MiniMax H3: ComfyUI ワークフロー例

• 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_int8_convrot.safetensors
│   └── 📂 vae/
│       ├── minimax_h3_video_vae_fp16.safetensors
│       └── minimax_h3_audio_vae_fp32.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、上限は 768x1344 ピクセルであり、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

​

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_int8_convrot.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、768x1344 ピクセルに制限され、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

​

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_int8_convrot.safetensors
│   └── 📂 vae/
│       ├── minimax_h3_video_vae_fp16.safetensors
│       └── minimax_h3_audio_vae_fp32.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. サンプラー: 参照が多いプロンプトでは、beta または normal scheduler を使用した res_multistep が simple よりも良い結果を出す傾向があります。
6. 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。