End-to-end MiniMax-H3-video- ja audiogenerointiputken rakentaminen ComfyUI-rajapinnalla

Työnkulku määrittää ComfyUI:n ohjelmallisesti, konfiguroiden GPU-muistin, levytilan, mallin tarkkuuden, resoluution, keston, näytteenoton ja generointitilat. Se valitsee dynaamisesti painoprofiilin laitteiston ominaisuuksien perusteella. Tarvittavat diffuusio-, tekstienkooderi-, video-VAE- ja audio-VAE-painot ladataan Hugging Facesta, ja palvelin kommunikoi HTTP- ja WebSocket-rajapintojen kautta. Suoritusgraafi rakennetaan Pythonissa, ja nodien skeemat validoidaan /object_info-rakennetta vasten. Tuetut tilat ovat teksti-videoksi, ensimmäisen ja viimeisen kehyksen ehdollistama sekä referenssikuvan ehdollistama generointi. Putkisto integroi automatisoidun mallin asennuksen, skeematietoisen graafin rakentamisen, yhteisen video-audio-dekoodauksen, edistymisen seurannan ja tulosten keräämisen.