Communitygithub.com

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

ユーザーが提供する参照画像とスクリプトから、キャラクタープレゼンター、ホログラフィックインタラクション、完全なナレーションカバレッジを備えたマルチセグメントH3 Ref2VAビデオプロンプトを生成します。

ComfyUI-MiniMax-H3-SkillBridge とは?

このスキルは、Claude CodeやCursorなどのAIエージェント上で動作し、ユーザーが提供するキャラクター参照画像、環境参照画像、および完全なナレーションスクリプトを入力として受け取り、H3 Ref2VAフォーマットのマルチセグメントビデオプロンプトを自動生成します。スクリプトはユーザー指定の最大再生時間内で意味的にセグメント分割され、各セグメントにナレーション予算が動的に割り当てられます。各セグメントには少なくとも2つのホログラフィックインタラクション(召喚、操作、応答、消滅の4ステップ)がデザインされ、キャラクタープレゼンターと環境の一貫性が維持されます。スキルは完全に自己完結しており、外部スキルへの依存はなく、スタイルやアスペクト比、セグメント時間は柔軟に設定可能です。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge/tree/HEAD/skills/holographic-explainer

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Holographic Explainer (全息解説)

ユーザーが提供するスクリプトと参照画像を、キャラクタープレゼンター、ホログラフィックUIインタラクション、完全なナレーションカバレッジを備えた洗練されたマルチセグメントH3ビデオプロンプトに変換します。各セグメントは独立して使用可能なRef2VAプロンプトです。このスキルは完全に自己完結しており、他のスキルに依存しません。

使用すべき場合

  • キャラクタープレゼンターがホログラフィックUIインタラクションを伴ってトピックを解説する場合
  • 製品チュートリアル、テクニカルガイド、教育用解説動画に洗練されたショートビデオプロンプトが必要な場合
  • ナレーションスクリプトをタイムドセグメントに分割し、完全にカバーする必要がある場合
  • ハードウェア/ソフトウェアの比較にホログラフィックな可視化が必要な場合

使用すべきでない場合:

  • キャラクター参照画像が利用できない場合
  • プレゼンターなしのナレーションなしBロールのみが必要な場合
  • ビデオプロンプトなしの単なる台本のみが必要な場合

必須入力

ユーザーは以下を提供する必要があります:

  1. キャラクター参照画像 (画像1): プレゼンターのアイデンティティ、顔、髪、眼鏡、衣装、アクセサリーを定義します。
  2. 環境参照画像 (画像2): 部屋のレイアウト、カラーパレット、家具、照明の雰囲気を定義します。
  3. ナレーションスクリプト: すべてのセグメントで読み上げられる完全なテキスト。

オプション入力:

  • プレゼンター名: 画面内のアイデンティティ。デフォルトは「Presenter」。
  • 最大セグメント時間: デフォルトは15秒。ユーザーは任意の値を指定できます。
  • ナレーション音声時間: 提供された場合、実際の音声レートを計算するために使用されます。
  • 音声レート: ユーザーが直接指定した場合(例:「4 chars/second」)は推定をスキップします。
  • スタイル指示: ユーザーが自由に表現します(例:成熟した、カジュアル、プロフェッショナル、遊び心のある、官能的だがプロフェッショナルなど)。演技のみに影響し、外見には影響しません。
  • アスペクト比: ユーザーがビデオ生成ソフトウェアで設定します。スキルはハードコードしません。
  • ナレーション言語: デフォルトは中国語。

リファレンスファイル

このスキルには3つの自己完結型リファレンスファイルが含まれています:

ファイル目的
references/ref2va-format-guide.mdショットルール、カメラ語彙、ダイアログタグ、連続性チェックリストを含む完全なRef2VA 6セクション形式仕様
references/narration-budget-guide.md音声レート推定、単語カウントルール、セグメント分割アルゴリズム、検証基準
references/hologram-library.md12のホログラムタイプ、コンテンツマッチングルール、インタラクション語彙、カラー導出ルール

