
【MiniMax H3 第6回】AIキャラの顔を毎回そろえる、参照画像6枚の作り方
同じ6枚から、振り向く・走る・去るが、同じ顔で出た

夕方の河原で、背中から振り向く。晴れた屋上を、真横から見て走る。冬の砂浜を、背中のまま去っていく。
場所も、画角も、向きもばらばらの動画ですが、顔はどれも同じ人です。
最後には、星空の屋上で変身もしました。
この顔をそろえているのは、生成のたびに渡している参照画像です。
この回で作ったのは、その参照画像のほうでした。6枚あります。
作り方は3段だけです。
文章で、元の1枚を作る(静止画・1枚 約40秒)
その1枚を渡して、縦の動画を2本作る(1本 約8分)
2本の途中で止めて、6コマを取り出す
第6回の動画(YouTube・3分58秒)で見せた手順を、文字で残しました。
動画を見ていなくても、この記事だけで同じものが作れます。
環境は第2回で入れたもの(VRAM 16GB・ComfyUI・MiniMax H3)がそのまま使えます。
6枚の中身は、距離が3つと、向きが3つ

6枚はこう分けます。
全身・まえ
胸から上・まえ
顔
よこがお
うしろ(胸から上)
うしろの全身
なぜ6枚なのか。参照画像は、顔と一緒に「距離」と「向き」も運ぶからです。
全身の参照を渡すと全身で、うしろの参照を渡すとうしろ姿で出てきます。
だから、撮りたい距離(全身・胸から上・顔)と向き(まえ・よこ・うしろ)の分だけ、先に用意しておきます。
前回(第5回)は、生成した動画から1フレームを取り出して参照にしました。
今回はその延長です。取り出すコマを、1枚から6枚に増やします。
元の1枚は、文章だけで作る

最初の1枚は、参照なしで、文章だけから作ります。書くのは4つです。
髪(色・長さ・前髪)
目(色)
服(上から下まで。上着・スカート・靴)
頭から足元まで写る
H3 は動画のモデルなので、静止画も「5コマの動画」として生成し、真ん中の1コマを PNG にします。
1344x768・8ステップで、1枚 約40秒です。
この1枚が、あとの6枚ぜんぶの顔・服・靴になります。
動画は1本 約8分かかりますが、静止画は約40秒です。だから、気に入るまでここで何度でも作り直します。
見るところは3つです。
顔 — 目の色と形。口が閉じている
服 — 上から下まで、書いたとおり
足元 — 頭のてっぺんから靴の先まで、枠の中
足元まで写っていれば、あとの6枚にも同じ靴が出ます。
それから、ここで書いた服の言葉は、あとの動画の文にも同じ言葉で入れます。顔は参照に、服は文にまかせる分担です。
縦の動画を2本。1本目は「遠くから、カメラの前まで」

次に、元の1枚を参照に1枚だけ渡して、動画を作ります。縦で作ります(480x864)。
縦にする理由は、人が大きく写るからです。人1人の参照画像は縦長なので、縦で作ると画面の幅を使い切れます。
全身のコマで、頭の大きさが約80px(横 864x480)から約200px(縦 480x864)になります。
そのあと 800x1440 に潜在拡大し、15秒(362コマ)で作ります。
1本目の頼み方は、「遠くから、カメラの前まで歩いてくる」です。
1本の中で距離が変わるので、全身・胸から上・顔が、1本の中に全部入ります。
この回の1本目では、6.25秒が全身、10.4秒が胸から上、14.6秒が顔でした。
2本目は「正面から、後ろへ向き直って、歩き去る」
2本目は向きを集めます。頼み方は「正面から後ろへ向き直って、歩き去る」です。
向きは、止まった姿勢で頼むのではなく、その向きを通る動きで頼みます。
向き直る途中で、斜め、よこがお、うしろが順に通ります。そのあと歩き去るので、うしろの全身も取れます。
この回の2本目では、2.3秒がよこがお、2.9秒がうしろ、8.3秒がうしろの全身でした。
止めて、取り出す

取り出すのは、動画のコマそのものです。スクリーンショットは使いません。
ComfyUI の中で、ノードを4つつなぎます。
Load Video → Get Video Components → Image From Batch → Save ImageImage From Batch の batch_index に「秒 × 24」を入れます(24fps。6.25秒なら 150)。
ffmpeg なら1行です。
ffmpeg -ss 6.25 -i 前向き.mp4 -frames:v 1 -vf scale=-2:1024 1_全身_まえ.png選ぶコマの条件はこうです。
目が開いていて、口が閉じていて、まばたきの途中でない
全身の2枚は、頭のてっぺんと靴の先が枠の中にある
候補の秒のまわりを 0.25秒刻みで並べて、等倍で見て 1枚決める
大きさは長辺 1024px までにそろえます。全身は切らずに縮めます。

