ComfyUI MiniMax H3 テキストから動画・画像から動画・参照から動画のワークフロー

​

MiniMax H3 テキストからビデオ (T2V)

​

モデルのダウンロード

​

モデルの保存先

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
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.safetensors

​

プロンプト作成のヒント

1. シーン全体を説明する：最初にシーン全体（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、カメラワーク、それに伴うオーディオ（台詞、効果音、音楽）を1つのプロンプトブロック内で説明します
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になります。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/ブロック（17k+5）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/末尾フレーム指定の画像から動画への変換にできます
6. ターボモード（オプション）：デフォルトでは20ステップで生成します。動きの品質を高めるには、ステップ数を増やします（例: 25）。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）が8ステップで使用され、オーディオと動きの品質はやや低下しますが、生成が大幅に高速化されます

​

MiniMax H3 画像からビデオ（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
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.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、SFX、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 になります。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/ブロック（17k+5）グリッドにスナップします
5. Turbo モード: MiniMax H3 ノードで turbo_mode を有効にすると、Turbo LoRA に切り替わり、20 ステップではなく turbo_steps（デフォルト 8）で生成されます。turbo_model_strength は LoRA の強度を制御します（デフォルト 1.0）。

​

MiniMax H3 リファレンスからビデオ (R2V)

​

モデルのダウンロード

​

モデルの保存先

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
│   └── 📂 embeddings/
│       └── minimaxh3_art_is_explosion.safetensors

​

プロンプトのヒント

1. タグで参照を指定: 接続した順番どおりにタグで各入力を参照します。例: <Picture 1>、<Video 1>、<Audio 1>
2. 各参照に役割を割り当てる: 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、声)を担うかを明示します。役割を明確に指定するほうがはるかに良い結果になります
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てます)、独立した参照オーディオは最大 3 本
4. ref_image_size: match は速度のために参照を生成解像度に合わせて縮小します。max は最大 2048px の短辺を維持し、速度と引き換えにアイデンティティの忠実度を高めます
5. 注意: R2V は ref2va Diffusion Model 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 モデルとは別の重みセットです
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。モーション品質を上げたい場合はステップ数を増やします(例: 25)。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)で生成が大幅に高速化されます(オーディオとモーションの品質は若干低下します)。

​

ネイティブノードによる高度なワークフロー

​

ガイドを任意のフレームにアンカーする (#15439)

• image: 静止画像またはクリップを指定します。複数フレームのバッチはクリップとしてアンカーされ、モデルの有効なクリップ長である5、22、39…フレーム（17k+5）にクロップされます。5フレーム未満のバッチでは最初の画像のみが使用されます
• audio: 同じフレームインデックスにアンカーされるサウンドトラックで、ビデオの残りの再生時間に合わせてクロップされます
• frame_idx: アンカーするフレームを指定します。負の値はビデオの末尾から数えます

​

潜在ノイズマスクによるインペイントと拡張 (#15375)