以下の指示に従い、各ステップで関連するリファレンスファイルを読んでください。


ステップ1: 入力を解析

1.1 キャラクターのアイデンティティを抽出 (画像1から)

以下の必須属性でキャラクターを説明:

  • 民族と年齢層
  • 髪: スタイル、長さ、色、特徴的な要素(リボン、蝶結びなど)
  • 眼鏡: フレームタイプ、色、チェーンまたはストラップ
  • トップス: 色、スタイル、ネックライン
  • アクセサリー: ジュエリー、ネックレス、リボン
  • メイクスタイル: ナチュラル、大胆、ラグジュアリー

1.2 環境を抽出 (画像2から)

以下の必須属性で環境を説明:

  • 机: タイプ、色、形状
  • コンピュータ/デバイス: タイプ、色
  • 照明: ランプの種類、シェードの色、LEDストリップ、周囲の雰囲気
  • 椅子: 素材、色、ベース
  • 棚: タイプ、内容
  • 花/植物: タイプ、色
  • 壁の装飾: 額入りの版画、標識
  • 全体的なカラーパレットと雰囲気

1.3 スクリプトを解析

  • 元のスクリプトをそのまま保持
  • references/narration-budget-guide.mdのルールを使用して総文字数をカウント
  • コンテンツの特徴を特定: 技術的な密度、会話の指標、感情的な指標

1.4 スタイルを決定

  • ユーザーのスタイル説明が提供されている場合はそれを読む
  • 固定スタイルを強制しない。ユーザーは自由に表現する。
  • スタイルは演技とナレーションの伝達にのみ影響し、キャラクターの外見には影響しない。

ステップ2: ナレーション予算を計算

完全なガイドについてはreferences/narration-budget-guide.mdを読んでください。

2.1 音声レートを決定

優先順位:

  1. ユーザーが音声時間を提供した場合: rate = total_chars / audio_duration
  2. ユーザーが直接レートを指定した場合: その値を使用
  3. それ以外: コンテンツの密度から推定 (narration-budget-guide.mdを参照)

2.2 セグメントごとの予算を計算

hologram_pause_total = セグメント内のすべてのホログラムインタラクションの一時停止時間の合計
                   (最小2インタラクション、各0.5〜2.0秒、複雑さに基づく)
available_chars = speech_rate * (max_segment_duration - hologram_pause_total)

2.3 予算テーブルを出力

パラメータ値
総スクリプト文字数XXX
音声レートX.X chars/sec
最大セグメント時間XX sec
セグメントあたりのホログラム一時停止時間X.X sec
セグメントあたりの利用可能文字数XX

ステップ3: スクリプトをセグメントに分割

完全な分割アルゴリズムについてはreferences/narration-budget-guide.mdを読んでください。

3.1 意味的分割

  1. 句読点(ピリオド、疑問符、感嘆符、セミコロン)でスクリプトを文単位に分割。
  2. 単語カウントルールを使用して文ごとの文字数をカウント。
  3. available_charsに達するまで文を欲張りにセグメントに詰め込む。

3.2 長い文の処理

  • 1つの文がavailable_charsを超える場合は、カンマで分割。
  • 後半は次のセグメントに移動。
  • 次のセグメントの先頭に接続語を追加してもよい(予算に含める)。

3.3 厳密なテキスト保存

重要: ナレーションテキストはユーザーが提供したものと完全に同じでなければなりません。以下を行ってはいけません:

  • 単語、助詞、またはフィラーワードを追加または削除する
  • 語順を調整する
  • セグメント間に接続語を追加する
  • スクリプトの一部を言い換えたり、書き換えたりする
  • テキストを省略または拡張する

許可される操作は、元のテキストを文の境界またはカンマの境界で分割してセグメント化することのみです。元のスクリプトの各文字は、元の順序で正確に1つのセグメントに出現しなければなりません。

