上一篇我们跑通了 MiniMax H3 的文生视频（没看过的可以翻我主页）。但实际创作里更常用的其实是图生视频 ：手里已经有一张满意的图------AI 生成的成图、自己拍的照片、上一步视频的某一帧------让它动起来、配上声音。H3 的 i2v 模式正是干这个的：首帧严格锚定你的输入图，然后延续出 5 秒带立体声音轨的动态画面。
本篇实测：拿上一篇文生视频成片里的一帧（奔跑者+反乌托邦城市）作为输入，12G 显存的 4070 Ti 上 5 分 38 秒 出片。模型与上一篇完全相同、零新增下载------看过上篇的你直接跳到第三节开跑。
一、效果先看
四联对比图从左到右：输入静态图 → 视频首帧 → 2.6 秒 → 5 秒。两个关键行为都成立：
- 首帧锚定：视频第一帧和输入图构图、人物姿态、场景元素高度一致（i2v 模式的核心承诺，实测没跑偏）；
- 动态推进：人物奔跑姿势逐帧推进，背景飞行器下移、雾气流动，不是"画面微微抖动"式的假动态。
出片规格：1344×768、24fps、124 帧（5.17 秒）、自带立体声音轨（追逐低音配乐+湿 footsteps+飞行器掠过的引擎声，都写进提示词里让它生成）。turbo 8 步档全程 338 秒；模型加载被上一篇的运行缓存过，冷启动也就多 38 秒。
二、和文生视频的差异：只有一行
工作流结构上，i2v 和上篇的 t2v 只差一个输入：
| t2v（上篇） | i2v（本篇） | |
|---|---|---|
| 输入 | 纯文字提示词 | 提示词 + first_frame 输入图 |
| 节点 | 15 个 | 16 个（多一个 LoadImage） |
| 模型 | 完全相同的 5 个 | 同左，零新增 |
MiniMaxH3ImageToVideo 节点有个可选输入 first_frame，把 LoadImage 的图接进去就是图生视频；不接就是文生视频。首尾帧（first_frame + last_frame）都接则是官方模板里的 flf2v 玩法------给开头和结尾两张图，中间让模型自己补，适合做"转场"类镜头。
三、跑起来
模型准备（5 个，和上篇完全一致，没装过的按这里放）：
| 模型文件 | 大小 | 放置目录 | 官方下载 | 网盘备份 |
|---|---|---|---|
| minimax_h3_fl2va_pruned_int8_convrot.safetensors | 21.0 GB | diffusion_models | 官方下载页 | 网盘下载 |
| qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 15.7 GB | text_encoders | 官方下载页 | 网盘下载 |
| minimax_h3_video_vae_int8_convrot.safetensors | 2.81 GB | vae | 官方下载页 | 网盘下载 |
| minimax_h3_audio_vae_fp32.safetensors | 0.61 GB | vae | 官方下载页 | 网盘下载 |
| minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors（加速可选） | 1.96 GB | loras | 官方下载页 | 网盘下载 |
官方 HuggingFace 国内可把链接里的 huggingface.co 换成 hf-mirror.com 直连；网盘是同一文件的备份，点开自动带提取码。
操作三步：
- 载入文末下载的工作流（官方原版或我摊平的 turbo API 版）；
- 把你的图拖进 LoadImage（建议短边 768 以上的清晰图，横竖比尽量贴近 16:9，生成尺寸填 1344×768）；
- 写提示词，点运行。
图生视频的提示词怎么写 ：和 t2v 不同，i2v 的提示词不要描述画面长什么样（图已经定了），重点写"接下来发生什么"：一段动作走向 + 镜头运动（Camera: 平移跟随/推拉摇移）+ Audio 段落描述声音。本篇实测用的结构：
画面延续总述：与输入图完全一致的写实调色、同一场景同一人物......
Scene overview: 人物保持全速奔跑并向画面右侧移动，身后的追兵逐渐逼近，一架飞行器低空掠过......
Camera: 与奔跑者同速的平移跟拍，胸部高度，步伐带轻微手持抖动，不切镜头。
Audio: 低音追逐配乐渐强、湿漉路面上的急促脚步、风声、远处警笛、飞行器引擎掠过的低频呼啸，最后一秒一个重音点。
No text, subtitles, logos or watermarks......参数沿用上篇：res_multistep 采样器、simple 调度、denoise 1.0、124 帧/24fps、seed 固定。turbo LoRA 挂不挂随意，挂了 8 步出片，不挂 20 步细节更锐。
四、实测踩坑
1. 输入图的分辨率就是生成分辨率。 first_frame 锚定后，宽高参数要和输入图对齐（或等比），差距太大模型会在首帧"强行缩放"，动态开场会抖。我的输入图就是 1344×768，参数原样填。
2. 上一段视频的抽帧是最好的输入图来源。 做续集/长镜头时，从上一段成片里抽一帧接着 i2v，画面无缝续接------本篇就是这么做的。抽帧用 ffmpeg 或随手截屏都行。
3. 静态构图太"平"的图不容易出好动态。 全是风景、没有明确运动主体的图，模型只能给你云在飘、树叶在摇。输入图里最好有姿态明确的主体（奔跑/伸手/回头），提示词再顺着它的姿势写动作方向。
4. 音频还是要靠提示词里的 Audio 段。 不写 Audio 段，出来的视频音轨会只有环境底噪；写了才有配乐和音效编排（H3 是画面和声音一次性联合生成的）。
五、下载汇总
工作流与成片（城通网盘，点击自动带提取码）：
- minimax_h3_i2v_工作流.json（官方原版，需 ComfyUI v0.39+）
- minimax_h3_i2v_turbo_API.json（turbo 8 步摊平版）
- MiniMax_H3_i2v_00001_.mp4（本篇成片，含音轨）
模型文件见上面第三节的双链接表格（官方页 + 网盘备份各一条）。模型许可证按 MiniMax 官方仓库条款使用。
你手上有什么想让 它动起来的图？评论区丢上来，我挑几张跑给你看。