Flujos de trabajo de MiniMax H3 en ComfyUI: texto a video, imagen a video y referencia a video

​

MiniMax H3 Texto a Video (T2V)

​

Descargas de modelos

​

Almacenamiento de modelos

ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│   ├── 📂 vae/
│   │   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   ├── 📂 loras/
│   │   └── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.safetensors

​

Consejos para el prompt

1. Primero la escena: la escena general, y luego los planos con sus tiempos
2. Un solo bloque: planos, cámara, diálogo, SFX y música juntos
3. Resolución: el 16:9 nativo es 1344×768 (768 px en el lado corto); redondea a múltiplos de 32
4. Duración: se ajusta a 17k+5 fotogramas a 24 fps
5. Primer y último fotograma: conecta las imágenes a first_frame / last_frame en MiniMaxH3ImageToVideo para FL2VA
6. Turbo: 20 pasos por defecto; activa turbo_mode para el Lightning LoRA de 8 pasos (más rápido, con movimiento y audio algo más suaves). Sube los pasos (por ejemplo, 25) para mejorar la calidad del movimiento

​

MiniMax H3 Imagen a Video (I2V)

​

Descargas de modelos

​

Almacenamiento de modelos

ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│   ├── 📂 loras/
│   │   └── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
│   ├── 📂 vae/
│   │   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.safetensors

​

Consejos para el prompt

1. Fotogramas clave: first_frame / last_frame opcionales; el movimiento se genera entre ellos
2. Prompt: planos, movimiento y audio en un solo bloque
3. Resolución / duración: las mismas reglas que en T2V (objetivo nativo 1344×768, cuadrícula 17k+5)
4. Turbo: turbo_mode usa turbo_steps (valor predeterminado 8) y turbo_model_strength (valor predeterminado 1.0) en lugar de 20 pasos

​

MiniMax H3 Referencia a Video (R2V)

​

Descargas de modelos

​

Almacenamiento de modelos

ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│   ├── 📂 vae/
│   │   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   ├── 📂 loras/
│   │   └── minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.safetensors

​

Consejos para el prompt

1. Etiquetas: Haz referencia a las entradas como <Picture 1>, <Video 1>, <Audio 1> (ref_image_0 → <Picture 1>). Orden de los nodos: primero imágenes, luego videos y al final audio
2. Asigna roles: Indica qué referencia controla la identidad, el estilo, el movimiento, la cámara o la voz
3. Límites: Hasta 9 imágenes, 3 videos y 3 clips de audio independientes
4. FPS del video: El video de referencia se lee a 24fps sin metadatos. Convierte otras frecuencias de fotogramas a 24fps antes de cargarlo
5. Sonido del video: La imagen y la pista de sonido son referencias separadas. Conecta ref_video_audio_N para que coincida con ref_video_N, o el audio del archivo no se usará como <Audio N>
6. Numeración del audio: Las pistas de sonido del video reciben <Audio N> primero (según el orden de los videos) y luego los clips independientes. Los índices de video e imagen son independientes
7. Conexión del VAE: La pista de sonido del video necesita vae + audio_vae; el audio independiente solo necesita audio_vae
8. Roles del audio: por ejemplo, use <Audio 1> exactly as it is frente a follow the timbre of <Audio 2>
9. Voz: El audio aporta timbre, no palabras. Especifica la interpretación; usa una referencia de audio por hablante cuando la asignación deba ser exacta
10. ref_image_size: El valor predeterminado es match (ajustar al lienzo). max mantiene 2048px en el lado corto y es mucho más lento; no escala archivos pequeños (redondea los lados a 32). Escala previamente a 2048 en el lado corto cuando sea necesario
11. Pesos: R2V usa el modelo ref2va, no el fl2va de T2V/I2V
12. Turbo: LoRA Lightning opcional de 4 pasos (más rápido, con referencias y audio más débiles). Prefiere 20–25 pasos cuando las referencias deban mantenerse
13. LoRA de estilo: Compiten con las referencias; usa una fuerza baja (~0.5) con el scheduler base cuando importe la fidelidad

​

Flujos de trabajo avanzados con los nodos nativos

​

Anclar guías en cualquier frame (#15439)

• image: Imagen fija o clip (los lotes de varios frames se recortan a longitudes válidas de 17k+5; con <5 frames se usa solo la primera imagen)
• audio: Pista de audio en el mismo índice de frame, recortada a la duración restante
• frame_idx: Posición de anclaje

​

Relleno inteligente y extensión con máscaras de ruido latente (#15375)