3.4 セグメントテーブルを出力

| セグ | 文字数 | ナレーション時間 | ホログラム一時停止 | 合計時間 | ナレーションテキスト |
|-----|-------|-------------------|----------------|----------------|----------------|
| 1   | XX    | XX.Xs             | X.Xs           | XX.Xs          | "..."          |
| 2   | XX    | XX.Xs             | X.Xs           | XX.Xs          | "..."          |

3.5 検証

  • 各セグメントの合計時間 <= 最大セグメント時間
  • すべてのセグメントを連結 = 元のスクリプトと完全に一致(変更ゼロ)
  • 文が途中で切れていないこと(長い文のカンマ分割を除く)

ステップ4: ホログラフィックインタラクションをデザイン

完全なタイプライブラリと語彙についてはreferences/hologram-library.mdを読んでください。

4.1 最小要件

  • 各セグメントには少なくとも2つのホログラフィックインタラクション要素が必要。
  • 隣接するセグメントでは異なるタイプの組み合わせを使用する必要があります。

4.2 コンテンツマッチング

各セグメントについて、ナレーションコンテンツに一致するホログラムタイプを選択:

  • 数字/スペック -> データパネル、カードデッキ
  • 手順/プロセス -> フローダイアグラム、プログレスバー
  • 比較/選択 -> 比較ボード、カードデッキ
  • 警告/質問 -> 警告アイコン、フリップカード
  • 結果/完了 -> 確認バッジ、チャートカーブ
  • 履歴/バージョン -> タイムラインリボン
  • 製品/モデル -> 3Dモデル回転、データパネル
  • トレンド/パフォーマンス -> チャートカーブ
  • アーキテクチャ/関係 -> マップ/トポロジー
  • 特徴/キーワード -> タグクラウド

4.3 各ホログラムの振り付け

すべてのホログラフィック要素について、以下の4つのステップをすべて指定:

  1. 召喚: どのように現れるか(具現化、フェードイン、ポップアップ、スライドイン...)
  2. 操作: プレゼンターが何をするか(タップ、ピンチ、フリップ、スワイプ...)
  3. 応答: どのように反応するか(裏返しに表示、拡大、パルス、色変更...)
  4. 消滅: どのように去るか(粒子に分解、フェードアウト、縮小...)

4.4 カラーパレットを導出

  • 環境参照画像(画像2)から支配的な色を抽出。
  • references/hologram-library.mdの色ルールを使用してホログラムの色にマッピング。
  • すべてのセグメントでホログラムの色を一貫して維持。

4.5 ホログラムデザインテーブルを出力

| セグ | ホログラムID | タイプ | コンテンツ | 召喚 | 操作 | 応答 | 消滅 | 時間 |
|-----|-------------|------|---------|--------|----------|---------|------|----------|
| 1   | H1          | ...  | ...     | ...    | ...      | ...     | ...  | X.Xs     |
| 1   | H2          | ...  | ...     | ...    | ...      | ...     | ...  | X.Xs     |
| 2   | H3          | ...  | ...     | ...    | ...      | ...     | ...  | X.Xs     |
| 2   | H4          | ...  | ...     | ...    | ...      | ...     | ...  | X.Xs     |

ステップ5: Ref2VAプロンプトを生成

完全なフォーマット仕様についてはreferences/ref2va-format-guide.mdを読んでください。

各セグメントについて、6つのセクションすべてを含む完全なRef2VAプロンプトを出力:

5.1 subject_definitions

サブジェクト1(キャラクター)、サブジェクト2(環境)、画像1、画像2を定義。

  • すべてのセグメントで定義を同一に保つ。
  • ステップ1.1からキャラクターの説明を抽出。
  • ステップ1.2から環境の説明を抽出。

5.2 summary

[reference generation]プレフィックス付きの1つの英語段落。

  • プレゼンターがどこで、どのホログラムを使って何をするかを説明。
  • すべてのラベルを参照: <Subject 1>, <Subject 2>, <Picture 1>, <Picture 2>。
  • セグメント時間を記載。

