New project node variant (MoxieProjectSlow, display name 'Moxie MultiTrack Project Slow') that replaces the RTX VSR pixel restore with a latent upscaler plus a short refine pass: - identical UX to MoxieProject: end users only set steps and seed (plus the shared context_frames overlap); schema mirrors the base node via a shared _project_inputs() helper - first pass stays at the hidden half resolution (engine gains a _h3_first_pass_resolution_scale class hook, overriding the previous sampling_mode == 'single' hardcode; MoxieProjectSlow returns 0.5 under dual mode) - the half-res latent is upscaled to the final (editor) size by the H3 latent upscaler (minimax_h3_latent_upscaler_3d_fp16.safetensors, models/latent_upscale_models) and refined with a hidden 2-step euler pass at 0.33 denoise; the schedule replicates KSampler.set_steps (int(steps/denoise) total steps, last steps+1 sigmas) without relying on the denoise kwarg that newer comfy.samplers builds dropped - baked settings: sampling_mode dual, upscale_by 1.0 (final size IS the editor size), upscale_model as above; the engine's upscale-skip condition now compares actual first-pass vs target dimensions instead of upscale_by <= 1, which is behavior-identical for every existing configuration - segments are saved at the project resolution, so the Video Combine restore passes through untouched - no RTX VSR anywhere - MoxieProject refactor: component check and baked settings moved into reusable helpers (_require_moxie_components, _baked_project_settings classmethod) so the subclass composes cleanly; messages unchanged - tests: Slow schema mirror, execute passthrough (sigma schedule math, baked settings, context_frames forwarding, first-pass schedule), the resolution-scale hook, and the denoise truncation helper - docs: CHANGELOG entry, multitrack-schema.md note
17 KiB
MultiTrack 数据与编排规则
本参考用于创建或调整 easy multiTrackEditor 的 TRACK_DATA。当前项目的前端类型定义位于 frontend/src/types/multitrack.ts,实际执行逻辑位于 nodes/basic.py。
动态分辨率
resolution 是 easy multiTrackEditor 的 DynamicCombo widget。它不属于 TRACK_DATA;修改时必须按所选模式重建对应的子 widget,并同步工作流已有的 widgets_values_named。使用 patch_workflow.py 的 editor.resolution 写入,不要手工假设数组下标。
| 需求 | resolution 标签 |
必需子字段 |
|---|---|---|
| 输出固定预设尺寸 | 如 1344 x 768 (16:9) |
可选 resize_method,默认 stretch |
| 明确自定义宽高 | width x height (custom) |
width、height,可选 resize_method |
| 跟随首个视频比例 | width x height (auto) |
可选 resize_method |
| 固定短边或长边 | width x height (shortest) / width x height (longest) |
resize_to_pixel,可选 resize_method |
| 按比例和总像素预算 | width x height (megapixels) |
aspect_ratio、megapixels |
选择顺序:用户给出精确宽高时用已有 fixed preset,若没有对应预设则用 custom;只给横竖屏或画幅比例与质量/像素预算时用 megapixels;要求保持源视频比例时用 auto;要求“短边/长边为 N”时用 shortest/longest。用户没有表达分辨率意图时保留当前设置。模型 format 的默认尺寸只是参考,不能覆盖用户明确要求。
自然语言中的 MP 与比例
