- 概要（このページ）: 機能、チェックポイント、ワークフロー索引、解像度、クリップ長、ステップ、サンプラー、高速化
- ネイティブワークフロー: T2V、I2V、R2V とネイティブノードのテクニック
- マルチフレーム参照: タイムライン上の参照フレームを固定
- Fun ControlNet Union: コントロールビデオまたはマスクによるインペイント
- プロンプトガイド: 公式ガイド、ヒント、埋め込み
- FastH3: FastVideo スパースアテンションのチェックポイント
H3 のオープンウェイトはローカルで実行できます。ローカル生成した出力を商用利用するには、唯一の公式販売代理店である Comfy を通じて MiniMax 商用ライセンス が必要です。Comfy Cloud 上の生成にはすでに商用利用権が含まれています。ティアと料金は 商用ライセンス を参照してください。
主な機能
- ネイティブステレオオーディオ: 会話、SFX、音楽を 1 つの MP4 に
- マルチモーダルコンテキスト: テキスト、画像、ビデオ、オーディオ参照を組み合わせ
- 参照駆動生成: 参照からアイデンティティ、スタイル、モーション、カメラ、声を固定
- 指示への追従: 参照とショットの関係を自然言語で記述
- 正確なテキストレンダリング: 綴りとブランド要素をクリアに
- オープンウェイト: ComfyUI でローカルにフル制御
はじめに
- ComfyUI を更新: 基本 T2V/I2V/R2V テンプレートは 0.30.0+、マルチフレーム参照 0.34.0+、Fun ControlNet Union・スパースアテンション・Model Attention Backend 0.35.0+、FastH3 0.36.0+
- テンプレートライブラリ > ビデオ > MiniMax H3 ワークフローを選択
- ポップアップからモデルをダウンロード（数十 GB、時間とディスクを確保）
フルと pruned の両方がある場合は pruned を使います。pruned は adaln を共有カーブ表（
adaln_t_table）に置き、ComfyUI はファイルから読み取ります。テンプレートは minimax_h3_*_pruned_int8_convrot.safetensors を読み込みます。フルビルドで蒸留した LoRA の adaln テンソルは pruned に無く（形状不一致でスキップ）。Turbo LoRA に adaln はなく、どちらのビルドでも可。チェックポイント精度の選択
VRAM に収まる最小ビルドを選びます。UNETLoader のファイルだけ変更すればよく、量子化は checkpoint から読み取られます。LoRA はビルド系列に合わせます（フルビルド LoRA は pruned で adaln を失います）。
リンクは T2V/I2V の
fl2va です。ref2va は同フォルダ・同サイズ。Comfy Kitchen attention は int8_convrot checkpoint を実行できません。そのバックエンドでは bf16 を選んでください。
VRAM が足りない場合は 1 段下げます。CPU offload は精度より遅いです。RTX 30 系では INT8 行列が FP16 の約 2×で FP8 経路がないため、同サイズでは INT8 が FP8 より速いことが多いです。
動画・音声 VAE も必要です: 動画 fp16 / int8_convrot と 音声 fp32。テンプレートは int8 動画 + fp32 音声; int8 動画は ComfyUI 0.36.0+ でデコード約 2×。拡散モデルと同様に VAELoader で差し替えます。
ワークフロー索引
テンプレートは現在 6 例（網羅的ではありません）。I2V 続きの変体（video_minimax_h3_i2v_continuation）もあります。
テキストから動画へ（T2V）
テキストプロンプトから、ネイティブのステレオオーディオ付きビデオを生成します。
画像から動画へ（I2V）
入力画像からビデオを生成します。先頭・末尾フレームの制御もオプションで指定できます。
参照から動画へ（R2V）
参照画像、ビデオ、オーディオから、キャラクター、スタイル、モーション、カメラワーク、または音声を固定します。
マルチフレーム参照
Add Guideノードを連結して、出力タイムライン上の特定のポイントに参照フレームを固定します。
Fun ControlNet Union
Canny、Depth、HED、MLSD、またはPoseのコントロールビデオでH3を駆動するか、マスクを使用してビデオインペインティングを実行できます。