5.3 retention_analysis

各参照ラベルにつき1行、すべてfully_preserved。

  • 保存される特定の属性をリスト。

5.4 detailed_description

主要な本文。以下のルールに従う:

オープニング: [Shot 1]の前に1〜2文の英語スタイル文。セグメント2以降は、「前のセグメントからシームレスに継続」を追加。

ショット: 1セグメントあたり3〜4ショット。

  • [Shot 1]にはタイムスタンプがない。
  • 後続のショット: [Shot N] At MM:SS.mmm, the shot cuts to...
  • タイムスタンプは厳密に増加し、0から最大セグメント時間の範囲内。

カメラモーション: タイプ + 振幅 + 速度を自然な英語の動作として。

スピーカー: プレゼンターには(S1)を使用し、すべてのセグメントで一貫させる。

ダイアログ: セグメントテーブル(ステップ3.4)のナレーションテキストを使用。

  • オンカメラ: The presenter (S1) says: <d>[Chinese] narration text</d>
  • ボイスオーバー: The presenter (S1) says in an off-screen voiceover: <d>[Chinese] narration text</d> while her/his lips remain completely closed.

ホログラム: 適切なショットにホログラムインタラクションを挿入。references/hologram-library.mdの語彙を使用して4つのステップすべて(召喚、操作、応答、消滅)を説明。

可視テキスト: シーンで表示されるテキストには英語の二重引用符を使用(例:"16GB VRAM")。

  • 重要: テキストはホログラフィックテキスト、標識、またはシーンに統合されたラベルとして表示されなければなりません。
  • フレーム下部の字幕バーとしてテキストを配置しないでください。

トランジション: ソフトなウィップパン、ホログラムワイプ、マッチカット、または光るデータリボンをショット間で使用。

目標長: 350〜500英単語。

5.5 overall_soundscape

周囲の音と物理的な音を要約した1〜4文の英語。以下を含む:

  • 部屋の雰囲気(ランプのハム音、換気音)
  • ホログラフィックUIサウンド(チャイム、デジタルチック音)
  • 物理的な動作音(椅子のきしみ、布の動き、指のタップ音)
  • ここでダイアログや音楽を繰り返さないでください。

5.6 non_diegetic_music

バックグラウンドミュージックを説明する1〜3文の英語。

  • 楽器編成、テンポ、リズム、強弱に焦点を当てる。
  • 全セグメントで音楽スタイルを一貫させる。
  • 音楽がない場合はN/Aを使用。

ステップ6: 検証

すべてのセグメントの検証レポートを出力:

チェック項目方法合格基準
時間最後のショットのタイムスタンプ <= 最大セグメント時間PASS/FAIL
文字数セグメントごとに<d>タグ内の文字数をカウント<= available_chars
スクリプトカバレッジすべてのセグメントのナレーションを連結し、元のスクリプトと比較完全一致(元のテキストへの変更ゼロ)
ホログラム数セグメントごとのホログラムインタラクションをカウント>= 2 per segment
ホログラム完全性各ホログラムの召喚/操作/応答/消滅を確認4つのステップすべてが存在
キャラクター一貫性全セグメントでサブジェクト1を比較同一
環境一貫性全セグメントでサブジェクト2を比較同一
スピーカーID(S1)の使用を確認全セグメントで安定
タイムスタンプ順序ショットのタイムスタンプを確認厳密に増加、範囲内
フォーマット完全性6つのセクションが存在することを確認すべての6つが存在
字幕なし字幕スタイルのテキストがないか確認テキストはシーン内要素としてのみ

