Skip to main content
MiniMax H3 es el modelo omni-modal de pesos abiertos de MiniMax. Comprende texto, imágenes, video y audio en un solo contexto, y genera video con audio estéreo nativo (voz, efectos de sonido y música en una sola pasada). Los pesos abiertos apuntan a cerca de 1 megapíxel (768 px en el lado corto) a 24 fps, durante un máximo de ~15 segundos. 2K es una salida del servicio alojado y requiere un paso de upscale aparte en ComfyUI. La documentación se reparte en seis páginas:
  • Descripción general (esta página): capacidades, checkpoints, índice de flujos de trabajo, resolución, duración del clip, pasos, sampler y aceleraciones
  • Flujos de trabajo nativos: T2V, I2V, R2V y técnicas con nodos nativos
  • Referencia multifotograma: fija fotogramas de referencia en la línea de tiempo
  • Fun ControlNet Union: controla el video o haz relleno inteligente con una máscara
  • Guía de prompts: guías oficiales, consejos y embeddings
  • FastH3: checkpoints de atención dispersa de FastVideo
Asegúrate de que tu ComfyUI esté actualizado.Los flujos de trabajo de esta guía se encuentran en las Plantillas de flujos de trabajo. Si no los encuentras en las plantillas, es posible que tu ComfyUI esté desactualizado.Si faltan nodos al cargar un flujo de trabajo, estas son las posibles razones:
  1. No estás usando la última versión de ComfyUI (versión nocturna)
  2. Algunos nodos fallaron al importarse durante el inicio
Los pesos abiertos de H3 te permiten ejecutar el modelo de forma local. El uso comercial de las salidas generadas localmente requiere una licencia comercial de MiniMax, disponible a través de Comfy, el único revendedor oficial. Las generaciones en Comfy Cloud ya incluyen derechos comerciales. Consulta Licencias comerciales para ver los niveles y los precios.

​
Características clave

  • Audio estéreo nativo: Diálogos, SFX y música en un solo MP4
  • Contexto multimodal: combina referencias de texto, imagen, video y audio
  • Generación guiada por referencias: fija la identidad, el estilo, el movimiento, la cámara o la voz a partir de referencias
  • Seguimiento de instrucciones: describe las relaciones entre referencias y tomas en lenguaje natural
  • Renderizado de texto preciso: texto legible bien escrito y elementos de marca
  • Pesos abiertos: control local total en ComfyUI

​
Primeros pasos

  1. Actualizar ComfyUI: las plantillas base T2V/I2V/R2V necesitan 0.30.0+; Multiframe Reference 0.34.0+; Fun ControlNet Union, atención dispersa y Model Attention Backend 0.35.0+; FastH3 0.36.0+
  2. Biblioteca de plantillas > Video > elige un flujo de trabajo de MiniMax H3
  3. Descarga los modelos desde la ventana emergente (decenas de GB; deja tiempo y espacio en disco)
Los pesos están en Hugging Face: Comfy-Org/MiniMax-H3.
Usa checkpoints pruned cuando existan tanto compilaciones full como pruned. Las compilaciones pruned guardan adaln en una tabla de curvas compartida (adaln_t_table) que ComfyUI lee del archivo; las plantillas cargan minimax_h3_*_pruned_int8_convrot.safetensors. Los LoRA destilados sobre compilaciones full llevan tensores adaln que no existen en las compilaciones pruned (discrepancia de forma; esos pesos se omiten). Los LoRA Turbo no tienen tensores adaln y funcionan en cualquiera de las dos compilaciones.

​
Elegir la precisión del checkpoint

Elige la variante más pequeña que quepa en la VRAM. Cambia solo el archivo de UNETLoader; ComfyUI lee la cuantización desde el checkpoint. Los LoRA deben coincidir con la familia de la variante (los LoRA para la variante completa pierden adaln en las podadas). Los enlaces corresponden a fl2va (T2V/I2V); los archivos ref2va están en la misma carpeta y con los mismos tamaños. La Atención de Comfy Kitchen no puede ejecutar checkpoints int8_convrot; usa una variante bf16 con ese backend. Si la VRAM va justa, baja un nivel de tamaño: el offload a CPU cuesta más que renunciar a precisión. En las RTX de la serie 30, las operaciones matriciales INT8 son ~2× más rápidas que FP16 y no hay ruta FP8, así que INT8 suele superar a FP8 con el mismo tamaño de archivo. H3 también necesita VAE de video y de audio: video fp16 / int8_convrot y audio fp32. Las plantillas usan video int8 + audio fp32; el video int8 decodifica ~2× más rápido en ComfyUI 0.36.0+. Cambia los archivos en VAELoader igual que el modelo de difusión.

