Cómo cargar audio de referencia en MiniMax H3: Guía para ComfyUI

El mundo de la generación de video por IA está evolucionando rápidamente. Ya no se trata solo de transformar imágenes estáticas en movimiento, sino de dotar a estos modelos de una presencia más dinámica y expresiva. Una de las áreas donde esto es más evidente es con modelos avanzados como MiniMax H3 R2V (Reference-to-Video). Para aprovechar al máximo estas herramientas, necesitas entender cómo alimentar el sistema no solo con visuales, sino también con audio externo.

Para implementar esto en un entorno como ComfyUI, la clave está en identificar los nodos correctos para cargar tus archivos. Si tu objetivo es utilizar un audio externo como una referencia de voz—es decir, definir el timbre o acento del personaje—el nodo que necesitas conectar directamente es Load Audio. Su salida audio debe enlazarse específicamente al parámetro ref_audio_0 dentro del nodo MiniMax H3 Reference to Video.

Aquí es donde la arquitectura de estos flujos se vuelve interesante: existe una distinción técnica fundamental que muchos pasan por alto. El parámetro ref_audio_0 está diseñado para capturar el timbre y la identidad vocal, mientras que ref_video_audio_0 tiene un propósito distinto: extraer el contenido hablado directamente de un video de referencia.

Puedes visualizar esta lógica con una estructura clara. Imagina un flujo donde un nodo Load Video entrega tanto la imagen como el audio del video, que se conecta a ref_video_audio_0. Simultáneamente, tu archivo de audio cargado viaja desde Load Audio hasta ref_audio_0. Al combinar estas dos entradas en el nodo R2V, logras un efecto potente: puedes utilizar el diálogo exacto de un video, pero hacer que lo interprete con la voz única del audio de referencia. De hecho, esta combinación es una práctica común entre usuarios avanzados para realizar voice swapping.

Finalmente, hay un detalle práctico si estás utilizando herramientas como el Video Helper Suite. Su nodo Load Video (Upload) ya puede entregarte el audio directamente. Sin embargo, si trabajas con loaders que solo proporcionan una salida de tipo VIDEO, necesitarás agregar un nodo extra llamado Get Video Components para separar las imágenes del audio antes de poder conectarlos a tu flujo R2V.