いずれかのチェックがFAILになった場合は、該当するセグメントと項目を記録し、最終出力の前に修正してください。


カメラと演技のガイドライン

  • セグメント1は通常、ミディアムクローズアップで始まり、その後アングルを変えます。
  • 後続のセグメントでは、正面フレーミング、制御されたズーム、ホログラフィックトランジションを使用します。
  • プレゼンターは、カメラに話しかけたり、ワークスペースに向かってジェスチャーしたり、ホログラムを操作したりを交互に行います。
  • 動作はユーザーのスタイル説明に一致します。固定の演技スタイルを強制しないでください。
  • セグメント間の連続性: 同じ部屋、服装、眼鏡、髪型、ホログラフィックデザインシステム。

オーディオガイドライン

  • ナレーションボイスはユーザーのスタイル説明に一致します。
  • 環境音楽は環境の雰囲気に一致し、音量は低く、全セグメントで一貫しています。
  • ホログラフィックUIサウンド: チャイム、デジタルチック音、インタラクションフィードバック。
  • 部屋の雰囲気: ランプのハム音、椅子のきしみ、布の動き。
  • 大きな通知音、耳障りなウーッシュ音、コメディ調の効果音は使用しないでください。

テキストルール

  • シーン内のテキストは、ホログラフィックテキスト、標識、ラベル、またはデータ表示として統合されなければなりません。
  • 字幕バー、下3分の1のキャプション、またはフレーム下部のテキストオーバーレイを生成しないでください。
  • ホログラムテキストは短く読みやすく保つ: ラベル、数字、短いフレーズ。
  • ホログラム内にテキストの密集した段落を配置しないでください。

拒否または書き換え条件

  • 出力がN個の個別セグメントプロンプトではなく、1つの汎用プロンプトである場合。
  • キャラクター参照、環境参照、またはホログラフィックインタラクション要件を無視している場合。
  • キャラクターのアイデンティティ、年齢、民族、眼鏡、または服装のパレットを変更している場合。
  • 環境を一般的なオフィスやスタジオに変更している場合。
  • ナレーションビートがタイムコードに収まるには長すぎる場合。
  • いずれかのセグメントに2つ未満のホログラフィックインタラクションがある場合。
  • いずれかのホログラムが4つのステップ(召喚/操作/応答/消滅)のいずれかを欠いている場合。
  • スクリプトが何らかの形で変更されている場合(追加、再構成、言い換え、または単語の削除)。
  • どのセグメントも、厳密に増加するタイムスタンプを持つ3〜4ショットのフォーマットに従っていない場合。
  • 画面外のボイスオーバー中に唇が動いている(閉じていない)場合。
  • テキストがフレーム下部の字幕として表示されている場合。
  • セグメント間でキャラクターまたは環境の説明が矛盾している場合。

Individual skills in this repo

This repo contains 10 individual skills — each has its own dedicated page.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Create complete stylized 3D animated shorts from a story idea through an ordered production workflow covering project brief, story outline, character and environment cards, standardized shot planning, text or optional pencil storyboards, video-model selection, single-shot generation, assembly, BGM matching, and final review. Use when the user wants an end-to-end narrative animation workflow with strong character consistency, scene continuity, timing, camera, performance, and audio control. Not for single images, simple edits, photorealistic live action, or one standalone clip.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For marketers and creators producing promotional content for brands, products, websites, apps, shops, or personal projects. Users provide logos, product images, interface screenshots, official links, or other verifiable assets and confirm duration, aspect ratio, audience, and campaign focus. The Skill organizes brand facts and asset provenance, selects a narrative direction, plans precise beats and shots, generates needed imagery, video, voiceover, or music, and completes assembly and pre-delivery review. It outputs a promotional short that highlights product capabilities, use cases, and a call to action. Best for launches, website showcases, and social promotion; not for imitating real brand marks without authorized assets, inventing product claims, or producing long-form narrative films.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For users creating a two-player co-op game menu or opening animation. Users provide two player names, a game title, a target visual style, and optional character reference images. The Skill locks identity cues, generates an approval image from a fixed menu framework with coordinated color, buttons, icons, and typography, then uses the approved result to rebuild the character, UI-copy, and event timing instructions for the final video. It outputs a co-op game intro featuring two characters, player cards, and menu interaction motion. Best for game concepts, character-led menus, and social content; not for playable game development, complex multi-page UI, exact brand-logo replication, or generic character-free title sequences.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