t2va / fl2va）を、MiniMax H3 Reference to Video が R2V（ref2va）を担当します。
参照条件はサンプラーに届いたときだけ効きます。T2V/I2V テンプレートはサブグラフ内で Image to Video のみにサンプルします。キャンバスの Reference to Video はエラーなく無視されます。参照駆動には R2V テンプレート（またはそれを基にしたワークフロー）を使ってください。
出力解像度の設定
Resolution Selector が H3 ノードのwidth / height を設定します:
- Aspect ratio:
16:9 (Widescreen)、9:16 (Portrait Widescreen)、1:1 (Square)など - Megapixels: 総ピクセル（大きいほど遅い）
- Multiple: グリッド丸め; H3 は 32 のまま
高解像度へのアップスケール
24 チャンネル動画 latent の latent アップスケーラーで VAE 往復のゴーストを避けます。Minimax_h3_latent_Upscaler（非公式）は 重み と カスタムノード が必要です。低解像度生成後 Minimax H3 Latent Upscaler (3D)（scale 1.0–4.0、既定 2.0）を挟み、目標解像度で再サンプル。
Latent アップスケールは時間を節約し、ピーク VRAM は節約しません。仕上げは部分デノイズ: denoise 0.1–0.5 で構図維持; 大きく作り直すときだけ上げます。仕上げサンプラーは多段履歴の再構築に十分なステップを（「サンプラーとスケジューラ」参照）。
動画 latent（24）と音声 latent（32）は別です。アップスケーラーは動画空間のみ拡大; 仕上げで両方デノイズ。低 denoise で初回音声を保持。完全一致なら仕上げ前に VAEDecodeAudio で初回音声をデコードし最終 CreateVideo に接続（SaveAudioAdvanced でロスレス出力可）。
クリップの長さ
H3 は短クリップで学習; ネイティブノードは広い範囲を受け付け、過長もブロックしません。 テンプレートは秒のduration を 24fps で 17k+5 フレームに変換します。
満解像度の長クリップは先に VRAM を使い切ります。Megapixels を下げて収めます。
クリップの連結
学習範囲超えは I2V 続きで各クリップの最終フレームから。誤差は累積（顔テクスチャが先に劣化）; turbo/蒸留は早く「焼け」ます。video_minimax_h3_i2v_continuation（空プロンプト）: 最終フレームを読み込み次区間を記述。連続ショットは短く、焼け前にカット。長い連鎖では初回以降 H3-Anti-Burn-LoRA を strength_model 約 0.5（続き方に合わせて調整）。
ステップ数
既定（Lightning LoRA オフ）: 20 ステップ。turbo オン: T2V/I2V（続き含む）8、R2V・マルチフレーム・Fun ControlNet 4。T2V/I2V サブグラフはturbo_mode、turbo_steps、turbo_model_strength。4 ステップ fl2va: minimax_h3_fl2v_turbo_4step_v1.0_768p_comfyui_bf16.safetensors、turbo_steps 4。
参照ショットはステップ多め: 参照トークンは毎ステップ; 4 ステップ turbo は参照がほぼ乗らず（ポーズ/顔ドリフト）。厳密な参照一致では turbo オフまたは 25 付近。
蒸留スケジュールは 20 ステップ基線より細部が滑らか。各 turbo ファイルはモード別; スタイル LoRA を重ねる前に固定シードで試験。turbo_steps 増 + turbo_model_strength 低下（<1）で基線品質に近づき時間増。例: 4 ステップファイルを 6–8 ステップ、強度約 0.8。
Turbo は schedule を短くするだけで 1 ステップは速くなりません（読み込み時マージ）。4 ステップ LoRA を 20 ステップ回すと基線 20 と同程度の時間。
内容別:
- 単純ショット: 12–16 ステップで足りることが多い
- 高周波詳細（チェインメイル、フィリグリー、小物体多数）: 約 50 まで改善; それ未満は動き中の三角グリッドアーティファクト（turbo で悪化）
- モーション/プロンプトの大半は 16 ステップまで; 50 以降は差が小さい
- ネイティブ解像度のソフトさは多くが解像度問題
