<h2 id="h3-timeline-4-(v1.2):-lip-synced-music-videos-on-your-own-song-with-minimax-h3">🎞 H3 Timeline 4 (v1.2): lip-synced music videos on your own song with MiniMax H3</h2>A simple ComfyUI workflow that turns your own song and 1–4 pictures into a lip-synced music video with MiniMax H3. Play the song on a timeline and tap the keys where the scenes should change and where the singing starts and stops. No LLM, no YuE2, no score, and only one custom node folder to install.<h3 id="features">✨ Features</h3><ul><li>🎞 Timeline editor at the bottom of the ComfyUI page: drop your song and pictures, then play it back with the waveform</li><li>✂ Live cutting: press C while the song plays and each scene ends exactly where you press (up to 4 scenes, 1–15 s each)</li><li>🎤 Lip sync: each scene's piece of the song goes to H3 unchanged as <code>&lt;Audio 1&gt;</code>. Press S where the singing starts and stops, and H3 sings only inside those spans</li><li>🖼 First frame lock: each scene starts exactly on its picture (ComfyUI's Add Guide); switch it off per scene to use the picture only as a reference</li><li>⛓ Continue the previous scene: one click at a cut makes the frame right after the previous scene's cut the next scene's first frame, so the shot carries on</li><li>🧑 Characters (up to 4): a picture and a name for each person. Choose who is in each scene and who sings (one character, or everyone); their pictures go to H3 as <code>&lt;Picture 2&gt;</code>, <code>&lt;Picture 3&gt;</code>, … so faces, hair and clothes stay the same. Call them by name in your text, and add a role if you like (e.g. lead vocalist)</li><li>👥 Group photo: one photo of everyone together, so faces, heights and clothes match side by side. Used in the scenes where everyone appears (or in / out per scene)</li><li>🔒 Audio lock: each scene's piece of the song is anchored on H3's audio track in time while it generates (ComfyUI's own Add Guide), so the lips and the beat stay with the music. Per scene; the finished video keeps the original song</li><li>Transitions: cut, crossfade, dip to black or dip to white. The crossfade blends the previous scene while it is still moving</li><li>🧩 Redo one scene: change a scene's text, picture or timing (or press 🎲 Another take) and only that scene is made again; the others stay cached</li><li>Low memory: each scene is saved to disk as soon as it is made and joined at the end. The workflow needs about one scene's worth of RAM, not the whole video</li><li>Prompts are written for you: the <code>&lt;Picture 1&gt;</code> / <code>&lt;Audio 1&gt;</code> definitions and the lip-sync line (with exact times) are added to your text</li><li>💾 Civitai metadata (optional): one switch saves the video with ComfyUI-Video-Saver, including the prompt H3 got for each used scene, model, seed and steps</li><li>Japanese and English workflows are included</li></ul><h3 id="how-to-use">▶ How to use</h3><ol><li>Press 🎞 Timeline at the bottom left of the canvas</li><li>Drop your song (wav, flac, mp3, …) on the blue audio track</li><li>Drop a picture on each clip (+ adds scenes)</li><li>Press Space to play and C where each scene should end</li><li>Press S where