪的"强度"。

• shift_audio = 3.0（当前默认）：音频正常去噪，完整生成环境音+BGM
• shift_audio ↓（如 1.0）：音频在更早的时间步就开始去噪 → 更强的生成 → 可能更多 BGM
• shift_audio ↑（如 8.0~15.0）：音频去噪被推迟 → 更接近 TTS 条件 → 环境音和BGM都减弱，但对白更干净

# 当前：
MiniMaxH3SigmaShift: shift_video=12.0, shift_audio=3.0

# 试验：推高 shift_audio 让音频更贴近 TTS
shift_video=12.0, shift_audio=8.0   # 或 12.0, 15.0

预期：shift_audio 升高时，音频越来越接近纯 TTS 条件（因为没怎么去噪），BGM 和环境音同时减弱。可能存在一个"甜点"值，环境音还在但 BGM 已消。

代价：只需改 1 个参数，代价最小。值得 A/B 测试。

方案 2：两遍采样——视频全去噪 + 音频部分去噪（最精准）

原理：利用 ComfyUI 的 denoise_mask（NestedTensor 支持 video/audio 独立 mask）。

1. 第一遍：正常 KSampler 完整 15 步 → 得到完整 video latent + audio latent
2. 第二遍：以第一遍结果为 latent_image，设 denoise_mask = NestedTensor(video_mask=0, audio_mask=1)，denoise=部分 → 只对 audio 做少量去噪步骤

本质上是视频锁死、音频重采样几步，用更少的步数让音频只有粗略的环境音轮廓而不生成精细的 BGM 旋律。

问题：需要自定义 ComfyUI 节点构造 nested denoise_mask。工作量中等。

方案 3：采样步数截断（最直接）

原理：BGM（旋律、和声）是高频细节，需要充分去噪才能生成。环境音（低频噪声、风声）是粗略结构，前几步就成形。

当前 15 步——如果只跑 5~8 步，视频可能还不够精细，但音频可能已经够好（有环境音的频谱特征，但来不及生成 BGM 旋律）。

# 方案 A：直接减少步数
steps = 8  # 而非 15

# 方案 B：两阶段不同步数
# Stage 1: 8 步 → 提取 audio latent（有环境音，BGM 未成形）
# Stage 2: 继续跑到 15 步 → 提取 video latent（完整画质）
# 最终：video latent from 15步 + audio latent from 8步

代价：方案 B 需要在中间步截取 audio latent，要自定义节点。方案 A 最简单但会牺牲画质。