Skip to main content
FastVideo FastH3 es un checkpoint de MiniMax H3 destilado con DMD2 por el equipo de FastVideo que genera video con audio nativo sincronizado en 8 pasos de muestreo en lugar de la programación completa del modelo base. Reutiliza el codificador de texto de H3, el VAE de video y el VAE de audio, así que el resultado coincide con la configuración del modelo base mientras el muestreo termina en una fracción de los pasos. El trabajo de la versión de vista previa de FastH3 se desarrolló en colaboración con Nuva Lab y el equipo de NVIDIA FastGen; consulta el anuncio de FastH3 para conocer los detalles de la destilación. ComfyUI incluye el checkpoint V2 de 8 pasos, reempaquetado por Comfy-Org en el repositorio FastVideo-FastH3-Comfy. FastH3 sacrifica algo de fidelidad de movimiento y audio a cambio de velocidad. Úsalo para borradores, iteración y entregas rápidas; usa los flujos de trabajo base de MiniMax H3 cuando la máxima calidad sea lo importante.
El checkpoint destilado solo admite texto a video e imagen a video con primer y último fotograma. Ref2VA (conditioning con múltiples referencias) no se destiló; usa los flujos de trabajo base de MiniMax H3 para la generación basada en referencias.

​
Requisitos

  • ComfyUI 0.36.0 o posterior
  • El text encoder de MiniMax H3 y los VAE (compartidos con el modelo base, listados a continuación)

​
FastH3: texto a video

Genera video y audio sincronizados a partir de un prompt de texto en 8 pasos.

Descargar flujo de trabajo

Descarga el JSON o busca “FastVideo FastH3: Text to Video” en la Biblioteca de plantillas

​
Consejos para escribir prompts

  1. Describe toda la escena: Indica primero la escena general (lugar, personaje, qué ocurre) y luego divídela en tomas con duración
  2. Tomas, cámara y audio: Describe las tomas, los movimientos de cámara y el audio que las acompaña (diálogo, SFX, música) en un solo bloque de prompt
  3. Resolución: El lienzo nativo de H3 tiene un borde corto de 768px y un área de 768×1344, y las resoluciones se redondean a un múltiplo de 32. El nodo acepta tamaños mayores, pero se renderizan más lento sin añadir detalle
  4. Duración: La entrada de duración se ajusta a la cuadrícula del modelo de 17 fotogramas por bloque (17k+5) a 24fps
  5. Los pasos son fijos en 8: El checkpoint destilado está entrenado para exactamente 8 pasos; cambiar la cantidad de pasos en el scheduler degrada la calidad
Para obtener recursos sobre cómo escribir prompts, consulta la guía de prompts.

​
FastH3: imagen a video

Anima una imagen fija con audio sincronizado y con control opcional de primer y último fotograma.

Descargar flujo de trabajo

Descarga el JSON o busca “FastVideo FastH3: Image to Video” en la Biblioteca de plantillas
Material de entrada Sube este archivo al nodo LoadImage correspondiente, o usa tu propia imagen:

red_line_barrier.png

Primer fotograma de ejemplo para el flujo de trabajo de imagen a video

​
Modo de primer y último fotograma

Conecta imágenes a first_frame y/o last_frame en el nodo MiniMaxH3ImageToVideo para generar el movimiento entre dos fotogramas clave. Deja ambos desconectados para texto a video.

​
Consejos para el prompt

  1. Describe el movimiento y el audio: Como la imagen ya aporta la apariencia, el prompt debe centrarse en el movimiento, la cámara y el audio que lo acompaña
  2. Duración: La entrada de duración se ajusta a la cuadrícula del modelo de 17 fotogramas por bloque (17k+5) a 24fps
  3. Los pasos están fijos en 8: Mantén el scheduler en 8 pasos; el checkpoint está destilado para esa programación

​
Descarga de modelos

El modelo de difusión viene del repositorio de FastVideo; el codificador de texto y los VAE se comparten con el modelo base MiniMax H3.

Diffusion Model: fastvideo_fasth3_8step_v2_pruned_int8_convrot

Colócalo en ComfyUI/models/diffusion_models/

Text Encoder: qwen3vl_32b_minimax_h3_nvfp4_awq

Colócalo en ComfyUI/models/text_encoders/

VAE: minimax_h3_video_vae_int8_convrot

Colócalo en ComfyUI/models/vae/

VAE: minimax_h3_audio_vae_fp32

Colócalo en ComfyUI/models/vae/

​
Almacenamiento de modelos

​
Notas sobre la estructura del flujo de trabajo

Ambos flujos de trabajo FastH3 comparten estos nodos con la configuración base de H3, con configuraciones específicas de destilación:
  • BlockSparseAttention: ejecuta Video Sparse Attention (VSA) con keep_percent 10, iniciando al 20% de la programación, lo que reduce el costo de atención mientras preserva la calidad
  • MiniMaxH3SigmaShift: aplica el desplazamiento sigma de H3 (10 para video, 3 para audio) que coincide con la programación destilada
  • ComfyMathExpression: convierte la entrada de duración en una length de fotogramas válida en la cuadrícula de 17k+5 a 24fps
  • Sampler: sampler res_multistep con el scheduler simple a 8 pasos
Los pesos de FastH3 incluyen capas de compuerta to_gate_compress, que VSA lee para su rama gruesa. Los checkpoints base de H3 no las tienen. Para comparar métodos, establece method en sol-attn en el nodo Model Sparse Attention y mantén la misma seed. sol-attn no necesita pesos coincidentes y se ejecuta en cualquier checkpoint H3 con el tau que establezcas. Consulta atención dispersa en la página base de H3.