Files
ComfyUI-H3-Continuum-Tiled/docs/AB_TEST_LOG_JA.md
T

13 KiB
Raw Blame History

H3 Continuum A/B実機テスト記録

更新日: 2026-08-13
状態: 継続中。現時点の結果であり、最終推奨ではない。

1. 目的

H3 Continuumの3×5秒生成について、次を分離して評価する。

  • 解像度とチャンク累積による顔・肌・Identity drift
  • Spectrumの速度向上とSeed依存のForecast誤差
  • WarmupとContinuum Actual Prefixの組み合わせ
  • Seam Correction Off/Autoの映像・音声境界への効果
  • 無音に近い条件と明確な歌唱・発話条件の違い

MP4本体は現時点ではGitへ追加しない。各番号はローカル出力ファイル名の末尾番号に対応する。

2. 主なテスト環境

GPU                  RTX 5060 Ti 16GB
System RAM           64GB
Output               640×960 / 24fps / 15秒 / 360 frames
Image scale          area / 0.60MP / resolution_steps 32
Chunks               3
Chunk seconds        5.0
Continuity           Balanced — 22 frames
SageAttention        sageattn_qk_int8_pv_fp8_cuda++
Sol-Attn             なし
Audio continuity     true
Exact total duration true
Diagnostics          Basic

Spectrum ON時の主要設定:

blend_weight                  0.5
degree                        1
ridge_lambda                  0.1
window_size                   2.0
flex_window                   0.75
tail_actual_steps             1
max_history                   8
history_storage               system_ram
bootstrap_first_forecast      true
anchor_residual_feedback      false
selective_rollback_correction false
offline_smoothing_replay      true
audio_blend_weight            0.0

3. 暫定実用設定

品質最優先ではなく、約31%の時間短縮を取る実用バランス設定として扱う。

Spectrum       On
Warmup         2
Actual Prefix  2
Continuity     Balanced 22
Seam           Off

注意: Seed 1235でSpectrum ON時の明確な画質崩れを確認しているため、全Seedで安定する設定ではない。

4. 解像度・チャンク比較

動画 解像度 尺 所見
00032 448×672、約0.3MP 15秒 低解像度では肌・顔の微細なdriftが目立ちにくい
00033 576×896、約0.5MP 15秒 比較的安定
00034 576×896、約0.5MP 5秒 単チャンクは安定
00035 640×960、約0.6MP 5秒 0.6MP単独では大きな破綻なし
00036 640×960、約0.6MP 15秒 後続チャンクほど肌の変化が見えやすい

暫定解釈: 0.6MPそのものより、Continuationで小さな誤差が次チャンクへ累積し、高解像度で可視化される可能性が高い。

5. Warmup比較

動画 Warmup 所見
00038 1 プッシュインあり。境界フリックは比較的目立たない
00039 3 6秒台以降に顔の暗転・粗れが発生し、重大な破綻
00040 3 重大破綻は再現せず、軽い肌drift。結果の振れが大きい
00041 2 Seed 1234、Spectrum ON、Seam Off。全体として良好

暫定解釈:

  • Warmup 3は結果が不安定なため不採用。
  • Warmup 2はWarmup 3より安全だが、Spectrumの全Seed安定性は保証しない。
  • Continuation chunkではActual Prefix 2が先頭2stepをActualへ要求する。

6. 厳密または準厳密なA/B比較

境界比は、境界の隣接フレームMAEを周辺の通常フレーム間MAE中央値で割った参考値。1未満なら境界変化が周辺動作より小さい。

6.1 Spectrum ON/OFF、Seed 1234

動画 Spectrum Warmup Seam 所見
00041 ON 2 Off 良好。音声はほぼ無音、RMS約-63.7dBFS
00045 OFF 無効 Off 良好。00041と視覚的にかなり近い

Seed 1234ではSpectrum ONでもNativeに近い結果を維持した。

6.2 Spectrum ON/OFF、Seed 1235

動画 Spectrum Warmup Seam 5秒比 10秒比 所見
00042 ON 2 Off 1.392 1.810 Clip 1途中で服色変化。Clip 3で顔に強い斑点と肌崩れ
00047 OFF 無効 Off 0.909 0.904 服色、肌、Identityを維持

確定事項:

  • Seed 1235自体はNative生成で正常。
  • 00042の崩れはSpectrumとSeed 1235の組み合わせで発生した可能性が高い。
  • Seam CorrectionではClip内部のSpectrum Forecast誤差を修正できない。