2本とも同じ元の1枚から作ったので、6枚とも同じ顔になります。
言いかえると、渡した1枚の人になります。だから元の1枚が、キャラクターそのものです。
冒頭の澄の6枚も、同じように、2本の動画から取り出したものです。
撮るたびに、6枚から2〜3枚を選んで渡す

6枚そろったら、撮るたびに撮りたい距離と向きに合う2〜3枚を選んで渡します。
参照の向きと距離に動画が寄っていくので、選び方がそのまま画角の指示になります。
この回の6本(どれも 960x544・5秒)は、こう選びました。
近づいてくる(回廊を斜めに)— 全身・まえ/胸から上・まえ/顔。寄りたいときは、斜めに近づいてもらいます
振り向く(夕方の河原)— うしろ/よこがお/顔。振り向きは、半回転で頼みます
走る(屋上を真横から)— 全身・まえ/よこがお/うしろの全身。速い動きは、5秒の短い尺で頼みます
足元から顔へ(雨上がりの石だたみ)— 全身・まえ/胸から上・まえ/顔。足元まで写った参照を1枚入れます
去っていく(冬の砂浜)— うしろの全身/うしろ/顔。うしろを撮るときは、うしろの参照を渡します
顔のアップ(無地の空色)— 胸から上・まえ/顔の2枚だけ。顔の寄りは、カメラを止めて撮ります
どの動画も、場所は看板や文字の出ようがない、明るい場所を選びました。回廊・河原・屋上・広場・砂浜・無地です。
もう一つ。参照に写っていないもの(髪の差し色や小物)は、文では足せません。
要るものは、元の1枚の段階で描いておきます。
変身は、変身後の姿を先に静止画で作る

最後の変身は、6枚のうち2枚(胸から上・まえ/顔)に、変身後の姿の静止画を3枚目として足して渡しました。
変身後の姿は、元の1枚と同じやり方で、先に静止画で作ります(1344x768・約40秒)。
変身後の服も参照に写っていれば、同じ顔のまま着替えられるからです。
静止画の段階で、目の色を等倍で見て1枚選んでおきます。
そのうえで、15秒・8カットの変身を1本(960x544 → 1440x800・約10分)。
星の布を床からはがして肩にかけ、白い光のあとでドレスに変わり、振り向いて止まります。
数字(VRAM 16GB・RTX 4070 Ti SUPER)
元の1枚:1344x768・5コマ・約40秒
縦の動画:480x864 → 800x1440・362コマ(15秒)・約8分
横の5秒:960x544・124コマ・約2分(1440x800 に潜在拡大すると約3分)
変身後の静止画:1344x768・5コマ・約40秒
変身15秒:960x544 → 1440x800・362コマ・約10分
どれも 8ステップ・Turbo LoRA(公式 8step v1.0)・ref_image_size = max です。
まとめ
[ ] 元の1枚は文章だけで。髪・目・服・「頭から足元まで」
[ ] 静止画は約40秒。気に入るまでここで作り直す
[ ] 縦で作る(480x864 → 800x1440)
[ ] 1本目は「遠くからカメラの前まで」= 全身・胸から上・顔
[ ] 2本目は「正面から後ろへ向き直って歩き去る」= よこがお・うしろ・うしろの全身
[ ] 0.25秒刻みで並べて、等倍で選ぶ。長辺1024まで
[ ] 撮るたびに、撮りたい距離と向きの2〜3枚を選んで渡す
[ ] 変身後の姿は、先に静止画で作って参照に足す全文と、続き
この記事に出したのは要点だけです。
11本のプロンプトの全文(日本語と英語)、設定値と番号(seed)、ComfyUI の操作の順番、
取り出す秒と選び方、参照の渡し方(Load Image の順と名指し)、それに
そのまま読み込めるワークフロー6つと、元の1枚・取り出した6枚の配布は、有料版にまとめてあります。
YouTube:第6回の動画(3分58秒)
Brain(有料):【第6回】MiniMax H3 参照画像6枚を作って、同じ顔で撮り分ける:手順の全文(VRAM 16GB)
次回は声です。この進行役のしゃべり方を、どう作っているかをお話しします。