​
Índice de flujos de trabajo

Hoy se incluyen seis flujos de trabajo de plantilla (son ejemplos, no una lista exhaustiva). La biblioteca también incluye una variante de continuación I2V (video_minimax_h3_i2v_continuation).

Texto a video (T2V)

Genera videos a partir de prompts de texto con audio estéreo nativo

Imagen a video (I2V)

Genera videos a partir de una imagen de entrada, con control opcional de primer y último fotograma

Referencia a video (R2V)

Fija un personaje, un estilo, un movimiento, un movimiento de cámara o una voz a partir de imágenes, videos y audio de referencia

Referencia multifotograma

Ancla fotogramas de referencia en puntos concretos de la línea de tiempo de salida con nodos Add Guide encadenados

Fun ControlNet Union

Controla H3 con un video de control Canny, Depth, HED, MLSD o Pose, o realiza relleno inteligente de video con una máscara
MiniMax H3 Imagen a Video cubre T2V y la I2V de primer y último fotograma (t2va / fl2va). MiniMax H3 Referencia a Video cubre R2V (ref2va).
El acondicionamiento de referencia solo se aplica cuando llega al sampler. Las plantillas T2V/I2V muestrean dentro de un subgrafo conectado únicamente a Image to Video. Un nodo Reference to Video en el lienzo se ignora sin generar ningún error. Usa la plantilla R2V (o un flujo de trabajo creado a partir de ella) para obtener resultados guiados por referencias.
Recursos de prompts: guía de prompts.

​
Establecer la resolución de salida

Resolution Selector establece width y height en el nodo H3:
  • Aspect ratio: Ajustes preestablecidos como 16:9 (Widescreen), 9:16 (Portrait Widescreen), 1:1 (Square)
  • Megapixels: Recuento total de píxeles (mayor = más grande, más lento)
  • Multiple: Redondea a esta cuadrícula; mantén 32 para H3
Las plantillas comienzan con Megapixels 0.4: 864×480 en 16:9, 640×640 en 1:1 (el valor predeterminado de I2V). Un render de 0.4 MP es rápido y suficiente para borradores; aumenta Megapixels antes de un render final. Para calidad nativa en 16:9, establece Megapixels en 0.98 o introduce 1344 × 768 en el nodo. H3 está entrenado cerca de 1 MP, con un borde corto de 768 píxeles y hasta un área de 768×1344. Los tamaños por encima de 768×1344 se renderizan más despacio sin añadir detalle, y la calidad baja cuanto más te alejas de la resolución de entrenamiento. Para 2K, genera en tamaño nativo y haz upscale por separado. Los nodos de H3 no tienen un límite de 768×1344 en el tamaño de salida: width y height avanzan de 32 en 32 hasta 16384 por eje. Los videos de referencia en Reference to Video se reducen para caber en un borde corto de 768 px y un área de 768×1344. Las imágenes de referencia siguen ref_image_size: match las escala al área de píxeles de la generación y max a un borde corto de 2048 px.

​
Ampliar a mayor resolución

Usa un latent upscaler sobre el latent de video de 24 canales para evitar el efecto fantasma del recorrido de ida y vuelta por VAE. Minimax_h3_latent_Upscaler (no oficial) necesita minimax_h3_latent_upscaler_3d_conv_v1_bf16.safetensors en ComfyUI/models/latent_upscale_models/ y su nodo personalizado. Encadena Minimax H3 Latent Upscaler (3D) después de una pasada de baja resolución (scale 1.0–4.0, predeterminado 2.0) y luego vuelve a muestrear a la resolución objetivo. El upscale en latent ahorra tiempo, no pico de VRAM (el refinamiento se sigue ejecutando en el tamaño objetivo). Trata el refinamiento como un denoise parcial: denoise 0.1–0.5 conserva la composición; sube más solo para rehacer la primera pasada. Dale al sampler de refinamiento suficientes pasos para reconstruir el historial de varios pasos (consulta Sampler y scheduler). Los latents de video y audio son independientes (24 + 32 canales). El upscaler solo agranda espacialmente el video; el audio no cambia hasta que el refinamiento aplica denoise a ambos. Un denoise de refinamiento bajo conserva el audio de la primera pasada. Para conservar el audio exactamente, decodifica la primera pasada con VAEDecodeAudio antes del refinamiento y conecta esa pista al CreateVideo final (agrega SaveAudioAdvanced para una exportación sin pérdida).