the singing starts and S again where it stops. With no spans, H3 sings whenever it hears vocals</li><li>Write each scene's text below the timeline (English works best)</li><li>Press Run. The video is saved in <code>output/video/</code></li></ol><h3 id="timeline-controls">⌨ Timeline controls</h3><ul><li>Space: play / stop · C: cut here · S: singing starts / stops</li><li>Drag a clip's right edge for its length (Shift = 0.1 s steps). Drag the waveform to choose where in the song the video starts</li><li>🎤 spans: drag the ends or the middle, and double-click to delete one. Double-clicking an empty spot adds one</li><li>Remove a scene's picture: ✕ on the clip, or select the clip and press Delete over the timeline</li><li>⛓ at a cut: continue the previous scene (leave that scene's picture empty for a seamless continuation) · ◆: transition · mouse wheel: zoom</li><li>+🧑 / +👥 at the top: add a character or the group photo (drop a picture, type a name and role) · below the timeline: 🧑 In this scene and 🎤 Who sings for the selected scene</li><li>Below the timeline: 🎲 Another take re-rolls only the selected scene (↺ = back to the shared seed) · 🔒: audio lock for that scene · 🧩 Per scene at the top: redo only the scenes you changed (on by default)</li></ul><h3 id="requirements">📦 Requirements</h3><ul><li>A recent ComfyUI with the built-in MiniMax H3 nodes</li><li><code>models/diffusion_models/</code>: <code>minimax_h3_ref2va_pruned_int8_convrot.safetensors</code></li><li><code>models/loras/</code>: <code>minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors</code> (Turbo, 4 steps)</li><li><code>models/text_encoders/</code>: <code>qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors</code></li><li><code>models/vae/</code>: <code>minimax_h3_video_vae_fp16.safetensors</code>, <code>minimax_h3_audio_vae_fp32.safetensors</code></li><li>Optional: <a target="_blank" rel="ugc" href="https://github.com/diodiogod/ComfyUI-Video-Saver">ComfyUI-Video-Saver</a>, only to save with Civitai metadata. Without it the workflow runs as usual (ComfyUI may list its two nodes as missing; you can ignore that)</li></ul><h3 id="install">🔧 Install</h3><ol><li>Copy <code>custom_nodes/ComfyUI-H3Timeline</code> into ComfyUI's <code>custom_nodes/</code></li><li>Restart ComfyUI and reload the page (Ctrl+F5)</li><li>Drop a workflow from <code>workflows/</code> onto the canvas</li></ol><h3 id="notes">📝 Notes</h3><ul><li>One scene is at most 15 s (H3's limit)</li><li>The timeline preview shows the stills with the song. H3 makes the real motion</li><li><code>av_shift</code> on the board delays the finished video's sound against the picture (default 0; about 0.2 s if the motion lags without 🔒)</li><li>The temporary scene files (up to about 0.9 GB per scene) are kept in <code>temp/h3tl/</code> and cleared every time ComfyUI starts. If one goes missing, it is decoded again automatically, and a full disk stops the run with a clear message</li><li>🧩 Redoing one scene uses ComfyUI's normal cache (not <code>--cache-none</code>); restarting ComfyUI forgets the scenes it remembered. The shared 🎲 seed is fixed: change it to re-roll every scene</li><li>The 🚀 attention node is for Nvidia / AMD GPUs. Set it to <code>pytorch attention</code> if it doesn't fit your GPU</li></ul><hr /><h2 id="h3-timeline-4v1.2-minimax-h3-mv">🎞 H3 Timeline 4（v1.2）：手持ちの曲で MiniMax H3 の口パク MV</h2>手持ちの曲と 1〜4 枚の画像から、MiniMax H3 で口パクのミュージックビデオを作るシンプルな ComfyUI ワークフローです。