MiniMax H3 ComfyUIチュートリアル | AI動画生成ワークフローガイド

• テキストから動画へ（T2V）: テキストプロンプトからビデオを生成
• 画像から動画へ（I2V）: 入力画像からビデオを生成。オプションで先頭/末尾フレームの制御が可能
• 参照から動画（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たビデオを生成

​

主な機能

• ネイティブステレオオーディオ: 会話、効果音、音楽がビデオと一緒に生成され、1つのMP4に同期されます
• マルチモーダルコンテキスト: テキスト、画像、ビデオ、オーディオリファレンスを1回の生成で組み合わせることができます
• リファレンス駆動の生成: リファレンス素材からキャラクターのアイデンティティ、スタイル、モーション、カメラの動き、または音声を固定できます
• 指示への追従: リファレンスと目的のショットの関係を自然言語で記述します
• 正確なテキストレンダリング: スペルアウトされたテキストとブランド要素がきれいにレンダリングされます
• オープンウェイト: ComfyUIでローカルに実行でき、すべてのパラメータを完全に制御できます

​

はじめに

1. ComfyUI を 0.30.0 以降に更新します
2. テンプレートライブラリ > ビデオ の順に移動し、任意のMiniMax H3ワークフローを選択します
3. ポップアップに従ってモデルをダウンロードし、ワークフローを実行します

​

出力解像度の設定

• アスペクト比：16:9 (Widescreen)、9:16 (Portrait Widescreen)、1:1 (Square) などのプリセットを選択します
• メガピクセル：出力の目標総ピクセル数。値が大きいほど大きなフレームになり、小さいほど高速に生成されます
• 倍数：計算された解像度はこの数値の最も近い倍数に丸められます。H3 の解像度グリッドに合わせて 32 のままにします

​

ComfyUI のネイティブワークフロー

​

MiniMax H3 テキストからビデオ生成 (T2V)

​

モデルのダウンロード

​

モデルの保存場所

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_fp16.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   └── 📂 loras/
│       └── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors

​

プロンプト作成のヒント

1. シーン全体を記述する: まずシーン全体（場所、キャラクター、何が起きているか）を説明し、次に時間単位のショットに分割します
2. ショット、カメラ、オーディオ: ショット、カメラの動き、それに伴うオーディオ（セリフ、効果音、音楽）を1つのプロンプトブロックにまとめて記述します
3. 解像度: H3 のネイティブキャンバスは短辺 768px で、16:9 では 1344x768 になり、解像度は 32 の倍数に丸められます
4. 再生時間: 再生時間の入力は、24fps におけるモデルの 17 フレーム単位のブロック（17k+5）のグリッドにスナップされます
5. 先頭/末尾フレーム: MiniMaxH3ImageToVideo ノードの first_frame や last_frame に画像を接続すると、このワークフローを先頭/末尾フレームの画像から動画への変換に利用できます
6. ターボモード（オプション）: ワークフローはデフォルトで 20 ステップで生成します。ステップ数を上げると（例: 25 ステップ）、モーションの品質が向上します。MiniMax H3 ノードで turbo_mode を有効にすると、同梱の Lightning LoRA（minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16）を使用して 8 ステップで大幅に高速に生成できますが、音声とモーションの品質はわずかに低下します。

​

プロンプト作成ガイド

​

MiniMax H3 画像からビデオへ (I2V)

​

モデルのダウンロード

​

モデルの保存場所

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_fp16.safetensors
│       └── minimax_h3_audio_vae_fp32.safetensors

​

プロンプトのヒント

1. キーフレーム: first_frame と last_frame の入力はオプションです。モデルはこれらの間の動きを生成します
2. プロンプト: ショット、動き、および付随するオーディオ（会話、効果音、音楽）を 1 つのブロックで記述します
3. 解像度: H3 のネイティブキャンバスは短辺 768px で、16:9 では 1344x768 になり、解像度は 32 の倍数に丸められます
4. 再生時間: 再生時間の入力は、24fps におけるモデルの 17 フレーム単位のブロック（17k+5）グリッドにスナップします
5. ターボモード: MiniMax H3 ノードで turbo_mode を有効にすると、ターボ LoRA に切り替わり、デフォルトの 20 ステップではなく turbo_steps（デフォルト 8）で生成します。turbo_model_strength で LoRA の強度を制御します（デフォルト 1.0）。

​

プロンプト作成ガイド

​

MiniMax H3 参照からビデオ生成（R2V）

​

モデルのダウンロード

​

モデルの保存場所

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_fp16.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   └── 📂 loras/
│       └── minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors

​

プロンプトのヒント

1. タグによる参照: 各入力を、接続された順序どおりにタグで参照します。例: <Picture 1>、<Video 1>、<Audio 1>
2. 各参照にジョブを割り当てる: どの参照がショットのどの部分（アイデンティティ、スタイル、モーション、カメラ、音声）を担当するかを明示します。明示的な割り当ての方がはるかに良い結果が得られる傾向があります。
3. 制限: 参照画像は最大9枚、参照ビデオは最大3本（それぞれ独自のサウンドトラックを持つことができます）、スタンドアロンの参照オーディオクリップは最大3つまで使用できます。
4. ref_image_size: match は参照を生成解像度に縮小して高速化します。max は短辺を最大2048pxに保つことでアイデンティティの忠実度を高めますが、速度は低下します。
5. 注意: R2V は ref2va diffusion モデルを使用します。これは T2V および I2V ワークフローで使用される fl2va モデルとは異なる重みセットです。
6. ターボモード（オプション）: ワークフローはデフォルトで 20 ステップで生成します。ステップ数を上げると（例: 25 ステップ）、モーションの品質が向上します。Lightning LoRA チェックボックスを有効にすると、4 ステップのターボ LoRA（minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16）で大幅に高速に生成できますが、音声とモーションの品質はわずかに低下します。

​

プロンプト作成ガイド

​

Sage Attention で生成を高速化

1. sageattention Python パッケージをインストールします。SageAttention releases ページから自分の PyTorch と CUDA のバージョンに合った wheel ファイルをダウンロードし、pip install <wheel-file> でインストールします。
2. KJNodes カスタムノード をインストールします。これにより Patch Sage Attention KJ ノードが提供されます。ComfyUI Manager を使用するか、リポジトリを ComfyUI/custom_nodes/ にクローンして ComfyUI を再起動してください。
3. ワークフローに Patch Sage Attention KJ ノードを追加し、UNETLoader と BasicGuider ノードの間に接続します：model 入力は UNETLoader からモデルを受け取り、model 出力は BasicGuider の model 入力に接続します。sage_attention は auto に設定します。
4. 通常どおりワークフローを実行します。パッチを適用する必要があるのは guider だけです。scheduler は sigmas を生成するだけで、そのままにしておけます。

• Sage Attention は float16 または bfloat16 テンソルを必要とします。MiniMax H3 の一部のレイヤーは他の dtype で実行されるため、コンソールに “Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead” というメッセージが表示されることがあります。これは正常です。影響を受けるレイヤーは標準アテンションにフォールバックし、生成は正常に動作します。
• 別の方法として、ノードを追加せずに --use-sage-attention フラグ付きで ComfyUI を起動して、Sage Attention をグローバルに有効にすることもできます。