Skip to main content
MiniMax H3 是 MiniMax 的开放权重全模态模型，在单一上下文中理解文本、图像、视频与音频，并在单次前向中生成带原生立体声音频的视频（语音、音效、音乐一体）。开放权重约以 100 万像素（短边 768px）、24fps 生成最长约 15 秒。2K 来自托管服务，在 ComfyUI 中需单独放大。 文档分为六个页面：
  • 概述（本页）：能力、检查点、工作流索引、分辨率、片段时长、步数、采样器、加速
  • 原生工作流：T2V、I2V、R2V 与原生节点技巧
  • 多帧参考：在时间线上锚定参考帧
  • Fun ControlNet Union：控制视频或遮罩修补
  • 提示词指南：官方指南、技巧、嵌入
  • FastH3：FastVideo 稀疏注意力检查点
请确保你的 ComfyUI 已经更新。本指南里的工作流可以在工作流模板中找到。如果找不到，可能是 ComfyUI 没有更新。如果加载工作流时有节点缺失，可能原因有：
  1. 你用的不是最新版（每夜版）。
  2. 启动时有些节点导入失败。
H3 的开放权重可在本地运行。对本地生成的输出进行商业使用，需要通过 Comfy（唯一官方经销商）购买 MiniMax 商业许可。Comfy Cloud 上的生成已包含商业使用权。档位与定价见 商业许可。

​
主要功能

  • 原生立体声音频：对话、音效、音乐同一 MP4
  • 多模态上下文：组合文本、图像、视频、音频参考
  • 参考驱动生成：从参考锁定身份、风格、动作、运镜或声音
  • 指令遵循：用自然语言描述参考与目标镜头关系
  • 准确文本渲染：清晰拼写与品牌元素
  • 开放权重：ComfyUI 本地全参数控制

​
入门

  1. 更新 ComfyUI：基础 T2V/I2V/R2V 模板需 0.30.0+；多帧参考 0.34.0+；Fun ControlNet Union、稀疏注意力与 Model Attention Backend 0.35.0+；FastH3 0.36.0+
  2. 模板库 > 视频 > 选择 MiniMax H3 工作流
  3. 按弹窗下载模型（数十 GB，预留时间与磁盘）
权重托管于 Comfy-Org/MiniMax-H3。
仓库同时提供完整与 pruned 构建时，请用 pruned。pruned 将 adaln 存入共享曲线表（adaln_t_table），ComfyUI 从文件读取；模板加载 minimax_h3_*_pruned_int8_convrot.safetensors。在完整构建上蒸馏的 LoRA 含 adaln 张量，pruned 无对应项（形状不匹配，权重被跳过）。Turbo LoRA 无 adaln 张量，两种构建均可加载。

​
选择检查点精度

选能放进显存的最小构建。仅改 UNETLoader 文件即可；量化由 checkpoint 声明。LoRA 须与构建系列匹配（完整构建 LoRA 在 pruned 上会丢失 adaln）。 链接为 T2V/I2V 的 fl2va；ref2va 同目录同尺寸。Comfy Kitchen attention 无法运行 int8_convrot checkpoint，使用该后端时请选 bf16。 显存不足请降一档：CPU offload 比精度取舍更慢。RTX 30 系上 INT8 矩阵约 2× FP16，且无 FP8 路径，同尺寸下 INT8 常快于 FP8。 还需视频与音频 VAE：视频 fp16/int8_convrot 与 音频 fp32。模板为 int8 视频 + fp32 音频；int8 视频在 ComfyUI 0.36.0+ 解码约快 2 倍。在 VAELoader 上换文件即可。