タイムラインで曲を再生しながら、シーンを切る所と歌う所をキーで決めるだけ。LLM・YuE2・楽譜は使わず、入れるカスタムノードも 1 フォルダだけです。<h3>✨ できること</h3><ul><li>🎞 タイムライン：ComfyUI の画面の下に開く編集画面。曲と画像をドロップして、波形を見ながら再生できます</li><li>✂ 再生しながらカット：曲を流しながら C を押すと、押した所でシーンが切れます（最大 4 シーン・1 シーン 1〜15 秒）</li><li>🎤 口パク：各シーンの区間の曲をそのまま H3 の <code>&lt;Audio 1&gt;</code> に渡します。歌い始めと歌い終わりで S を押すと、その間だけ歌います</li><li>🖼 最初のコマを画像に固定：各シーンが画像どおりに始まります（本体の Add Guide）。シーンごとにオフにすれば、画像は参考だけに</li><li>⛓ 前のシーンから続ける：切れ目をクリックするだけで、前のシーンの切れ目の直後のコマが次のシーンの最初のコマになり、映像がつながります</li><li>🧑 キャラ（最大 4 人）：人物ごとに画像と名前を登録。シーンごとに「出る人」と「歌う人」（1 人／みんな）を選べて、出る人の画像を <code>&lt;Picture 2&gt;</code>・<code>&lt;Picture 3&gt;</code>… として渡し、顔・髪・服をそろえます。文章の中では名前で呼べて、役・説明も付けられます（例：lead vocalist）</li><li>👥 全体写真：全員一緒の写真を 1 枚渡して、並んだ時の顔・背丈・服をそろえます。全員が出るシーンで使います（シーンごとに入れる／外すも可）</li><li>🔒 曲を固定：各シーンの区間の曲を、生成中に H3 の音声トラックへ時間どおり固定（本体の Add Guide）。口やビートが曲からずれにくくなります。シーンごとに切替、完成動画の音は元の曲のまま</li><li>つなぎ方：cut／crossfade／dip to black／dip to white。crossfade は前のシーンが動いたまま重なります</li><li>🧩 シーンだけ作り直す：シーンの文章・画像・タイミングを変える（または 🎲 別テイク）と、そのシーンだけ作り直し。ほかのシーンはキャッシュのまま</li><li>省メモリ：各シーンはできたらすぐディスクに保存して、最後につなぎます。メモリは動画全体ではなく「1 シーンぶん」で済みます</li><li>プロンプトは自動で整えます：<code>&lt;Picture 1&gt;</code>・<code>&lt;Audio 1&gt;</code> の定義と、時刻入りの口パクの指示を書いた文章に足します</li><li>💾 Civitai メタデータ（任意）：スイッチ 1 つで、ComfyUI-Video-Saver を使って、使ったシーンぶんの H3 のプロンプト・モデル・seed・steps 付きで保存</li><li>日本語版・英語版のワークフロー入り</li></ul><h3>▶ 使い方</h3><ol><li>キャンバス左下の 🎞 タイムライン を押す</li><li>曲（wav・flac・mp3 など）を青い段にドロップ</li><li>各クリップに 画像 をドロップ（＋ でシーンを追加）</li><li>Space で再生して、シーンを切りたい所で C</li><li>歌い始めで S、歌い終わりでもう一度 S（付けなければ、声が聞こえたら歌う）</li><li>タイムラインの下の欄に、各シーンの文章を書く（英語がおすすめ）</li><li>実行。<code>output/video/</code> に保存されます</li></ol><h3>⌨ タイムラインの操作</h3><ul><li>Space：再生／停止・C：ここで切る・S：歌い始め／歌い終わり</li><li>クリップの右端をドラッグで秒数（Shift で 0.1 秒刻み）、波形を左右にドラッグで曲のどこから使うか</li><li>🎤 帯：端や真ん中をドラッグ、ダブルクリックで削除（空いた所のダブルクリックで追加）</li><li>シーンの画像を外す：クリップの ✕、またはクリップを選んでタイムラインの上で Delete</li><li>切れ目の ⛓：前のシーンから続ける（きれいに続けたい時は、そのシーンの画像は空のまま）・◆：つなぎ方・ホイール：拡大縮小</li><li>上の ＋🧑／＋👥：キャラや全体写真を追加（画像をドロップして名前・役を入力）・下の欄：選んだシーンの 🧑 出る人 と 🎤 歌う人</li><li>下の欄の 🎲 別テイク：選んだシーンだけ引き直し（↺ で共通の seed に戻す）・🔒：そのシーンの曲の固定・上の 🧩 シーン単位：変えたシーンだけ作り直す（標準でオン）</li></ul><h3>📦 必要なもの</h3><ul><li>MiniMax H3 のノードが標準で入っている、新しい ComfyUI</li><li><code>models/diffusion_models/</code>：<code>minimax_h3_ref2va_pruned_int8_convrot.safetensors</code></li><li><code>models/loras/</code>：<code>minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors</code>（Turbo・4 step）</li><li><code>models/text_encoders/</code>：<code>qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors</code></li><li><code>models/vae/</code>：<code>minimax_h3_video_vae_fp16.safetensors</code>・<code>minimax_h3_audio_vae_fp32.safetensors</code></li><li>任意：<a target="_blank" rel="ugc" href="https://github.com/diodiogod/ComfyUI-Video-Saver">ComfyUI-Video-Saver</a>（Civitai メタデータ付きで保存する時だけ）。