6.3 Seam Auto/Off、Seed 1237

動画 Spectrum Warmup Seam 5秒比 10秒比 所見
00044 ON 2 Auto 0.570 0.248 良好。Autoによる不自然な色変化なし
00046 ON 2 Off 0.564 0.333 良好。Auto版と視覚差は非常に小さい

確定事項:

  • 無音に近い映像ではAutoの視覚的効果は小さい。
  • Autoは10秒境界をわずかに平滑化したが、Offでも十分安定。
  • 現時点ではOffを映像品質の基準とする。

7. Seed耐性

Seed Spectrum Warmup Seam 動画 判定
1234 ON 2 Off 00041 良好
1234 OFF 無効 Off 00045 良好
1235 ON 2 Off 00042 失敗
1235 OFF 無効 Off 00047 良好
1236 ON 2 Auto 00043 許容。カメラ動作が強い
1237 ON 2 Auto 00044 良好
1237 ON 2 Off 00046 良好

Spectrum ONの品質はSeed依存で変化する。結果確認なしの長尺・大量生成には追加の誤差検出またはフォールバックが必要。

8. 速度比較

条件 動画 生成時間
Spectrum ON 00046 882.52秒、約14分43秒
Spectrum OFF 00047 1274.40秒、約21分14秒
短縮時間   約391.88秒、約6分32秒
短縮率     約30.8%
処理速度   約1.44倍

別の比較でも約31.6%短縮しており、Spectrumの速度効果は再現している。ただし00046と00047はSeedが異なるため、この値は実用上の参考値。

9. 音声の現状

00041〜00047にはAAC音声ストリームがあるが、測定RMSは概ね-58〜-68dBFSで、聴感上ほぼ無音。したがって、歌唱、会話、伴奏を含むAudio ContinuityとSeam Autoの効果は未確定。

現時点の運用仮説:

映像中心・無音に近い  Seam Off
会話・歌唱・演奏あり  Seam Autoの可能性。A/B未完了

10. 保留中・次のテスト

  1. Seed 1235 / Spectrum ON / Warmup 1 / Seam Off
  2. 固定カメラ・明確な持続歌唱で、同一SeedのSeam Off/Auto
  3. 歌唱と小振幅・低速プッシュインを含む実用Promptで、同一SeedのSeam Off/Auto
  4. 音声境界の前後100〜200msについて、瞬間ピーク、短時間RMS、F0、波形相関、スペクトル差、DC offsetを比較
  5. 3チャンクで安定後、5×5秒または6×5秒でIdentity driftを確認

11. 検討中の対策

  • Clip 1だけNative計算し、Continuation chunkからSpectrumを使用
  • Spectrumの予測誤差が大きいstepだけActualへ戻す
  • selective rollback correctionとanchor residual feedbackの同一Seed A/B
  • 元画像による定期的なIdentity再アンカー
  • 異常Contextを検出し、該当チャンクだけSpectrumなしで再生成
  • Seam Autoの映像補正と音声補正を個別に選択可能にする

12. 将来のGitHub公開方法

  • このMarkdownと機械可読なJSON/CSVを通常Gitへ追加する。
  • コンタクトシートはdocs/assets/ab-tests/等へ追加する。
  • 大容量MP4は通常Gitへ直接追加せず、GitHub Release assetsまたはGit LFSを検討する。
  • 公開前にPrompt、Workflow、モデル、ComfyUI revision、Python/Torch/CUDA、GPU、生成時間を各サンプルへ紐付ける。

00048 / 00049: 0.5 MP Seam Off vs Auto

  • 共通条件: 576x896 (約0.5 MP), 24 fps, 3 x 5秒, Spectrum On, Warmup 1, Actual Prefix 2, Balanced 22, base seed 1235。
  • 00048: Seam Off。5秒境界比 0.3583、10秒境界比 0.8562。
  • 00049: Seam Auto。5秒境界比 0.3709、10秒境界比 0.4271。
  • 視覚評価: 両方とも人物・衣装・肌は安定し、見た目の差は小さい。Autoは10秒境界を数値上改善した。
  • 音声: 両方ともほぼ無音のため、音声シーム効果は未評価。
  • 注意: 0.5 MP条件のため、0.6 MPで発生したSeed 1235の崩れをWarmup 1が解消したとは断定しない。

目視評価の補足

  • ユーザー目視では00049(Seam Auto)の方がフリックが若干目立つ。
  • 00048(Seam Off)の方が境界変化を比較的抑えられている。
  • 境界指標の改善と主観的なフリック低減は一致しなかったため、本比較では目視評価を優先しSeam Offを採用候補とする。

