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_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

​

プロンプト作成のヒント

1. シーン優先: 全体シーンのあと時間軸のショット
2. 1 ブロック: ショット、カメラ、台詞、SFX、音楽を同じブロックに
3. 解像度: 16:9 ネイティブ 1344×768（短辺 768px）; 32 倍数
4. 長さ: 24fps で 17k+5 グリッド
5. 先頭/末尾フレーム: MiniMaxH3ImageToVideo の first_frame / last_frame で FL2VA
6. Turbo: 既定 20 ステップ; turbo_mode で 8 ステップ Lightning LoRA（速い、モーション/音声ややソフト）。モーション品質は 25 などに増やす

​

MiniMax H3 画像からビデオ（I2V）

​

モデルのダウンロード

​

モデルの保存先

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

​

プロンプトのヒント

1. キーフレーム: first_frame / last_frame は任意; その間のモーションを生成
2. プロンプト: ショット、モーション、音声を 1 ブロックに
3. 解像度/長さ: ルールは T2V と同じ（ネイティブ目標 1344×768、17k+5）
4. Turbo: turbo_mode は turbo_steps（既定 8）と turbo_model_strength（既定 1.0）で 20 ステップの代わり

​

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_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

​

プロンプトのヒント

1. タグ: <Picture 1>、<Video 1>、<Audio 1>（ref_image_0 → <Picture 1>）。順序: 画像、ビデオ、オーディオ
2. 役割: 各参照がアイデンティティ、スタイル、モーション、カメラ、声のどれを担うか
3. 上限: 画像 9、ビデオ 3、独立オーディオ 3
4. ビデオ FPS: 24fps で読み込み（メタデータなし）。読み込み前に 24fps へ変換
5. ビデオ音声: 映像とサウンドトラックは別参照。ref_video_audio_N を ref_video_N に対応させないと <Audio N> 参照にならない
6. オーディオ番号: ビデオのサウンドトラックが先に <Audio N>、その後独立クリップ; 映像番号とは独立
7. VAE: ビデオのサウンドトラックは vae + audio_vae; 独立オーディオは audio_vae のみ
8. オーディオ用途: 例 use <Audio 1> exactly as it is / follow the timbre of <Audio 2>
9. 声: Audio 参照は音色であり台詞ではない; 演技を指定; 厳密なら話者ごとに 1 Audio 参照
10. ref_image_size: 既定 match。max は短辺 2048 で遅く、小ファイルは拡大しない; 必要なら 2048 短辺・32 倍数に事前スケール
11. ウェイト: R2V は ref2va（T2V/I2V の fl2va ではない）
12. Turbo: 任意 4 ステップ Lightning（速い、参照弱い）; 厳密なら 20–25 ステップ
13. スタイル LoRA: 参照と競合; 基線 schedule で強度約 0.5

​

ネイティブノードによる高度なワークフロー

​

任意フレームへのガイド固定 (#15439)

• image: 静止画またはクリップ（多フレームは有効 17k+5 長にクロップ; 5 未満は先頭画像のみ）
• audio: 同じフレームのサウンドトラック、残り時間にクロップ
• frame_idx: アンカー位置

​

latent ノイズマスクによるインペイントと拡張 (#15375)