無くても普通に動きます（その 2 つのノードが「見つからない」と出ることがありますが、無視してOK）</li></ul><h3>🔧 入れ方</h3><ol><li><code>custom_nodes/ComfyUI-H3Timeline</code> を ComfyUI の <code>custom_nodes/</code> にコピー</li><li>ComfyUI を再起動して、ページも再読み込み（Ctrl+F5）</li><li><code>workflows/</code> のワークフローをキャンバスにドロップ</li></ol><h3>📝 気をつけること</h3><ul><li>1 シーンは 15 秒まで（H3 の上限）</li><li>タイムラインの再生は、静止画と曲での目安です（実際の動きは H3 が作ります）</li><li>ボードの <code>av_shift</code> で完成動画の音を映像に対して遅らせられます（標準 0。🔒 なしで動きが遅れるなら 0.2 秒くらい）</li><li>途中のファイル（1 シーンあたり最大約 0.9GB）は <code>temp/h3tl/</code> に置き、ComfyUI を起動し直すと消えます。消えていた時は自動でデコードし直し、空き容量が足りない時は分かりやすいメッセージで止まります</li><li>🧩 シーンだけ作り直すのは ComfyUI の普通のキャッシュを使います（<code>--cache-none</code> では効きません）。ComfyUI を再起動すると覚えていたシーンは消えます。共通の 🎲 seed は固定なので、全シーンを引き直す時は seed を変えてね</li><li>🚀 attention ノードは Nvidia／AMD 用です。合わない時は <code>pytorch attention</code> にしてください</li></ul>

Tap to Screen — MiniMax H3 lip-sync MV on your own song (1–4 scenes, timeline)

v1.2 — redo one sceneFix one scene without making the whole video again.<ul><li>🧩 Only the scenes you changed are made again: change a scene's text, picture, 🎤, cast or 🔒 and only that scene runs; the others stay cached. A length change re-makes that scene and the ones after it (they move in the song), a 🎤 span only the scenes that hear it, <code>av_shift</code> only the join</li><li>🎲 Another take (below the timeline): re-roll one scene with its own seed, without re-reading its text. ↺ goes back to the shared seed</li><li>How: each scene gets its own 🧩 plan with only what it depends on (filled in from the board by the timeline), and the ⛓ links exist only where a scene continues</li><li>The shared seed is now fixed (it was "randomize", which re-made every scene on every run)</li><li>🧩 Per scene: off brings back the v1.1 way (all scene prompts first, fewer model swaps, every edit re-makes all scenes)</li><li>The join stops with a message if a saved scene was made for other timeline numbers, instead of mixing them</li></ul>v1.1 — several characters, a group photo and audio lockThe single 🧑 character is now a small cast, for duets and bands.<ul><li>🧑 Up to 4 characters, each with a picture, a name and an optional role (e.g. lead vocalist). Call them by name in your scene text</li><li>👥 Group photo: one photo of everyone together, so faces, heights and clothes match side by side. By default it is used only in scenes where everyone appears; a solo scene gets the individual pictures only (or force it in / out per scene)</li><li>The prompt says the 🧑 / 👥 pictures are look references only and the framing comes from the scene picture; a <code>&lt;Picture n&gt;</code> you define yourself is kept and the others still get their lines</li><li>🧑 In this scene: choose who appears in each scene. Only their pictures go to H3, numbered <code>&lt;Picture 2&gt;</code>, <code>&lt;Picture 3&gt;</code>, … without gaps, and the clips show their faces</li><li>🎤 Who sings per scene: auto, one character (the others keep their mouths closed), or everyone</li><li>🔒 Audio lock (per scene, auto = lip-sync scenes): the scene's piece of the song is put on H3's audio track in time, so the mouth and the beat stay with the music. Default method frozen (the song as the audio track, kept by a mask; confirmed on H3); anchor (a keyframe at frame 0) stays as an experimental