StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Alto Dinamismo de Cámara (Indicación de Video para H3)

Convierte las imágenes de referencia cargadas automáticamente por el plugin en una indicación Ref2VA completa para MiniMax H3 de image-to-video. Este skill solo produce la indicación de video, no genera tarjetas de personaje, indicaciones de texto a imagen para el primer fotograma ni guiones gráficos.

Modos de Entrada

• Modo con imágenes (recomendado) : El plugin ha cargado automáticamente 1-6 imágenes de referencia. Utiliza las reglas de etiquetas de h3-ref2va-contract.md para definir cada imagen: <Subject N> define contenido reutilizable (personaje, escena, objeto, estilo), <Picture N> se usa solo cuando la imagen se utiliza como anclaje de primer fotograma/fotograma clave.
• Modo solo texto : Si no se proporciona ninguna imagen de referencia, no se debe generar un error ni rechazar la solicitud. En su lugar, crea definiciones de sujeto en subject_definitions según la descripción textual del usuario, por ejemplo, <Subject 1> is a ... described by the user as .... No aparecen anclajes de primer fotograma <Picture N>, y el summary utiliza [reference generation]; solo cuando el usuario proporciona explícitamente una descripción de composición de acción y desea que sea la imagen inicial, se declara esa descripción como anclaje de imagen inicial y se añade keyframe completion.
• Ninguno de los dos modos produce tarjetas de personaje ni indicaciones de texto a imagen para el primer fotograma. La generación de imágenes no está dentro del alcance de este skill.

Archivos de Referencia

• references/h3-ref2va-contract.md: El contrato único y autoritario para la estructura Ref2VA de seis párrafos, etiquetas, marcas de retención, líneas de tiempo y reglas de sonido.
• references/high-motion-h3.md: Definiciones de alto dinamismo, sintaxis de comandos de cámara, densidad de movimiento y cadenas causales, lista de rechazos.
• references/generalized-speed-grammar.md: Biblioteca de prototipos de movimiento, biblioteca de módulos de cámara, asignación flexible de tiempo y vocabulario de alta velocidad.

No leer visual-case-design.md y sample-motion-blueprint.md. A menos que el usuario solicite explícitamente replicar la estructura del ejemplo hoverboard, no se deben utilizar sus puntos de tiempo fijos, despegue, giro de 180 grados ni derrape de aterrizaje.

Formato de Salida

Seguir estrictamente el formato de nodo, produciendo dos secciones:

[Análisis Visual]
Resumir en 2-3 frases en chino el sujeto, escena, acción y anclajes de estilo disponibles de las imágenes de referencia o descripción textual.

[Indicación de Video Final]
Seis párrafos en inglés, con nombres de campo y orden estrictamente fijos:
subject_definitions:
...
summary:
...
retention_analysis:
...
detailed_description:
...
overall_soundscape:
...
non_diegetic_music:
...

detailed_description debe cubrir completamente la composición, identidad del sujeto, entorno e iluminación, acción y cambios de estado, movimiento de cámara, efectos de sonido sincronizados y la posición de los efectos de referencia necesarios para H3. No inventar acciones solo para rellenar; la viabilidad temporal es prioritaria.

Requisitos Estrictos de Alto Dinamismo

Cada indicación debe cumplir simultáneamente con:

1. El sujeto se desplaza en al menos dos ejes: avance+descenso, desplazamiento lateral+ascenso, avance+rotación horizontal/inclinación, etc.
2. La escala aparente del sujeto o la distancia de la cámara cambia significativamente: llenando el encuadre, alejándose, acercándose al lente, cambiando rápidamente de distancia.
3. Estructuras de primer plano, cables, barandillas, fragmentos o partículas cruzan la imagen, creando un paralaje rápido.
4. El sujeto interactúa con elementos físicos: atravesar puertas, saltar obstáculos, rozar rieles, esquivar vehículos, chocar contra superficies, desviar empujes, superar vehículos, rozar al pasar.
5. Aceleración/desaceleración visible: compresión corporal, forma de empuje, estela de turbulencia, chispas, polvo levantado, separación de agua, ondas de choque, tela/cabello rezagado.
6. La cámara persigue activamente: acercarse, alejarse, desplazarse lateralmente, elevarse, descender, cambiar a lateral, cambiar distancia, seguir inclinaciones. No debe ser solo estático centrado o seguimiento paralelo a velocidad constante.

