この記事について（広告・アフィリエイトリンクはありません）
使ったソフトとモデルは、すべて無料で入手できます。試した環境の一覧は検証の記録にあります。
ComfyUI-H3-FaceRefine は、MiniMax H3 の動画で小さく写った顔を、フレームごとに追いかけて切り出し、大きくして作り直してから元の動画に戻すノードです。 顔の高さが約26ピクセルの全身の動画（896×512、5秒）で、崩れていた口元が整った顔になりました。RTX 5090 で1本約28秒でした（モデルを読み込んだあと）。
強さ（denoise）は0.4〜0.6がちょうどよく、0.8では髪の輪郭が変わって貼り合わせの境目が見えました。所要時間は1時間ほど、難しさは中級〜上級です。
先に結論（今回のテスト条件で）
| denoise | 時間 | 切り出した顔（512×512） | 元の動画に戻したあと |
|---|---|---|---|
| 0.25 | 18.6秒 | モザイクのような粗さが残る | —（比べていない） |
| 0.4（作者の既定値） | 約28秒 | ブロック状の粗さが残る | 縮めると粗さは見えず、顔は整う |
| 0.6 | 約28秒 | なめらかで細かい | 顔が整い、境目も目立たない |
| 0.8 | 26.9秒 | 背景や服まで別物になる | 髪の輪郭が変わり、境目が見える |
MiniMax H3 fl2va（int8）＋ Turbo 8step LoRA、8ステップ、er_sde。時間は ComfyUI の実行開始から完了までです。1回目はモデルの読み込みを含めて138秒でした。GPU のメモリは、どの条件もほぼいっぱい（約31GB）まで使われました。
H3-FaceRefine とは？
Carasibana/ComfyUI-H3-FaceRefine は、静止画で顔を直す FaceDetailer の考え方を、H3 の動画に持ち込んだノード集です（MIT ライセンス）。2026年11月7日時点でスターは569、今回は v1.1.2 を使いました。
作者の説明では、H3 は顔が画面の小さな一部のときに崩れやすく、これは解像度を上げても変わりません。そこで顔のまわりを切り出して、顔が画面いっぱいの状態で H3 に作り直させます。
- H3 Face Track + Crop：顔を検出して追跡し、フレームごとに切り出す
- H3 Inject Video Latent：切り出した動画を、H3 の作り直しの出発点にする（H3 の標準ノードにはこの経路がない）
- H3 Per-Frame Denoise：顔が小さいフレームほど強く作り直す
- H3 Face Stitch Back：作り直した顔を、元の動画に戻す
試した動画
Pika H3 Flex で、イチョウ並木を歩いてくる女性の全身を、引きの画で作りました。顔の高さは21〜32ピクセル（平均26ピクセル）で、口元が崩れたフレームがあります。
Face Track + Crop は、124フレームすべてで顔を見つけ、平均6.7倍に拡大して 512×512 で切り出しました。追跡のぶれは、平滑化で 0.65 から 0.32 ピクセル／フレームに減ったと報告されました。
denoise で比べる
切り出した顔の動画（真ん中のフレーム）を並べました。左から、切り出しただけの入力、0.4、0.6、0.8 です。
0.4 以下では、拡大した入力のぼやけが、ブロック状の粗さとして残りました。0.6 で細かい顔になり、0.8 では襟にリボンが付き、背景の並木も作り直されました。
元の動画に戻したあとの顔のまわりを、2倍に拡大して並べました。左から元の動画、0.4、0.6、0.8 です。
元のサイズに縮めて戻すので、0.4 の粗さはほとんど見えなくなりました。0.8 は顔が別人寄りになり、貼った範囲の境目で髪の線がずれました。別のシードの動画（顔の高さ平均31ピクセル）でも、0.4 は粗く、0.6 はなめらかという同じ傾向でした。
導入
cd ComfyUI\custom_nodes
git clone https://github.com/Carasibana/ComfyUI-H3-FaceRefine
..\..\python_embeded\python.exe -m pip install ultralytics scipy "scenedetect>=0.7"requirements.txt には insightface もありますが、同じ人物かどうかの判定（identity_track）を使わなければ要りません。今回は1人だけの動画なので、オフにして試しました。
顔の検出には face_yolov8m.pt（52MB）を models/ultralytics/bbox に入れます。H3 のモデルは導入編と同じです。
作者の例のワークフローは、VideoHelperSuite、Impact Pack（SAM のマスク、初期は無効）、GGUF のローダー、音声を固定するノード（NativeAudioLock）も使っています。今回は ComfyUI 標準の LoadVideo と SaveVideo に置き換え、話していない動画なので音声の固定は外しました。
- H3-FaceRefine のワークフロー（JSON）ComfyUI 標準の動画ノードで組み直したものです。denoise 0.6、音声の固定なし
商用で使える？
ノードのコードは MIT ライセンスです。顔の検出モデル face_yolov8m.pt は Apache-2.0 と表示されていますが、読み込みに使う ultralytics ライブラリは AGPL-3.0 です。作った動画の扱いは MiniMax H3 本体の規約に従います（導入編で説明しています）。
同じ人物の判定に insightface を使う場合、その顔認識モデルは非商用の条件が付くことがあるので、配布元の条件を確かめてください。
RTX 5090 以外の人へ
作り直すのは 512×512 の顔の動画なので、全体を作り直すより軽い処理です。ただし H3 本体（int8 で19.5GB）とテキストエンコーダーを読み込むため、VRAM の少ない PC ではメインメモリに置く分だけ時間が延びます（今回は測っていません）。
よくある質問（FAQ）
Q. H3-FaceRefine とは？
MiniMax H3 の動画で小さく写った顔を、フレームごとに切り出して作り直し、元の動画に戻す ComfyUI のノードです。FaceDetailer の動画版にあたります。
Q. denoise はいくつにする？
今回は0.4〜0.6が適当でした。0.4 は切り出した顔が粗く見えますが、元の動画に戻すと目立ちません。0.8 では髪の輪郭が変わり、境目が見えました。
Q. insightface は必要？
同じ人物かどうかを判定する機能（identity_track）を使うときだけ必要です。1人だけの動画ならオフで動きました。
Q. 時間はどれくらい？
RTX 5090 で、896×512・5秒の動画が1本約28秒でした（モデルを読み込んだあと）。
まとめ
H3-FaceRefine は、全身を引きで撮った H3 の動画の、崩れた小さな顔を整えるのに効きました。denoise は強すぎると別人寄りになるので、0.5前後から試すのがよさそうです。
引きの画で顔が崩れたら、FaceRefine で顔だけ作り直す。denoise は0.5前後から。
検証メモ
- 元の動画：Pika H3 Flex の文字から動画のテンプレート、896×512、5秒、シード 11 と 23。
- 設定：作者の Auto Select の例に合わせ、crop_factor 3.0、canvas は auto_capped_768（今回は 512×512 になった）、per_frame、Per-Frame Denoise（小さい顔1.0倍、大きい顔0.35倍）、Stitch は face_only。プロンプトは元の動画のものを、顔のアップに書き換えて使いました。
- 試していないこと：話している動画での口の動き（NativeAudioLock）、複数人やカットのある動画での取り違え、SAM のマスク、アニメ調の動画、時間方向のちらつきの数値での測定。