​
Duración del clip

H3 está entrenado con clips cortos; los nodos nativos aceptan un rango más amplio sin bloquear las solicitudes que exceden la duración. Las plantillas exponen duration en segundos, convertidos a fotogramas en la cuadrícula 17k+5 a 24 fps. duration y length se redondean hacia arriba al siguiente valor 17k+5: una solicitud de 5 s genera 124 fotogramas (5.17 s), y un length de 120 también genera 124. Los fotogramas se empaquetan desde el fotograma 0 en bloques de 17, así que los 5 fotogramas sobrantes son el último bloque, no el primero. Las solicitudes que caen entre los mismos dos puntos de la cuadrícula generan el mismo clip. Los clips largos a resolución completa agotan la VRAM primero; reduce los megapíxeles para ajustarlos.

​
Encadenar clips

Más allá del rango entrenado, encadena continuaciones I2V desde el último fotograma de cada clip. Los errores se acumulan (los rostros pierden textura primero); los schedules turbo/destilados muestran el burn antes. Usa video_minimax_h3_i2v_continuation (prompt vacío): carga el último fotograma anterior y describe el siguiente segmento. Prefiere tomas cortas y continuas, y corta antes de que aparezca el burn. Para cadenas más largas, usa H3-Anti-Burn-LoRA en los clips posteriores al primero con strength_model ~0.5 (ajusta según tu estilo de continuación).

​
Cantidad de pasos

Valores predeterminados (Lightning LoRA desactivado): 20 pasos. Con turbo activado: 8 para T2V/I2V (y continuación), 4 para R2V, Multiframe y Fun ControlNet. En los subgrafos T2V/I2V, turbo_mode, turbo_steps y turbo_model_strength controlan el LoRA destilado. La lista también incluye un archivo fl2va de 4 pasos: minimax_h3_fl2v_turbo_4step_v1.0_768p_comfyui_bf16.safetensors con turbo_steps 4. Las tomas de referencia necesitan más pasos: los tokens de referencia viajan en cada paso, así que el turbo de 4 pasos apenas puede aplicar las referencias (deriva de pose y rostro). Para un ajuste preciso de la referencia, mantén el turbo desactivado o aumenta hacia 25. Los schedules destilados suavizan el detalle fino (piel, tela, cabello) frente a la base de 20 pasos. Cada archivo turbo es específico de un modo; prueba con una semilla fija antes de apilar LoRAs de estilo. turbo_steps y turbo_model_strength son ajustables: más pasos + menor fuerza (menos de 1) te acercan de nuevo a la calidad base y consumen tiempo. Ejemplo: archivo de 4 pasos a 6–8 pasos, fuerza ~0.8. Los LoRA turbo acortan el schedule, no el tiempo por paso (se fusionan al cargar). Ejecutar un LoRA de 4 pasos a 20 pasos tarda aproximadamente lo mismo que la base de 20 pasos. Orientación según el contenido:
  • Tomas simples: 12–16 pasos suelen ser suficientes
  • Detalle de alta frecuencia (cota de malla, filigrana, muchos objetos pequeños): mejora hasta ~50; por debajo de eso, aparecen artefactos de cuadrícula triangular en movimiento (peor con turbo)
  • La mayor parte de la mejora en movimiento/prompt se logra al paso 16; hay poco cambio visible después de 50
  • Los fotogramas suaves en resolución nativa suelen ser un problema de resolución, no de pasos
El audio converge más tarde que el video en el denoise conjunto. El habla y el timbre necesitan 12+ pasos; con 8 pasos el audio suele ser el eslabón débil.

​
Sampler y scheduler

Las plantillas usan res_multistep + simple. T2V/I2V/FastH3 los ocultan dentro del subgrafo; R2V, Multiframe y Fun ControlNet exponen KSamplerSelect y BasicScheduler en el lienzo. res_multistep es multistep de segundo orden (el primer paso es Euler). Dividir la programación entre dos samplers descarta el historial multistep: el primer paso del segundo sampler vuelve a ser de primer orden. Mantén una sola ejecución del sampler, o dale al segundo suficientes pasos para calentar. Los desplazamientos H3 predeterminados son shift 12 y audio_shift 3 según la definición del modelo (sin nodo adicional). Las plantillas FastH3 configuran MiniMax H3 Sigma Shift con shift_video 10, shift_audio 3. Un valor de shift de video incorrecto en versiones destiladas (p. ej., 3 en lugar de 10 en 8 pasos) puede mostrar artefactos de cuadrícula. Los finetunes personalizados pueden necesitar su propio par en MiniMax H3 Sigma Shift (consulta la tarjeta de modelo del archivo). LoRA DMAD de 4 pasos usa shift 12, audio_shift 2, lcm + simple.

