# تبدیل مرجع به ویدیو MiniMax H3

MiniMax H3 Reference to Video شرطی‌سازی متنی و latent صوتی-تصویری خالی موردنیاز برای تولید مرجع‌به‌ویدیوی MiniMax H3 را ایجاد می‌کند. شما یک پرامپت به‌همراه تصاویر، ویدیوها و کلیپ‌های صوتی مرجع اختیاری ارائه می‌دهید، و گره این مراجع را به شرطی‌سازی‌ای کدگذاری می‌کند که مدل می‌تواند هنگام تولید از آن استفاده کند. پرامپت با تگ‌های `<Picture i>`، `<Video k>` و `<Audio j>` به مراجع اشاره می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|-----------|-------------|-----------|----------|-------|
| `clip` | مدل CLIP که برای توکن‌سازی پرامپت و کدگذاری رسانه مرجع به توکن‌های شرطی‌سازی استفاده می‌شود. | CLIP | بله | |
| `vae` | VAE ویدیو. بدون آن، تصاویر/ویدیوهای مرجع فقط انکودر متن را شرطی می‌کنند. | VAE | خیر | |
| `audio_vae` | VAE صوتی. بدون آن، صدای مرجع فقط انکودر متن را شرطی می‌کند. | VAE | خیر | |
| `پرامپت` | پرامپت متنی برای ویدیو. رسانه مرجع می‌تواند با تگ‌های `<Picture i>`، `<Video k>` و `<Audio j>` آدرس‌دهی شود (شماره‌گذاری از ۱ به‌ازای هر نوع). از پرامپت‌های چندخطی و پویا پشتیبانی می‌کند. | STRING | بله | |
| `عرض` | عرض ویدیوی تولیدشده بر حسب پیکسل (پیش‌فرض: 1344). | INT | بله | 32 تا 16384 (گام 32) |
| `ارتفاع` | ارتفاع ویدیوی تولیدشده بر حسب پیکسل (پیش‌فرض: 768). | INT | بله | 32 تا 16384 (گام 32) |
| `طول` | تعداد فریم با 24 fps، (124 = ~5s، محدوده آموزش‌دیده حدود 124-362 است) (پیش‌فرض: 124). | INT | بله | 5 تا 3600 (گام 17) |
| `اندازه تصویر مرجع` | اندازه‌بندی تصویر مرجع. `match` هر مرجع را (فقط کوچک‌سازی، با حفظ نسبت ابعاد) به مساحت پیکسلی تولید مقیاس می‌کند؛ `max` از ضلع کوتاه 2048px پایپ‌لاین مرجع برای بهترین وفاداری هویت استفاده می‌کند. توکن‌های مرجع در هر مرحله نمونه‌گیری عبور می‌کنند، بنابراین `max` می‌تواند چندین برابر کندتر باشد (پیش‌فرض: `match`). | COMBO | بله | `"match"`<br>`"max"` |
| `تصاویر مرجع` | جایگاه قابل گسترش: اتصال حداکثر 9 تصویر مرجع (`ref_image_1` ... `ref_image_9`). تصویر مرجع (در صورت بزرگ‌تر بودن به ضلع کوتاه 2048 کوچک‌سازی می‌شود، هرگز بزرگ‌نمایی نمی‌شود). | IMAGE | خیر | 0 تا 9 |
| `ویدیوهای مرجع` | جایگاه قابل گسترش: اتصال حداکثر 3 ویدیوی مرجع (`ref_video_1` ... `ref_video_3`). فریم‌های ویدیوی مرجع با 24 fps (2-15s). | IMAGE | خیر | 0 تا 3 |
| `صداهای ویدیوی مرجع` | جایگاه قابل گسترش: اتصال حداکثر 3 صدای همراه (`ref_video_audio_1` ... `ref_video_audio_3`). صدای همراه مربوط به ویدیوی مرجع با همان شماره. | AUDIO | خیر | 0 تا 3 |
| `صداهای مرجع` | جایگاه قابل گسترش: اتصال حداکثر 3 کلیپ صوتی مرجع مستقل (`ref_audio_1` ... `ref_audio_3`). صدای مرجع مستقل. | AUDIO | خیر | 0 تا 3 |

نکته‌ها:

- پرامپت با تگ‌های شماره‌گذاری‌شده از ۱ به‌ازای هر نوع به رسانه مرجع اشاره می‌کند: `<Picture i>` برای تصاویر، `<Video k>` برای ویدیوها و `<Audio j>` برای صدا. مراجع با ترتیب ثابت به مدل ارائه می‌شوند: ابتدا تصاویر، سپس ویدیوها (به‌طوری‌که برچسب `<Audio j>` هر صدای همراه دقیقاً پیش از `<Video k>` مربوطه بیاید)، و پس از آن صدای مستقل.
- صدای همراهی که به `ref_video_audio_N` متصل شده است، با ویدیوی مرجع متصل به `ref_video_N` استفاده می‌شود.
- ویدیوهای مرجع باید حداقل 5 فریم داشته باشند (حدود 0.2 ثانیه با 24 fps)، در غیر این صورت گره خطا می‌دهد. فریم‌های فراتر از `length` درخواستی بریده می‌شوند و تعداد فریم باقی‌مانده به مقداری تنظیم می‌شود که مدل پشتیبانی می‌کند.
- `length` درخواستی پیش از ایجاد latent به تعداد فریم پشتیبانی‌شده هم‌تراز می‌شود.
- بدون `vae`، تصاویر و ویدیوهای مرجع فقط انکودر متن را شرطی می‌کنند (هیچ latent مرجعی تولید نمی‌شود). بدون `audio_vae`، صدای مرجع فقط انکودر متن را شرطی می‌کند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
|-------------|-------------|-----------|
| `positive` | شرطی‌سازی حاوی پرامپت کدگذاری‌شده. هنگامی که رسانه مرجع و VAEهای مربوطه ارائه شوند، همچنین حاوی محتوای کدگذاری‌شده تصویر، ویدیو و صدای مرجع است که مدل MiniMax H3 از آن استفاده می‌کند. | CONDITIONING |
| `latent` | latent صوتی-تصویری خالی در `width`، `height` و `length` (تعداد فریم) درخواستی، شامل latent ویدیوی هم‌ترازشده و latent صوتی. | LATENT |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/MiniMaxH3ReferenceToVideo/fa.md)

---
**Source fingerprint (SHA-256):** `47df0d6d13cb02aa4f69b50a7f8d0f6c1639c1fb5e0f69bf8fc57dd4cb752db8`