把不区分大小写的 mp、Mpx、megapixel(s) 或“百万像素”视为 megapixels 单位。0.9mp、1 MP、0.8 megapixels 等表达直接选择 megapixels 模式,并原样提取数值。同句中的比例映射为 DynamicCombo 的完整 aspect_ratio 值:
| 用户比例 | aspect_ratio |
|---|---|
1:1 |
1:1 (Square) |
2:3 |
2:3 (Portrait Photo) |
3:2 |
3:2 (Photo) |
3:4 |
3:4 (Portrait Standard) |
4:3 |
4:3 (Standard) |
9:16 |
9:16 (Portrait Widescreen) |
16:9 |
16:9 (Widescreen) |
21:9 |
21:9 (Ultrawide) |
例如“生成 16:9 0.9mp 大小的视频”无需追问,直接规范化为:
{
"resolution": "width x height (megapixels)",
"aspect_ratio": "16:9 (Widescreen)",
"megapixels": 0.9
}
MP 数值不得换算为宽高或四舍五入。若只有 MP:当前已经是 megapixels 模式则保留其 aspect_ratio;否则可根据明确的横屏/竖屏语义选择 16:9/9:16,仍无法确定时询问。精确宽高、比例与 MP 互相矛盾时也应询问。
custom 示例:
{
"resolution": "width x height (custom)",
"width": 1024,
"height": 576,
"resize_method": "crop"
}
可用 resize_method 为 stretch、resize、pad、pad (white)、pad_edge、pad_edge_pixel、crop、pillarbox_blur。需要保留完整画面时优先 pad/resize,需要铺满画布且允许裁边时选 crop;不要在用户未提出时擅自改变已有 resize method。
时间语义
start_frame包含,end_frame不包含;片段帧数为end_frame - start_frame。- 秒转帧使用
round(seconds * frame_rate),每个片段至少 1 帧。 - 同一轨道中的片段按
start_frame排序且不得重叠;允许间隙。不同同类轨道可独立编排。 - 有片段时,
total_length应为所有轨道最大end_frame。无片段时可保留编辑器当前默认长度。 - 修改 FPS 时,应按时间比例重映射所有片段边界、
origin_start_frame和 task marker,而不是只改frame_rate。
顶层对象
{
"muted": false,
"volume_db": 0,
"task_markers": [],
"task_overview": false,
"tracks": [],
"total_length": 240,
"frame_rate": 24
}
轨道 type 为 task、video、audio 或 subtitle。保留现有未知字段,以兼容新版本。
通用轨道与片段
{
"id": "uuid",
"name": "Video 0",
"type": "video",
"color": "var(--primary)",
"muted": false,
"solo": false,
"volume_db": 0,
"locked": false,
"segments": [
{
"id": "uuid",
"start_frame": 0,
"end_frame": 120,
"color": "var(--primary)",
"content": {}
}
]
}
新建轨道时优先使用项目已有颜色 token:task 为 var(--multitrack-task-bg),video 为 var(--primary)。保留现有轨道自己的颜色。
任务片段
{
"media_type": "none",
"task_mode": "ref",
"continuity_mode": "shot",
"ref_image_size": "match",
"images": [],
"user_prompt": "用户提示词",
"system_prompt": "",
"user_prompt_variant": "a",
"user_prompt_b": "",
"muted": false,
"volume_db": 0
}
task_mode:default、l2v、ref、edit。continuity_mode:shot(独立镜头)、context(普通上下文衔接)或context_swap(上下文主体替换)。ref_image_size:match或max。images最多 9 张,顺序决定 Picture 引用顺序。- 编辑已有任务时保留未要求改变的
system_prompt、prompt variant、连续性和参考图策略。 - 若当前 variant 为
b,应修改user_prompt_b;否则修改user_prompt。不要无意切换 variant。
任务参考图:
{
"id": "uuid",
"source_type": "input",
"file_path": "codex/session-123/reference.png",
"file_name": "reference.png"
}
source_type 可为 input、output、local、url 或 slot。字段必须与来源匹配:input/output 用 file_path,local 用 local_path,url 用 url,slot 用 slot_name。不要把本机绝对路径标成 input。
上下文分段需要反复使用同一张参考图时,可在图片项上设置 "shared_reference": true。该图片会成为公用图片,自动排在每个任务片段的私有图片之前;公用和私有图片合计仍不得超过 9 张。不要为了共享而在每个任务中手工复制相同图片。
上下文主体替换模式
context_swap 是“上下文主体替换”衔接模式:沿用前一段的场景和运动上下文,同时允许模型根据参考视频替换主体、人物、物体或局部区域。用户提供视频作为主体替换、人物替换、物体替换、服装/脸部等局部替换参考时,按以下规则编排:
- 将本次范围内所有 task segment 的
content.continuity_mode设为context_swap;不要只修改第二段或后续片段。首段虽然没有前序生成上下文,也保持同一模式,以便项目元数据和后续重生成一致。 - 参考视频放在 video track,并覆盖全部目标 task segment 的时间范围。若它还需要跨任务作为模型参考,在视频片段
content上设置shared_reference: true。 - 在该 video track 设置轨道级
audio_locked: true,让源视频时间驱动生成;同时只把其他 video track 的audio_locked显式设为false。若要替换原声,可另锁定一条 audio track,后者会优先作为音频来源。仅沿用视频原声时,锁定前确认视频包含可用音轨并覆盖全部目标 task segment。 - 用户明确指定片段长度或边界时以用户要求为准。否则按连续 10 秒拆分 task segment:每段帧数为
round(10 * frame_rate),最后一段使用参考视频的剩余帧,不补齐、不丢弃余数,也不创建空末段。参考视频本身可保留为覆盖完整范围的单个 video segment,无需为每个 task segment 重复复制。 - 用户明确要求去掉、替换或不保留参考视频原声时,不自动锁定该 video track,并按用户指定的音频方案处理。
视频与音频片段
{
"media_type": "video",
"source_type": "input",
"file_path": "codex/session-123/clip.mp4",
"file_name": "clip.mp4",
"duration": 5.0,
"muted": false,
"volume_db": 0,
"speed": 1
}
音频把 media_type 改为 audio。素材原始时长可用 ffprobe 获取;时间线时长按用户目标、裁切和速度决定。若用户要求素材与任务片段对齐,应复用相同的 [start_frame, end_frame),不要仅依靠相近秒数。
音频锁定决策
audio_locked 是 audio/video 轨道级字段。锁定 audio track 会沿用其音频;锁定 video track 会让生成画面遵循视频轨道时间线,并在没有锁定 audio track 时沿用视频原声。两种锁可以同时存在;此时 audio track 优先作为 audio_lock 的音频来源,video track 仍负责画面时间线。它与轨道的 locked 不同:locked 只禁止时间线编辑,不能代替 audio_locked。
{
"id": "music-track",
"name": "Master Song",
"type": "audio",
"audio_locked": true,
"muted": false,
"segments": [
{
"id": "song-segment",
"start_frame": 0,
"end_frame": 240,
"content": {
"media_type": "audio",
"source_type": "input",
"file_path": "codex/mv/song.wav",
"file_name": "song.wav"
}
}
]
}
同一个 TrackData 最多可有一条 audio_locked: true 的 audio track 和一条 audio_locked: true 的 video track。切换同类型锁定来源时,应把该类型的其他轨道显式设为 false,不要清除另一种类型的锁。不要把 audio_locked 写进媒体片段的 content;旧版片段级字段仅用于兼容迁移。
根据上下文按以下顺序判断:
- 用户提供视频用于主体或局部替换且未要求移除/替换原声时,锁定该 video track。
- 用户明确指定“锁定”“主音轨”“沿用原声”“不要重生成音频”时,使用其指定的 audio/video 轨。
- MV、音乐视频、歌词视频、卡点视频、舞蹈视频、按歌曲节拍或完整歌曲时长生成画面时,将歌曲/配乐主轨锁定。
- 旁白、播客或对白是视频时长与镜头节奏的唯一基准时,也可锁定该旁白主轨。
- 普通背景音乐、环境声、音效、角色参考音频或临时占位音频不自动视为主锁定音轨,除非用户语义表明它负责驱动生成。
- 已有一条锁定媒体轨且用户未要求更换时,优先保留;但仍要检查它是否与本次要生成的任务片段范围相交。
有多条音轨时先利用名称、文件名、素材时长、轨道内容和用户描述消歧。例如 Master Song、完整歌曲 通常优先于 SFX、环境声。如果仍有两条或更多合理候选,停止生成补丁并询问用户,至少列出每个候选的轨道 ID、名称、文件名和时间范围。不得按轨道顺序、第一条音轨或最长时长擅自决定。
锁定前还要检查:
- 锁定轨至少包含一个与轨道类型一致的媒体片段:audio track 对应
media_type: "audio",video track 对应media_type: "video";锁定视频原声时还要确认源视频确实包含音轨。 - 锁定媒体片段应与本次每个目标 task segment 的
[start_frame, end_frame)相交;不相交时,先调整时间线或询问用户。 - 作为主音频使用时通常保持
muted: false。不要为了“锁定”而修改无关的 solo、音量或轨道编辑锁状态。 - 如果上下文明确不需要保留任何原音频,应确保所有 audio/video track 的
audio_locked为false。
公用媒体
shared_reference 是任务图片项以及音频/视频片段 content 中的布尔字段。当多个上下文任务分段需要使用同一张图片、同一段音频或同一段视频作为参考时,将对应媒体设置为公用媒体;它不要求在时间线上与每个任务片段重叠。
{
"id": "shared-audio-segment",
"start_frame": 0,
"end_frame": 120,
"content": {
"media_type": "audio",
"source_type": "input",
"file_path": "codex/voice/reference.wav",
"file_name": "reference.wav",
"shared_reference": true
}
}
决策规则:
- 用户说“设为公用媒体”“所有上下文分段都参考这张图/这段音频/这个视频”或表达相同语义时,标记其指定媒体;不要只因文件名相同就自动共享。
- 任务图片的标记写在
content.images[]项上,可以有多张公用图片;它们会排在每个任务的私有图片之前,公用和私有图片总数仍最多为 9。 - 音频/视频的标记写在对应媒体片段
content上,同一音频轨或视频轨最多一个;切换时把该轨其他片段显式设为false。 - 公用音频从源文件开头使用,最多 15 秒;公用视频使用该源视频作为各任务的参考视频。
- 公用媒体是跨任务参考,不等于时间线原声复用。不要仅因为音频设为公用就同时设置
audio_locked;只有用户还要求原样保留音频并用它驱动时间线时,才分别评估audio_locked。 - 若用户既要某段音频/视频作为公用参考,又要它按普通时间线语义输出,应使用独立轨道或片段表达两个角色,并在交付摘要中说明。
speaker_reference是旧版音频参考字段,只用于读取和迁移旧工作流;新建或更新工作流统一写shared_reference。- 多个候选无法消歧时,列出媒体项或片段 ID、轨道名称、文件名、时长或帧范围,请用户指定;不要按第一项或最长片段选择。
自动编排决策
- 用户给出明确镜头/片段长度时优先采用;否则按素材时长或提示词中的时间信息推导,并说明推导。
- 主体或局部视频替换模式在用户未指定片段长度时,固定按 10 秒连续拆分 task segment,最后一段使用剩余时长。
- “每段 N 秒”意味着连续片段
[0,N*fps)、[N*fps,2N*fps)……;不要在边界额外加 1 帧。 - 将提示词放入对应 task segment;参考图放入该 task segment 的
images;主视频和音频放入各自 media track。 - 对主体替换视频、MV 或其他主音频驱动项目,在完成时间线编排后锁定唯一的 audio/video 轨,并复核它覆盖目标任务范围。
- 默认保留轨道间空隙。只有用户要求紧凑排列时才消除间隙并顺移后续片段。
- 调整已有片段时尽量保留 segment ID;新建片段、轨道、图片项才生成新 UUID。
MultiTrack Project 参数
segment_start_number为从 1 开始的任务片段编号;执行逻辑使用segment_start_number - 1转换为内部索引。segment_count = -1表示从起始索引处理到末尾;非负数限制本次任务片段数量。project_save:new或override。在override且 count 为-1时,执行逻辑会删除起始索引之后的已保存片段再生成;修改前向用户清楚说明。sampling_mode:single或dual;sampling_plan必须是当前节点可用预设。不要仅凭另一份流程中的值假设当前环境支持。context_frames(默认"22",可选"5"/"22"/"39"/"56")控制 Context / Context Swap 续接片段从上一段拷贝为延续上下文的视频帧数;取值必须落在 H3 时间潜空间网格(17k+5 帧)上,与 Moxie 上下文采样节点的选项一致。数值越大运动衔接越平滑,但每个续接片段会多生成等量帧(实际生成长度为任务长度 + context_frames + 12,其中 12 帧为网格尾帧,解码后裁掉)。Moxie MultiTrack Project(MoxieProject)同样暴露同一个context_frames下拉,位于steps与seed之间;该节点的其余采样设置仍保持隐藏(euler + beta sigmas 由steps推导)。Moxie MultiTrack Project Slow(MoxieProjectSlow)是 Moxie 变体:参数与Moxie MultiTrack Project完全一致,但用潜空间放大替代 RTX VSR——隐藏的半分辨率一采之后,用models/latent_upscale_models/minimax_h3_latent_upscaler_3d_fp16.safetensors把潜空间升到最终(编辑器)尺寸,再以 2 步 euler、0.33 denoise 的隐藏二采精修;片段按项目分辨率保存,Video Combine 的 RTX 还原会直接跳过。- 编辑器分辨率是一采尺寸;
dual不会反算缩小一采。二采宽高分别为round(编辑器尺寸 * upscale_by / 32) * 32,采用 Pythonround就近对齐,恰好居中时取偶数,不是固定向上对齐。 upscale_by是 Project 的独立参数,默认1.250,三位小数,步长0.001;旧工作流保留已保存的值。两条放大路径及合并导出均使用放大并对齐后的尺寸。例如1344 × 768、倍率1.250的二采为1664 × 960。若用户指定最终输出尺寸,应同时核对编辑器尺寸与倍率,不能将编辑器尺寸直接当作双采样的最终尺寸。- 单采样、仅一采预览保持编辑器尺寸;
upscale_by = 1.000不放大但可二采;纯音频项目(32 × 32)不放大。旧版反算缩小尺寸的一采检查点和上下文潜空间应重新生成后再按新规则续跑。 1st_pass_only仅适用于显式的一阶段检查点流程;不要自动开启。
补丁 Plan
Plan 只包含实际变更。node_id 可省略并由拓扑定位;editor.resolution 是完整 DynamicCombo 设置,editor.track_data 是完整 TRACK_DATA。不要把整份节点或工作流放入 plan。
{
"editor": {
"resolution": {
"resolution": "width x height (megapixels)",
"aspect_ratio": "16:9 (Widescreen)",
"megapixels": 0.9
},
"track_data": { "tracks": [], "total_length": 120, "frame_rate": 24 },
"format": "MiniMax"
},
"project": {
"project_save": "override",
"segment_start_number": 1,
"segment_count": -1,
"context_frames": "22",
"sampling_plan": "medium",
"sampling_mode": "single"
}
}