​
工作流索引

当前模板库提供六个示例工作流（非穷尽）。另有 I2V 续接变体（video_minimax_h3_i2v_continuation）。

文生视频（T2V）

根据文本提示词生成视频，并带有原生立体声音频

图生视频（I2V）

根据输入图像生成视频，并支持可选的首帧/尾帧控制

参考生视频（R2V）

通过参考图像、视频和音频，锁定角色、风格、动作、相机运动或声音

多帧参考

使用链式连接的 Add Guide 节点，将参考帧锚定在输出时间线上的指定位置

Fun ControlNet Union

使用 Canny、Depth、HED、MLSD 或 Pose 控制视频驱动 H3，或使用遮罩执行视频 inpainting
MiniMax H3 Image to Video 覆盖 T2V 与首尾帧 I2V（t2va/fl2va）。MiniMax H3 Reference to Video 覆盖 R2V（ref2va）。
参考条件仅在与采样器连通时生效。T2V/I2V 模板在子图内采样，仅接 Image to Video。画布上的 Reference to Video 会被静默忽略。请用 R2V 模板或基于它的工作流。
提示词资源：提示词指南。

​
设置输出分辨率

Resolution Selector 设置 H3 节点的 width/height：
  • Aspect ratio：如 16:9 (Widescreen)、9:16 (Portrait Widescreen)、1:1 (Square)
  • Megapixels：总像素（越大越慢）
  • Multiple：对齐网格；H3 保持 32
模板默认 Megapixels 为 0.4：16:9 下 864×480，1:1 下 640×640（I2V 默认）。0.4 MP 出片快，适合草稿；正式出片前请调高 Megapixels。 16:9 原生画质：设 0.98（约 1344×768）或在节点填 1344 × 768。避免 1.0 MP（1376×768 超出 768×1344 上限）。训练约 1 MP，放大画布不会增加细节；2K 请原生生成后单独放大。

​
放大到更高分辨率

对 24 通道视频 latent 使用 latent 放大器，避免 VAE 往返鬼影。Minimax_h3_latent_Upscaler（非官方）需 权重文件 与 自定义节点。低分辨率生成后接 Minimax H3 Latent Upscaler (3D)（scale 1.0–4.0，默认 2.0），再按目标分辨率重采样。 Latent 放大省时间不省峰值显存。精修作部分去噪：denoise 0.1–0.5 保留构图；仅首段需大改时提高。精修采样器需足够步数以重建多步历史（见「采样器与调度器」）。 视频与音频 latent 分离（24+32 通道）。放大器只放大视频空间；精修会同时去噪音频。低 denoise 可保留首段音频。若要完全一致，精修前用 VAEDecodeAudio 解码首段音频并接到最终 CreateVideo（可用 SaveAudioAdvanced 导出无损）。

​
片段时长

H3 在短片段上训练；节点接受更宽范围且不阻止超长请求。 模板以秒设置 duration，在 24fps 下换算为 17k+5 帧网格。 长片段在满分辨率下先耗尽显存；可降低 Megapixels。

​
链接片段

超出训练范围时用 I2V 续接上一段末帧。误差会累积（面部纹理先劣化）；turbo/蒸馏步数更早出现「烧片」。 使用 video_minimax_h3_i2v_continuation（空提示词）：载入末帧并描述下一段。连续镜头宜短，烧片前切镜。更长链可在首段之后加载 H3-Anti-Burn-LoRA，strength_model 约 0.5（按续接方式微调）。

​
步数

默认（关闭 Lightning LoRA）：20 步。开启 turbo：T2V/I2V（含续接）8 步；R2V、多帧、Fun ControlNet 4 步。T2V/I2V 子图用 turbo_mode、turbo_steps、turbo_model_strength。另有 4 步 fl2va 文件：minimax_h3_fl2v_turbo_4step_v1.0_768p_comfyui_bf16.safetensors，turbo_steps 设为 4。 参考镜头需更多步数：参考 token 每步都参与，4 步 turbo 可能几乎贴不上参考（姿态/面部漂移）。需紧贴参考时关闭 turbo 或提高到约 25。 蒸馏步数比 20 步基线更平滑细节。各 turbo 文件按模式训练；叠风格 LoRA 前请固定种子测试。可提高 turbo_steps 并降低 turbo_model_strength（小于 1）换回基线质感。例：4 步文件用 6–8 步、强度约 0.8。 Turbo 缩短的是 schedule，不是单步耗时（加载时合并）。4 步 LoRA 跑 20 步约等于基线 20 步耗时。 按内容：
  • 简单镜头：12–16 步常够
  • 高频细节（链甲、花纹、大量小物体）：可改善至约 50；更低易出现运动下三角网格伪影（turbo 更严重）
  • 运动/提示词收益多在 16 步前；50 步后差异很小
  • 原生分辨率下画面发软多为分辨率问题，而非步数
音频在联合去噪中比画面收敛慢。语音与音色建议 12+ 步；8 步时音频常为弱项。

