MiniMax H3：ComfyUI 工作流示例

• 文生视频（T2V）：根据文本提示生成视频
• 图生视频（I2V）：根据输入图像生成视频，可选择首帧/末帧控制
• 参考生视频（R2V）：根据参考图像、视频和音频生成视频，锁定角色、风格、动作、相机运动或声音

​

主要功能

• 原生立体声音频：对话、音效和音乐可与视频一同生成，并在同一个 MP4 文件中同步
• 多模态上下文：文本、图像、视频和音频参考可在单次生成中组合使用
• 参考驱动生成：从参考素材中锁定角色身份、风格、动作、相机运镜或声音
• 指令遵循：使用自然语言描述参考素材与目标镜头之间的关系
• 准确的文本渲染：拼写文本和品牌元素渲染清晰
• 开放权重：在 ComfyUI 中本地运行，可完全控制每个参数

​

入门

1. 将 ComfyUI 更新到 0.30.0 或更高版本
2. 前往模板库 > 视频，选择任意一个 MiniMax H3 工作流
3. 按照弹出窗口的提示下载模型并运行工作流

​

设置输出分辨率

• 宽高比：选择一个预设，例如 16:9 (Widescreen)、9:16 (Portrait Widescreen) 或 1:1 (Square)
• 百万像素：输出的目标总像素数。数值越大画面越大，数值越小生成越快
• 取整倍数：计算结果会取整到该数值的最近倍数。保持为 32，与 H3 的分辨率网格一致

​

ComfyUI 原生工作流

​

MiniMax H3 文生视频（T2V）

​

模型下载

​

模型存储

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

​

提示词技巧

1. 描述整个场景：先描述整体场景（地点、人物、正在发生的事情），再按时间将其拆分为多个镜头。
2. 镜头、相机和音频：在同一个提示词块中描述镜头、相机运动以及伴随的音频（对话、音效、音乐）。
3. 分辨率：H3 的原生画布短边为 768px，上限为 768x1344 像素，并四舍五入为 32 的倍数。
4. 时长：时长输入会吸附到模型在 24fps 下每块 17 帧（17k+5）的网格上。
5. 首帧/尾帧：将图像连接到 MiniMaxH3ImageToVideo 节点上的 first_frame 和/或 last_frame，即可将此工作流转换为首帧/尾帧图生视频。

​

模型下载

​

模型存储

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

​

提示词技巧

1. 关键帧：first_frame 和 last_frame 输入为可选；模型会生成它们之间的运动
2. 提示词：在同一个文本块中描述镜头、动作以及伴随的音频（对白、音效、音乐）
3. 分辨率：H3 的原生画布短边为 768px，上限为 768x1344 像素，并取整到 32 的倍数
4. 时长：时长输入会对齐到模型在 24fps 下的每块 17 帧（17k+5）网格

​

模型下载

​

模型存储

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

​

提示技巧

1. 按标签引用：按标签引用每个输入，顺序须与其连接时完全一致，例如 <Picture 1>、<Video 1>、<Audio 1>
2. 为每个参考分配任务：说明哪个参考负责画面的哪个部分（身份、风格、动作、相机、声音）。明确的分配往往效果更好
3. 限制：最多 9 张参考图像、3 个参考视频（每个可携带自己的配乐），以及 3 个独立的参考音频片段
4. ref_image_size：match 会将参考缩小到生成分辨率以提高速度；max 则保留短边最长 2048px，以获得更强的身份保真度，但会牺牲速度
5. 采样器：对于参考较多的提示词，res_multistep 配合 beta 或 normal 调度器通常优于 simple
6. 注意：R2V 使用 ref2va 扩散模型，这是一组与 T2V 和 I2V 工作流所用 fl2va 模型不同的权重