00050: 音声あり一貫性テスト

  • 条件: 576x896(約0.5 MP)、24 fps、3 x 5秒、Spectrum On、Warmup 1、Balanced 22、base seed 1235、Seam Off。
  • 音声レベル: mean -19.9 dB、peak -6.4 dB。前回のほぼ無音サンプルより音声境界の評価に適する。
  • 目視: 3チャンクを通して人物、髪、衣装、背景、露出は安定。肌・顔の累積崩れも目立たない。
  • 5秒境界: 境界付近で瞬きが始まるためフレーム差はあるが、露出フリックより自然動作として見える。
  • 10秒境界: 口形、顔、背景の連続性が高く、明確な視覚ジャンプは小さい。
  • 未確認: 音声境界のクリック、F0、短時間RMS、スペクトル差の数値解析。
  • 次の比較: 同一Prompt・Seed・解像度・Warmupのまま、SeamだけAutoへ変更した1本と比較する。

00050 音声の目視・聴感補足

  • ユーザー聴感で10秒(Chunk 2→3境界)に短いプチノイズを確認。
  • 同境界の映像連続性は良好であり、映像シームと音声シームの品質が一致しない例となった。
  • 暫定対策候補: Video Seam Off、Audio Seam Autoを独立設定にする。

00050 実行レポート補足

  • Prompt plan: Fixed、3 chunks、5.000秒。Seam correction Off。
  • Chunk seeds: 12362262848839836333 / 1129406137053299874 / 8524677167168820503。
  • Continuity motion: Chunk 2 = 0.378492、Chunk 3 = 0.388277。Continuation chunksはActual Prefix 2を要求。
  • Retained frames: 124 + 119 + 119 = 362。Exact-durationで360 framesへ末尾調整。
  • Audio: 480000 samples(32 kHz、15.000秒)。末尾補正 -2667 samplesは2 frames相当で、10秒境界のプチノイズ原因とは分離して扱う。
  • 判定: sample-boundary alignmentは尺を整合させているが、波形位相・振幅の連続性までは保証しない。Audio Seam Off基準として保存する。

00050 境界評価の訂正

  • 5秒(Chunk 1→2): 映像フリックが確認できる。
  • 10秒(Chunk 2→3): 映像フリックは目立たないが、音声に短いプチノイズがある。
  • 映像と音声の問題位置は一致していないため、Video SeamとAudio Seamは独立評価・独立処理が必要。

00050 最終訂正(この評価を優先)

  • 5秒(Chunk 1→2): 映像フリックあり。
  • 10秒(Chunk 2→3): 映像フリックは目立たない。
  • 音声: 明確なプチノイズは確認できない。先行する「10秒に音声ノイズあり」という記録は取り消し、未検出として扱う。
  • 00050はAudio Seam不具合の根拠にはせず、音声は専用テストで改めて検証する。

V3.2.1 Reference + Continuation 実機成績

共通条件:

Version              H3 Continuum V3.2.1
Output               1056x608 / 24fps / 15秒 / 360 frames
Image scale           16:9 / 0.6MP / multiple 32
Chunks                3 x 5秒
Continuity            Balanced 22
Reference images      2
Reference size        Match Output
Audio Seam            Off
Run Storage           Save + Auto Resume
動画 MODEL Prompt 生成時間 Run Storage 判定
00006 FL2VA 縦構図指定が残る旧Prompt 749.35秒 0 reused / 3 generated MODEL切替前baseline
00007 Ref2VA 縦構図指定が残る旧Prompt 751.26秒 0 reused / 3 generated Ref2VA切替を新Revisionとして検出
00008 Ref2VA 16:9横長へ修正したPrompt 751.64秒 0 reused / 3 generated 技術PASS、実用可能な結果

00008の実行結果:

Conditioning mode     Reference + Continuation
Prompt plan           List / 3 unique prompts
Chunk 2 Actual Prefix 2
Chunk 3 Actual Prefix 2
Natural frames        362
Final frames          360
Revision              2167719e99b1e782

確認事項:

  • 2枚のReferenceを全3チャンクで継続使用できた。
  • FL2VAからRef2VAへの変更、およびPrompt変更を別Revisionとして扱い、旧Chunkを誤再利用しなかった。
  • 00006~00008の生成時間は約749~752秒で、モデル切替やPrompt修正による異常な時間増加はない。
  • 00008はユーザー目視を含め、V3.2.1 Reference + Continuationの実用可能な実機成績として保存する。