🎞 H3 Timeline 4 (v1.2): lip-synced music videos on your own song with MiniMax H3

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.

✨ Features

• 🎞 Timeline editor at the bottom of the ComfyUI page: drop your song and pictures, then play it back with the waveform

• ✂ Live cutting: press C while the song plays and each scene ends exactly where you press (up to 4 scenes, 1–15 s each)

• 🎤 Lip sync: each scene's piece of the song goes to H3 unchanged as <Audio 1>. Press S where the singing starts and stops, and H3 sings only inside those spans

• 🖼 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

• ⛓ 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

• 🧑 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 <Picture 2>, <Picture 3>, … 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)

• 👥 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)

• 🔒 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

• Transitions: cut, crossfade, dip to black or dip to white. The crossfade blends the previous scene while it is still moving

• 🧩 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

• 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

• Prompts are written for you: the <Picture 1> / <Audio 1> definitions and the lip-sync line (with exact times) are added to your text

• 💾 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

• Japanese and English workflows are included

▶ How to use

1. Press 🎞 Timeline at the bottom left of the canvas

2. Drop your song (wav, flac, mp3, …) on the blue audio track

3. Drop a picture on each clip (+ adds scenes)

4. Press Space to play and C where each scene should end

5. Press S where the singing starts and S again where it stops. With no spans, H3 sings whenever it hears vocals

6. Write each scene's text below the timeline (English works best)

7. Press Run. The video is saved in output/video/

⌨ Timeline controls

• Space: play / stop · C: cut here · S: singing starts / stops

• 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

• 🎤 spans: drag the ends or the middle, and double-click to delete one. Double-clicking an empty spot adds one

• Remove a scene's picture: ✕ on the clip, or select the clip and press Delete over the timeline

• ⛓ at a cut: continue the previous scene (leave that scene's picture empty for a seamless continuation) · ◆: transition · mouse wheel: zoom

• +🧑 / +👥 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

• 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)

📦 Requirements

• A recent ComfyUI with the built-in MiniMax H3 nodes

• models/diffusion_models/: minimax_h3_ref2va_pruned_int8_convrot.safetensors

• models/loras/: minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors (Turbo, 4 steps)

• models/text_encoders/: qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

• models/vae/: minimax_h3_video_vae_fp16.safetensors, minimax_h3_audio_vae_fp32.safetensors

• Optional: ComfyUI-Video-Saver, 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)

🔧 Install

1. Copy custom_nodes/ComfyUI-H3Timeline into ComfyUI's custom_nodes/

2. Restart ComfyUI and reload the page (Ctrl+F5)

3. Drop a workflow from workflows/ onto the canvas

📝 Notes

• One scene is at most 15 s (H3's limit)

• The timeline preview shows the stills with the song. H3 makes the real motion

• av_shift on the board delays the finished video's sound against the picture (default 0; about 0.2 s if the motion lags without 🔒)

• The temporary scene files (up to about 0.9 GB per scene) are kept in temp/h3tl/ 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

• 🧩 Redoing one scene uses ComfyUI's normal cache (not --cache-none); restarting ComfyUI forgets the scenes it remembered. The shared 🎲 seed is fixed: change it to re-roll every scene

• The 🚀 attention node is for Nvidia / AMD GPUs. Set it to pytorch attention if it doesn't fit your GPU

🎞 H3 Timeline 4（v1.2）：手持ちの曲で MiniMax H3 の口パク MV

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。

✨ できること

• 🎞 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

• ✂ 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）

• 🎤 口パク：各シーンの区間の曲をそのまま H3 の <Audio 1> 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

• 🖼 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

• ⛓ 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

• 🧑 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 <Picture 2>・<Picture 3>… 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）

• 👥 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）

• 🔒 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

• 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

• 🧩 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

• 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

• プロンプトは自動で整えます：<Picture 1>・<Audio 1> 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

• 💾 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

• 日本語版・英語版のワークフロー入り

▶ 使い方

1. キャンバス左下の 🎞 タイムライン を押す

2. 曲（wav・flac・mp3 など）を青い段にドロップ

3. 各クリップに 画像 をドロップ（＋ でシーンを追加）

4. Space で再生して、シーンを切りたい所で C

5. 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）

6. 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）

7. 実行。output/video/ に保存されます

⌨ タイムラインの操作

• Space：再生／停止・C：ここで切る・S：歌い始め／歌い終わり

• 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

• 🎤 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）

• 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

• 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

• 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

• 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）

📦 必要なもの

• MiniMax H3 のノードが標準で入っている、新しい ComfyUI

• models/diffusion_models/：minimax_h3_ref2va_pruned_int8_convrot.safetensors

• models/loras/：minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors（Turbo・4 step）

• models/text_encoders/：qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

• models/vae/：minimax_h3_video_vae_fp16.safetensors・minimax_h3_audio_vae_fp32.safetensors

• 任意：ComfyUI-Video-Saver（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）

🔧 入れ方

1. custom_nodes/ComfyUI-H3Timeline を ComfyUI の custom_nodes/ にコピー

2. ComfyUI を再起動して、ページも再読み込み（Ctrl+F5）

3. workflows/ のワークフローをキャンバスにドロップ

📝 気をつけること

• 1 シーンは 15 秒まで（H3 の上限）

• 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）

• ボードの av_shift 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）

• 途中のファイル（1 シーンあたり最大約 0.9GB）は temp/h3tl/ 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

• 🧩 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（--cache-none 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

• 🚀 attention ノードは Nvidia／AMD 用です。合わない時は pytorch attention にしてください