MiniMax H3 的 ref2va（reference to video and audio）模式可以吃參考圖、參考影片和參考音訊，再生成一段帶聲音的新影片。社群作者 UntMods 在 Civitai 與 Hugging Face 釋出了一款專門換臉的 LoRA，「FaceSwap – MiniMax REF2VA」，宣稱掛上之後，只要給一段參考影片和一張臉，就能把影片裡人物的臉換成那張臉。
CyberQ 實測在單台 DGX Spark 上用 ComfyUI 跑，證實確實換得掉，而且動作、表情、手勢都跟原片逐格對應，聲音節奏也保留下來。連衣服也能一起換成參考圖裡的樣子。
一、這款 LoRA 的特點
| 項目 | 內容 |
|---|---|
| 名稱 | FaceSwap – MiniMax REF2VA（v1.0） |
| 作者 | UntMods |
| 檔案 | SS_FaceSwap_MiniMax_H3_REF2VA.safetensors，約 63 MB，bf16 |
| 授權 | Apache-2.0 |
| 觸發詞 | Faceswap，強度 1 |
| 適用模型 | MiniMax H3 的 ref2va 權重（不是 t2va／i2v 用的 fl2va 權重） |
作者的說明很簡潔，這是把參考影片裡人物的身分換成參考圖的身分，提示詞只要觸發詞，LoRA 已經剪掉低於門檻的區塊，所以檔案小、雜訊少，強度和訓練時相同。
取得方式有一點要注意，Civitai 的下載設定成要登入才能下載，用 API 直接抓會回「Unauthorized」，作者在 Hugging Face 的 UntMods/FaceSwap_MiniMaxH3_REF2VA 放了同一份檔案，不用登入。
二、要多下載一顆 ref2va 主模型
H3 在 ComfyUI 裡有兩套主模型權重：t2va 與 i2v 用的 fl2va，以及參考生成用的 ref2va。這兩套權重不同，換臉一定要用 ref2va。如果你之前只裝過 H3 的文生影片，這裡要再下載一款約 21 GB 大小的主模型。
| 元件 | 檔案 | 來源 |
|---|---|---|
| 主模型 | minimax_h3_ref2va_pruned_int8_convrot.safetensors（約 21 GB） | Comfy-Org/MiniMax-H3 |
| 文字編碼器 | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | Comfy-Org/MiniMax-H3 |
| 影像 VAE | minimax_h3_video_vae_fp16.safetensors | Comfy-Org/MiniMax-H3 |
| 音訊 VAE | minimax_h3_audio_vae_fp32.safetensors | Comfy-Org/MiniMax-H3 |
| 加速 LoRA | minimax_h3_ref2v_turbo_8step_v1.0_768p_comfyui_bf16.safetensors | lightx2v/Minimax-h3-Turbo |
| 換臉 LoRA | SS_FaceSwap_MiniMax_H3_REF2VA.safetensors | UntMods/FaceSwap_MiniMaxH3_REF2VA |
加速 LoRA 是作者工作流裡用的那一個，讓取樣只要 8 步。兩顆 LoRA 疊在 int8 的主模型上，ComfyUI 日誌顯示 208 個模組全部掛上，沒有任何「lora key not loaded」的警告。
下載大檔時，這次測試用 curl --http1.1 搭配續傳迴圈，完成後逐一比對 Hugging Face 上的 sha256，全部相符才進行後續測試。
三、工作流不必裝作者的自訂節點
該 LoRA 作者附了兩份工作流。一份用他自己的 CRT-Nodes（作者說 ComfyUI 管理員上的版本停在 2.17.0，要從 GitHub 拿 2.19.0），另一份原生版只多用一個 AI-Toolkit 的參考影片前處理節點。將它的原生版拆開來看，實際接法是：