サンプラーとスケジューラ
テンプレートはres_multistep + simple。T2V/I2V/FastH3 はサブグラフ内; R2V、マルチフレーム、Fun ControlNet はキャンバスに KSamplerSelect と BasicScheduler。
res_multistep は 2 次多段（初ステップは Euler）。2 サンプラーに分割すると多段履歴が失われ、2 番目の初ステップは再び 1 次。1 回のサンプル実行にまとめるか、2 番目に十分なステップでウォームアップ。
既定 shift: 12、audio_shift: 3（モデル定義）。FastH3 テンプレート ModelSamplingMiniMaxH3 は shift_video 10、shift_audio 3。蒸留ビルドで video shift 誤り（8 ステップで 3 而非 10）はグリッドアーティファクト。DMAD 4-step LoRA は shift 12、audio_shift 2、lcm + simple。
Sage Attention で生成を高速化
Sage Attention で約 2× 加速、画質影響は小さいことが多い（任意インストール）:- releases から PyTorch/CUDA 一致 wheel を
pip install - KJNodes の
Patch Sage Attention KJ UNETLoaderとBasicGuiderの間、sage_attentionをauto- または
--use-sage-attention
INT8 アテンションによる品質劣化
クリップ終盤のモーフや画面文字化けは INT8 attention 量子化が原因のことが多い。- テンプレートは
int8_convrot。Comfy Kitchen は非対応（issue #15529）。既定 attention かpruned_bf16に替えてからバックエンド変更。 - bf16 では Comfy Kitchen attention（量子化前チャンネル回転）が同程度速度でアーティファクト解消。
BasicGuider へのモデル経路に Model Attention Backend（comfy kitchen attention）、または --use-ck-attention（0.32.0+）。ハードウェアで comfy-kitchen INT8 カーネルが必要。
スパースアテンションによる生成の高速化
Model Sparse Attention（0.35.0+、実験的）が長クリップの attention コストを削減。ベース H3 はsol-attn（sla/vsa は対応ウェイト必要）。CUDA + comfy-kitchen の sol_attn、なければ dense のまま。
- 既定
start_percent0.2、end_percent1.0。約 0.4 開始・0.9 終了で首尾フレーム保護。 - H3 は
sink_conditioningをexact_kv_and_rowsのまま。 tau: 大きいほど疎/速（1.0約 16% 正確ブロック、1.3既定、2.0約 2.7%）。min_tokens（既定 12288）未満は効果小。
vsa、keep_percent 10; FastH3 ページ。
商用ライセンス
H3 のオープンウェイトは無料でダウンロードして実行できます。ローカル生成した出力を商用利用するには、唯一の公式販売代理店である Comfy を通じて販売される MiniMax 商用ライセンス が必要です。Comfy Cloud 上の生成にはすでに商用利用権が含まれているため、ライセンスが必要になるのはローカル利用の場合のみです。 ライセンスは必要ですか？- Comfy Cloud：商用利用が含まれています。購入は不要です。
- 米国、EU、英国、韓国以外で自社ハードウェア上で実行し、年間売上が 2,000 万米ドル未満：MiniMax の無料コミュニティライセンスで商用利用がカバーされます。“Powered by MiniMax H3” のクレジットを表示してください。同じ地域ルールは出力の利用地にも適用されます。
- 米国、EU、英国、韓国で自社ハードウェア上で実行する、または年間売上が 2,000 万米ドル超：以下の 2 つのライセンスのいずれかが必要です。
Professional は月額 $5,000 からです。Enterprise には定価がなく、生成量とチーム規模に応じて見積もります。いずれのティアも、1 つの契約で MiniMax H3 と MiniMax Audio & Music をカバーします。ライセンスをリクエスト して見積もりを取得してください。