option. The finished video still gets the original song</li><li><code>av_shift</code> now defaults to 0 (the song exactly as H3 heard it); set it yourself if the motion lags</li><li>Fixed: the ⚡ Turbo switch node had the save switch's title</li></ul>v1.0 — first releaseThe first public version of H3 Timeline 4: a simple MiniMax H3 workflow that turns your own song and 1–4 pictures into a lip-synced music video. Set the cuts and the singing on a timeline while the song plays.<ul><li>🎞 Timeline editor: drop your song and pictures, then play it back with the waveform</li><li>✂ Press C while playing to cut, and S to mark where the singing starts and stops</li><li>🎤 Lip sync from your own song (each scene's piece goes to H3 as <code>&lt;Audio 1&gt;</code>)</li><li>⛓ Continue the previous scene, and 🧑 keep the same character in every scene</li><li>Transitions: cut, crossfade, dip to black, dip to white</li><li>Low memory: about one scene's worth of RAM, even for 4 × 15 s</li><li>💾 Optional Civitai metadata save (ComfyUI-Video-Saver): the prompts H3 got for the used scenes, model, seed, steps</li><li>Japanese and English workflows, and only one custom node folder</li></ul>v1.2 — シーンだけ作り直す動画全体を作り直さずに、1 シーンだけ直せるようになりました。<ul><li>🧩 変えたシーンだけ作り直し：シーンの文章・画像・🎤・出る人・🔒 を変えると、そのシーンだけ生成して、ほかはキャッシュのまま。秒数を変えるとそのシーンと後ろのシーン（曲の中の位置がずれるため）、🎤 の帯はそれを聞くシーンだけ、<code>av_shift</code> は結合だけ</li><li>🎲 別テイク（タイムラインの下の欄）：そのシーンだけ seed を変えて引き直し（文の読み込みはやり直さない）。↺ で共通の seed に戻す</li><li>しくみ：各シーンに、そのシーンに関係することだけの 🧩 計画を渡して（タイムラインがボードから自動で書き込み）、⛓ のつながりは続くシーンにだけ付けます</li><li>共通の seed は固定に（前は「毎回ランダム」で、実行のたびに全シーン作り直しでした）</li><li>🧩 シーン単位：オフで v1.1 の方式に戻せます（全シーンの文を先に読む・モデルの入れ替えが少ない・何か変えると全シーン作り直し）</li><li>保存されたシーンが別のタイミング用に作られていた時は、混ぜずに結合がメッセージで止まります</li></ul>v1.1 — キャラ複数・全体写真・曲の固定🧑 キャラ固定 1 人だったのを、デュエットやバンドにも使えるようにしました。<ul><li>🧑 キャラは最大 4 人。それぞれ画像・名前・役（任意・例 lead vocalist）を登録でき、シーンの文章の中では名前で呼べます</li><li>👥 全体写真：全員一緒の写真を 1 枚渡して、並んだ時の顔・背丈・服をそろえます。標準では全員が出るシーンだけに渡し、ソロのシーンは人ごとの画像だけ（シーンごとに入れる／外すもできます）</li><li>🧑／👥 の画像は「見た目の参考だけで構図はシーン画像から」と文で伝えます。自分で <code>&lt;Picture n&gt;</code> を定義した分はそのまま、ほかのキャラの分だけ足します</li><li>🧑 出る人：シーンごとに出るキャラを選べます。出る人の画像だけを <code>&lt;Picture 2&gt;</code>・<code>&lt;Picture 3&gt;</code>… と詰めて H3 に渡し、クリップにも顔が出ます</li><li>🎤 歌う人をシーンごとに：auto／キャラ 1 人（ほかの人は口を閉じる）／みんな</li><li>🔒 曲を固定（シーンごと・auto＝口パクのシーン）：シーンの区間の曲を、H3 の音声トラックに時間どおり置いて生成。口やビートが曲からずれにくくなります。標準はフローズン（曲を音声トラックにしてマスクで固定・実機確認済み）、アンカー（0 コマ目のキーフレーム）は実験オプション。完成動画の音は元の曲のまま</li><li><code>av_shift</code> の標準を 0 に（曲は H3 が聞いたとおりの位置）。動きが遅れる時は自分で設定</li><li>修正：⚡ Turbo 切替ノードのタイトルが保存の切替のものになっていたのを直しました</li></ul>v1.0 — 初公開H3 Timeline 4 の最初の公開版です。手持ちの曲と 1〜4 枚の画像から、MiniMax H3 で口パクのミュージックビデオを作るシンプルなワークフローです。曲を再生しながら、タイムラインでカットと歌う所を決めます。<ul><li>🎞 タイムライン：曲と画像をドロップして、波形を見ながら再生</li><li>✂ 再生中に C でカット、S で歌い始めと歌い終わり</li><li>🎤 手持ちの曲で口パク（各シーンの区間の曲を H3 の <code>&lt;Audio 1&gt;</code> に渡します）</li><li>⛓ 前のシーンから続ける・🧑 キャラ固定で全シーン同じ人物に</li><li>つなぎ方：cut／crossfade／dip to black／dip to white</li><li>省メモリ：4 シーン×15 秒でも、メモリは 1 シーンぶん</li><li>💾 Civitai メタデータ付き保存（任意・ComfyUI-Video-Saver）：使ったシーンの H3 のプロンプト・モデル・seed・steps</li><li>日本語版・英語版のワークフロー入り、カスタムノードは 1 フォルダだけ</li></ul>

Files with SHA256: ff74406a16dee343cfb08783ce74b6c8251b7dd7f76de2804484b4654bab27dd