为 MiniMax H3 图生视频生成高动态运镜 Ref2VA 提示词。基于插件自动加载的参考图(人物、场景、动作、风格),只输出可直接交给 H3 图生视频节点的六段式英文提示词,不生成角色卡或动作首帧文生图提示词。要求两轴位移、主动运镜、前景视差、障碍接触、尺度变化与物理反馈,使用官方镜头指令与自然语言弧线描述。无参考图时允许纯文字描述模式。

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Write MiniMax H3 video generation prompts for T2VA, I2VA, FL2VA, L2VA, and Ref2VA. Use when rewriting multimodal requests into H3 prompt structures, composing integrated_multimodal_description, overall_soundscape, and non_diegetic_music, aligning keyframes, or defining reference labels for images, videos, and audio.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For creators making surreal short videos that blend rough glowing hand-drawn animation with live-action spaces. Users provide a scene idea, contact object or hand, desired mood, and optional language or style constraints. The Skill clarifies the physical contact, designs continuous morphing, escape route, and delayed handheld chase movement, then writes a reusable 15-second 16:9 video prompt in the user's language. After user confirmation it recommends MiniMax H3 generation and checks contact realism, camera delay, rough glowing stroke texture, and non-horror tone. Best for single-scene creative clips, not polished CG, horror jump scares, plush characters, or multi-scene cuts.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Turn product images and ad requirements into minimalist product ad shorts for e-commerce promotion and product launches. The Skill confirms format and product variants, extracts selling points, writes concise English ad copy, builds product anchors, plans beat-synced typography/storyboards, and generates a clean product film with premium camera language. Not for KOC talking-head ads, general editing, or complex screen demos.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For musicians, video creators, and social-media editors producing AI music videos or emotional short films with lyric typography. Users provide music, lyrics, references, characters, typography direction, mood, or target platform. The Skill analyzes beat and vocal timing, separates character, scene, and text references, designs beat-reactive spatial typography, decomposes long works into connected shots, audits prompts, and routes generation for H3 or other video tools. It outputs MV concepts, shot prompts, lyric text plans, and stitching guidance. Best for stylized MVs and subtitle-driven music visuals, not ordinary caption cleanup, licensed IP copying, or fully manual post-production editing.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For creators, educators, and social-video editors who need a tactile paper-collage language for narration, knowledge points, opinions, or abstract topics. Users provide source copy, story beats, or a core concept and may specify aspect ratio, duration, palette, and audio needs. The Skill extracts meaning, proposes visual metaphors, prepares a production plan and storyboard, generates approved halftone collage stills, then creates stop-motion clips with paper movement and tactile sound effects, with optional final assembly. By default it keeps collage SFX and does not add BGM, voiceover, or subtitles unless requested. Best for explainers, viewpoints, story visuals, and social B-roll; not for presenter ads, editable layers, complex typography, or prompt-only tasks.

StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

For creators explaining science, education, or general knowledge through tactile handmade papercraft visuals. Users provide a topic, core knowledge points, or source material and may specify audience, duration, aspect ratio, and deliverable type. The Skill extracts the learning goal and visual metaphor, proposes creative directions, designs paper characters, layered diorama sets, and props, creates preview concepts plus image and video prompts, and plans storyboards, camera movement, transitions, and sound with staged approvals and review checklists. It outputs a production-ready papercraft stop-motion explainer package, or selected assets such as still prompts, image-series prompts, short-video prompts, or storyboards. Best for cut-paper, pop-up-book, layered diorama, and miniature stop-motion explainers; not for standard 2D cartoons, line doodles, live action, or explainers without a paper-art look.

関連スキル