​
采样器与调度器

模板使用 res_multistep + simple。T2V/I2V/FastH3 在子图内；R2V、多帧、Fun ControlNet 在画布暴露 KSamplerSelect 与 BasicScheduler。 res_multistep 为二阶多步（首步为 Euler）。拆成两个采样器会丢失多步历史，第二段首步又变一阶。尽量单段采样，或给第二段足够步数预热。 默认 shift：12，audio_shift：3（模型定义）。FastH3 模板 ModelSamplingMiniMaxH3 为 shift_video 10、shift_audio 3。蒸馏构建上错误的 video shift（如 8 步用 3 而非 10）可能出现网格伪影。自定义微调见模型卡。DMAD 4-step LoRA 用 shift 12、audio_shift 2，采样器 lcm + simple。

​
使用 Sage Attention 加速生成

Sage Attention 约可 2× 加速，画质影响通常较小（需自行安装）：
  1. 从 releases 安装匹配 PyTorch/CUDA 的 wheel
  2. 安装 KJNodes 的 Patch Sage Attention KJ
  3. 插在 UNETLoader 与 BasicGuider 之间，sage_attention 设为 auto
  4. 或启动参数 --use-sage-attention
部分 H3 层非 float16/bfloat16 会回退 PyTorch attention（控制台警告正常）。

​
使用 INT8 attention 时的画质下降

片段末尾形变或屏幕文字损坏，常见原因为 INT8 attention 量化。
  • 模板为 int8_convrot。Comfy Kitchen 不支持（issue #15529）。用默认 attention，或换 pruned_bf16 后再改后端。
  • bf16 上 Comfy Kitchen attention（量化前通道旋转）可消除伪影，速度相近。
在通向 BasicGuider 的模型链添加 Model Attention Backend（comfy kitchen attention），或 --use-ck-attention（0.32.0+）。需硬件支持 comfy-kitchen INT8 内核。

​
使用稀疏注意力加速生成

Model Sparse Attention（0.35.0+，实验性）降低长片段 attention 成本。基座 H3 用 sol-attn（sla/vsa 需匹配权重）。需 CUDA 与 comfy-kitchen 的 sol_attn，否则保持稠密。
  • 默认 start_percent 0.2、end_percent 1.0。可约 0.4 起、0.9 止以保护首尾帧。
  • H3 保持 sink_conditioning 为 exact_kv_and_rows。
  • tau 越大越稀疏越快（1.0 约 16% 精确块，1.3 默认，2.0 约 2.7%）。
  • 短于 min_tokens（默认 12288）收益很小。
FastH3 用 vsa、keep_percent 10；见 FastH3 页面。

​
商业许可

H3 的开放权重可免费下载和运行。对本地生成的输出进行商业使用，需要通过 Comfy（唯一官方经销商）购买 MiniMax 商业许可。Comfy Cloud 上的生成已包含商业使用权，因此许可仅在本地使用时需要。 需要购买吗？
  • Comfy Cloud：已包含商业使用权，无需购买。
  • 在美国、欧盟、英国和韩国之外的自有硬件上运行，且年收入低于 2,000 万美元：MiniMax 免费的社区许可即可覆盖商业使用。请标注 “Powered by MiniMax H3”；同样的地区规则也适用于产出的使用地。
  • 在美国、欧盟、英国或韩国的自有硬件上运行，或年收入超过 2,000 万美元：需要以下两种许可之一。
许可分为两个档位： Professional 每月 $5,000 起。Enterprise 不设固定标价，按生成量和团队规模报价。两个档位均在一份协议中覆盖 MiniMax H3 以及 MiniMax Audio & Music。申请许可 以获取报价。