H3 Motion Context — Chain Demo

MiniMax H3 视频片段链式续接 · 突破单段 5.2s 时长限制 · 2 clip chain → 9.42s

▶ 最终拼接视频

📐 时间轴

🔍 接缝处对比 (运动+音频连续性)

↑ 这两帧之间是 Motion Context 的核心价值：22帧的运动+音频被钉入 Clip 2 的 latent 空间，模型从 Clip 1 的真实运动轨迹继续生成，而非"猜"一个差不多的开场。

🎬 各段中间帧

⚙️ 技术参数

参数	Clip 1	Clip 2 (链式续接)
条件节点	`MiniMaxH3ImageToVideo`	`MiniMaxH3ImageToVideo` + `MotionContext`
采样器	`res_multistep` · 15 steps · CFG 1.0 · simple scheduler
Model wrapper	`MiniMaxH3SigmaShift` (shift_video=12, shift_audio=3)
模型	`minimax_h3_fl2va_int8_convrot.safetensors`
分辨率	1216×672 (÷32 OK)
context_length	—	22 frames (0.92s)
audio_context_length	—	24 frames (1.0s · 40Hz整步)
Latent 传递	`SaveLatent` → clip_00001.safetensors	`LoadLatent` ← clip_00001 → `context_latent`
修剪	—	`MotionContextTrim` (22帧, match_tail=true)
音频	32kHz stereo AAC (H3 原生, 非 48kHz)

📋 关键发现

单段时长突破：H3 原生最大 124帧(5.2s)，链式后达到 226帧(9.42s)，理论上可无限续接
Latent 直传：Clip 2 的 context 通过 context_latent 从 safetensors 文件直读，跳过 decode→encode 损失
音频连续：Motion Context 将锚定音频的时间坐标重写到当前片段时间线（非参考机制），交叉相关性 0.95+
链式质量递减：每段从前段输出生成，损失累积如"复印件的复印件"，音频高频先退化
Turbo LoRA 不兼容：本 demo 使用原生 KSampler(15步) 而非 T8 Turbo(4步)，README 明确 Turbo 会劣化链式音频
分辨率锁定：链式中途不可改变分辨率（latent 无法 resize），全程必须 1216×672
每段渲染时间：Clip 1 ~6min, Clip 2 ~6.2min (RTX 3090, 15步, int8模型)