UNETLoader載入 ref2va 主模型，依序串上加速 LoRA 與換臉 LoRA。MiniMaxH3ReferenceToVideo接收臉部照片（ref_image_0）、參考影片的畫格（ref_video_0）與參考影片的音軌（ref_video_audio_0），提示詞只填Faceswap。KSampler：8 步、cfg 1、取樣器res_multistep、排程simple；負向條件用ConditioningZeroOut。LTXVSeparateAVLatent把結果拆成影像與音訊，各自解碼後用CreateVideo合成 MP4。
那個 AI-Toolkit 節點做的事情其實很單純，檢視它的原始碼會知道如下：
- 依原片的實際影格率重新取樣成 24 fps。
- 畫格數往下對齊到 H3 要求的 17n+5（例如 124 格）。
- 依目標像素面積縮放，長寬對齊 32 的倍數。
- 音軌裁成和畫格同樣的長度。
這些工作其實用 ffmpeg 事先處理好就行，所以本次測試全程只要用 ComfyUI v0.34.3 內建的節點（LoadVideo 加 GetVideoComponents 取出畫格與音軌）來跑就能順利出影片和圖片，沒有額外裝任何自訂節點。
四、測試素材：全部是合成的
換臉技術最直接的風險就是被拿來偽造真人。作者附的範例素材看起來是真人的照片和影片，本次測試因為是公開發表內容，因此沒有真人照片和影片。這次所有素材都是虛擬合成生成的：
- 兩張臉：用 Krea 2 生成的虛構人物大頭照，一位灰髮蓄鬍的中年男性，一位紅色捲髮、戴眼鏡的年輕女性。兩人外觀差異很大，換成功與否一眼就看得出來。
- 參考影片：用 H3 自己的文生影片模式生成一段約 5 秒的片子：一位黑髮、沒有鬍子、穿白 T 恤的年輕男性坐在咖啡店窗邊，對著鏡頭說話並揮手。
為了控制溫度（原因見第六節），換臉在 672×384、124 格（約 5.2 秒）、24 fps 下進行，種子固定為 42。
五、測試成功
先看結果。左邊是參考影片，右邊是掛上換臉 LoRA 後的輸出，聲音來自右邊的輸出：
為了確認效果真的來自換臉 LoRA，我用完全相同的設定、相同種子，只拿掉換臉 LoRA 再跑一次當對照：
幾個觀察：
- 身分確實換過去了。 灰髮、粗眉、灰鬍和臉型都轉到影片裡，每一格都是同一個人，沒有看到閃爍，臉部邊緣也沒有明顯接縫。
- 動作逐格對應。 張嘴、閉眼笑、揮手的時間點和手的位置，都和參考影片一致。
- 不掛 LoRA 就不會換。 對照組的人物維持原本的年輕男性，而且手勢和參考影片不同。也就是說，單用 ref2va 只會把參考影片當成「風格與內容的參考」重新生成一段，是換臉 LoRA 讓它照著原片的動作走。
- 衣服也被換掉了。 參考影片裡穿白 T 恤，輸出變成第一張臉照片裡的深藍色毛衣。這顆 LoRA 換的是「整個人的外觀」，不只是臉。如果想保留原本的服裝，直覺的做法是把臉部照片裁到只剩臉。
- 聲音節奏保留下來。 將三段影片的音量起伏做比對，換臉輸出和參考影片的相關係數是 0.98，不掛 LoRA 的對照組只有 0.42。換臉輸出的說話節奏與參考影片幾乎相同，口型也對得上。
六、速度與溫度：斷電一次，守衛擋下一次
在 DGX Spark 單機上，672×384、124 格、8 步：
| 組別 | 內容 | 取樣時間 | 整體時間 | GPU 最高 | 溫度區最高 |
|---|---|---|---|---|---|
| A | 換臉（第一張臉） | 2 分 45 秒（每步約 20.6 秒） | 347 秒（含首次載入模型） | 84°C | 93°C |
| B | 對照（不掛換臉 LoRA） | 2 分 43 秒 | 178.5 秒 | 85°C | 95°C |
| C | 換臉（第二張臉） | 被守衛中斷 | 85°C | 96°C |
換臉 LoRA 本身幾乎不增加時間，兩組每步都在 20 秒上下。真正的問題是溫度，跑影像模型會比較熱，這點需要較好的空調和散熱。
七、使用上的提醒
這款 LoRA 好用的程度，就是它危險的程度，只要一張照片和一段影片，就能在一般桌上型設備上產生動作自然、聲音同步的換臉影片。
未經同意使用他人的肖像製作或散布這類影片，可能涉及肖像權、個人資料保護，以及針對不實影像的法律規範。自己測試時，建議和這篇一樣使用生成的虛構人物，或取得當事人明確同意的素材。
效果明確的換臉 LoRA
CyberQ 認為，UntMods 的換臉 LoRA 在 MiniMax H3 ref2va 上效果明確，身分換得乾淨、動作和聲音節奏跟著原片走，用 ComfyUI 內建節點就能重現作者的工作流，不必安裝自訂節點。
要注意的是它連服裝一起換，以及相對較高的熱負載。單支短片可以跑，但一定要掛溫度守衛、每支之間冷卻。
延伸閱讀：