​
Acelerar la generación con Sage Attention

Sage Attention puede acelerar aproximadamente 2× con un pequeño impacto en la calidad (instalación opcional):
  1. Ejecuta pip install con el wheel que coincida con tu PyTorch/CUDA desde releases
  2. Instala KJNodes para Patch Sage Attention KJ
  3. Insértalo entre UNETLoader y BasicGuider; establece sage_attention en auto
  4. O inicia con --use-sage-attention
Sage necesita float16/bfloat16; algunas capas de H3 usan otros dtypes y recurren a la atención de PyTorch (las advertencias en la consola son normales).

​
Degradación de la calidad con atención INT8

La deformación al final del clip o el texto distorsionado en pantalla con Sage suelen venir de la cuantización de la atención INT8 (canales calientes en los bloques finales).
  • Las plantillas usan checkpoints int8_convrot. Comfy Kitchen no les da soporte (problema #15529). Usa la atención predeterminada o cambia UNETLoader a pruned_bf16 y luego cambia el backend.
  • En checkpoints bf16, la atención de Comfy Kitchen (rotación de canales antes de cuantizar) elimina los artefactos a una velocidad similar.
Añade Backend de atención del modelo (comfy kitchen attention) en la ruta del modelo hacia BasicGuider (después de LoRA/turbo), o usa --use-ck-attention (0.32.0+). Requiere los kernels INT8 de comfy-kitchen en tu hardware.

​
Acelerar la generación con atención dispersa

Atención dispersa por bloques del modelo (0.35.0+, experimental) reduce el costo de atención en clips largos. Para H3 base, usa method sol-attn (sla/vsa necesitan pesos correspondientes). Requiere CUDA + sol_attn de comfy-kitchen; de lo contrario, las capas permanecen densas.
  • Valores predeterminados: start_percent 0.2, end_percent 1.0. Un inicio más tardío (0.4) y un final más temprano (0.9) protegen los fotogramas de apertura y cierre.
  • Mantén sink_conditioning en exact_kv_and_rows en H3 (protege las filas empaquetadas de texto, audio y referencia).
  • tau: un valor más alto = más disperso y rápido (1.0 ~16% de bloques exactos, 1.3 predeterminado, 2.0 ~2.7%).
  • Las secuencias cortas por debajo de min_tokens (predeterminado 12288) obtienen poca mejora.
FastH3 usa vsa con keep_percent 10; consulta la página de FastH3.

​
Comprobar si la atención dispersa está activa

Las plantillas base de H3 no incluyen el nodo. Agrega Model Sparse Attention entre UNETLoader y BasicGuider, y luego activa verbose (en Avanzado, desactivado de forma predeterminada) para registrar una línea por cada forma de atención. Las llamadas que siguen en modo denso registran dense (<n> tokens): <reason> o dense (<b>, <n>, <h>, <d>): <reason>. Solo se informa la primera condición que falla: Las llamadas que tienen éxito registran sparse (<b>, <n>, <h>, <d>), sinks <k>/<q> o sparse producer path: <n> tokens, <mode>. Hay tres condiciones que nunca registran nada, incluso con verbose activado: las activaciones que no son bfloat16 en la ruta de H3, un head_dim distinto de 128 y las frecuencias de rope ausentes se degradan en silencio. vsa está ligado al checkpoint de FastH3. Lee una rama gruesa aprendida de las capas to_gate_compress que solo traen esos pesos, así que en cualquier otro checkpoint de H3 el nodo imprime VSA: the model has no to_gate_compress layers; running the fine stage without the coarse branch y ejecuta solo la etapa fina. Esa advertencia no depende de verbose.

​
Licencia comercial

Los pesos abiertos de H3 puedes descargarlos y ejecutarlos gratis. Para usar comercialmente las salidas generadas en local necesitas una licencia comercial de MiniMax, que se vende a través de Comfy, el único revendedor oficial. Las generaciones en Comfy Cloud ya incluyen derechos comerciales, así que la licencia solo es necesaria para uso local. ¿Necesitas una?
  • Comfy Cloud: el uso comercial está incluido. No hay nada que comprar.
  • Tu propio hardware, fuera de EE. UU., la UE, el Reino Unido y Corea, con ingresos anuales inferiores a $20M: la licencia comunitaria gratuita de MiniMax cubre el uso comercial. Muestra un crédito “Powered by MiniMax H3”; la misma regla de territorio se aplica al lugar donde se usan tus salidas.
  • Tu propio hardware en EE. UU., la UE, el Reino Unido o Corea, o con ingresos anuales superiores a $20M: necesitas una de las dos licencias que aparecen abajo.
Las licencias vienen en dos niveles: Profesional comienza en $5,000 al mes. Empresa no tiene un precio de lista fijo: el precio se ajusta a tu volumen de generación y a tu equipo. Ambos niveles cubren MiniMax H3 y MiniMax Audio & Music bajo un mismo acuerdo. Solicita una licencia para obtener una cotización.