Cada compás debe escribir la cadena causal: acción del sujeto → respuesta del cuerpo/equipo → reacción del entorno → respuesta de la cámara. Usar contraste de velocidad, prohibido el seguimiento paralelo a velocidad constante completa.

Sintaxis de Comandos de Cámara

• Comandos oficiales entre paréntesis: [Truck left], [Truck right], [Pan left], [Pan right], [Push in], [Pull out], [Pedestal up], [Pedestal down], [Tilt up], [Tilt down], [Zoom in], [Zoom out], [Shake], [Tracking shot], [Static shot].
• Comandos simultáneos se escriben en el mismo paréntesis separados por comas, p. ej., [Tracking shot,Push in]; un máximo de 3 comandos por paréntesis; usar diferentes grupos de comandos en diferentes puntos de tiempo.
• En modo de alto dinamismo, prohibido [Static shot]. Prohibido comandos opuestos simultáneos como acercarse+alejarse.
• Movimientos de cámara sin comando oficial (arcos, rodeos, grúa, giros, pasar rozando) se describen en inglés natural, sin inventar comandos entre paréntesis inexistentes.
• Al menos 2-3 grupos secuenciales de comandos de cámara, cubriendo persecución, cambios de dirección y cierre.

Asignación de Tiempo

Asignar compases según la duración del video, sin usar marcas de tiempo fijas:

• Aprox. 5 segundos: 3 compases, 0.0-0.5 entrar inmediatamente en alta velocidad, un compás medio de cruce compuesto o cambio de dirección, un cierre espacial determinante al final.
• 6-8 segundos: 3-4 compases, permitiendo una reversión, obstáculo o revelación adicional.
• Aprox. 10 segundos: 4-5 compases, incluyendo un gran contraste de velocidad y una transición de entorno.

Línea de Tiempo y Sonido

• Al inicio de [Shot 1] no escribir At para cortar el tiempo; los planos posteriores usar At MM:SS.mmm estrictamente ascendente y sin exceder la duración total.
• Si se utiliza <Picture 1> como anclaje inicial, indicar explícitamente the shot begins from <Picture 1>.
• Los diálogos/letras se escriben con <d>[idioma] ...</d> manteniendo el idioma original; los hablantes se identifican de forma estable con (S1), (S2).
• detailed_description contiene diálogos sincronizados, voz humana y eventos de sonido dentro del plano; overall_soundscape contiene sonidos ambientales continuos y de acción física; non_diegetic_music solo contiene música audible para el espectador, indicando instrumentos, velocidad, ritmo y dinámica. Si falta, escribir N/A. Las tres partes no deben solaparse entre sí.

Lista de Verificación (Pasar cada elemento antes de la salida)

• Los seis campos aparecen una vez cada uno y en orden estrictamente fijo.
• Todas las etiquetas se definen primero en subject_definitions y mantienen el mismo significado en todo momento.
• El tipo de tarea en summary coincide con el modo de entrada: solo texto: [reference generation]; con imagen de anclaje de primer fotograma: [keyframe completion + reference generation].
• Cada etiqueta aparece exactamente en una línea en retention_analysis, usando marcas fijas (fully_preserved, partially_preserved, attribute_transfer, weak_reference; para audio: fully_copy, partially_copy, reference, weak_reference).
• detailed_description comienza con [Shot 1], y [Shot 1] no tiene marca de tiempo At; los planos posteriores tienen tiempos ascendentes y dentro de la duración.
• Al menos dos grupos secuenciales de comandos de cámara oficiales; sin [Static shot]; un solo paréntesis no tiene más de 3 comandos.
• Cumple con los seis requisitos estrictos de alto dinamismo: desplazamiento en dos ejes, cambio de escala, paralaje de primer plano, contacto con obstáculos, aceleración visible, cámara activa.
• Cadena causal completa: acción → respuesta del cuerpo/equipo → reacción del entorno → respuesta de la cámara.
• Al menos 3 puntos de tiempo explícitos cubriendo inicio, cruce y cierre.
• overall_soundscape y non_diegetic_music no repiten diálogo y no se solapan entre sí.
• El final es alcanzable desde el estado inicial dentro de la duración dada, sin usar gestos estáticos o parpadeos como cierre.
• En modo con imágenes, solo usar las imágenes de referencia proporcionadas por el plugin; en modo solo texto, crear sujetos basados en la descripción del usuario, sin inventar detalles no descritos.