验证：参考视频（Ref2VA video reference）端到端跑通

状态：代码已写完（2026-08-20 夜），完全没有在真实 GPU 上跑过。本地 Mac 开发机没有卡， 也没装 DiffSynth-Studio，_references() 里视频这段是纯读 pipeline 源码写的，语法和上传校验 本地测过，生成效果没测过。

改了什么

• minimax-h3/api.py：GenReq 加 reference_video_urls（最多 3 段）。_references() 把参考 视频下载到临时文件，调 diffsynth.utils.data.audio_video.read_video_audio() 解码+对齐音轨， 读不到音轨就用 "video"（静音）类型，读到了用 "video_audio" 类型。
• h3-console/server.py：/v1/assets 加 mp4/mov/webm 支持，200MB 上限，轻量魔数校验。
• h3-console/static/index.html：参考图 tab 加视频多选上传 + URL 直填两条路径。

⚠️ 最大的不确定性：视频解码分辨率的选择

read_video_audio(path, height, width, num_frames, fps=24) 的 height/width/num_frames 现在传的是输出视频自己的分辨率和帧数（跟 _keyframes() 处理首末帧图片的方式一致）。这是 没验证过的简单假设——pipeline 其实另外暴露了 ref_video_short_edge/ref_video_max_pixels 两个参数，专门用来做参考视频自己的归一化（worker() 里已经按默认值传给 pipe() 了，只是从 没真正生效过，因为这条链路从没跑过）。

验证步骤

1. 部署到服务器（server.py/api.py 都要重启，跟着 README 的安全重启法：ss 按端口找 PID kill，不要 pkill -f；重启前确认 /v1/backends 四张卡都空闲）。
2. 找一段几秒钟的短视频（比如已有的某条历史生成产物），通过 h3-console 的参考图 tab 上传， 提交一个 R2V 任务。
3. 确认任务能跑完（不是在 _references() 这步就报错——先验证代码本身没有语法/接口层面的 bug，这一步失败大概率是 read_video_audio/pipeline 调用姿势不对）。
4. 跑完了看输出：参考视频里的角色/风格/运镜是不是真的被锁住了。如果锁不住（生成结果跟没给 参考视频差不多），先怀疑上面那条"解码分辨率假设"，试试把 read_video_audio 的 height/width 换成按 ref_video_short_edge 算出来的值,而不是输出分辨率。
5. 如果视频带音轨，确认走的是 "video_audio" 分支，产出的音频里能听出参考视频的声音特征 （不是纯粹被输出侧的文本/音频生成盖过去）。

参考

代码和排查思路的完整记录见顶层 CHANGELOG.md「2026-08-20（夜，又续七）— Ref2VA 加参考视频/ URL 直填，本地开发，⚠️ 没有 GPU 没测过」。