ComfyUI MiniMax H3 文生视频、图生视频与参考生视频工作流

​

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_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

​

提示词技巧

1. 描述整个场景：先描述整体场景（地点、角色、正在发生的事），再按时间拆分为多个镜头。
2. 镜头、相机与音频：在同一个提示词块中描述镜头、相机运动及伴随音频（对话、音效、音乐）。
3. 分辨率：H3 的原生画布短边为 768px，在 16:9 下即 1344x768，分辨率会按 32 的倍数取整。
4. 时长：在 24fps 下，时长输入会对齐到模型每块 17 帧（17k+5）的网格。
5. 首帧/末帧：将图像连接到 MiniMaxH3ImageToVideo 节点的 first_frame 和/或 last_frame，即可将此工作流变成首帧/末帧图生视频。
6. Turbo 模式（可选）：工作流默认以 20 步生成；如需更好的运动质量，可以提高步数（例如设为 25）。在 MiniMax H3 节点上启用 turbo_mode，即可使用随附的 Lightning LoRA（minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16）以 8 步运行，生成速度大幅提升，但音频和运动质量会略有下降。

​

MiniMax H3 图生视频（I2V）

​

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_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

​

提示技巧

1. 关键帧：first_frame 和 last_frame 输入均为可选；模型会生成它们之间的运动。
2. 提示词：在同一个提示词块中描述镜头、运动以及伴随的音频（对白、音效、音乐）。
3. 分辨率：H3 的原生画布短边为 768px，在 16:9 下为 1344x768，且分辨率会四舍五入到 32 的倍数。
4. 时长：时长输入会在 24fps 下对齐到模型每块 17 帧（17k+5）的网格。
5. Turbo 模式：在 MiniMax H3 节点上启用 turbo_mode，即可切换到 turbo LoRA，并使用 turbo_steps（默认为 8）而不是 20 步生成。turbo_model_strength 控制 LoRA 强度（默认为 1.0）。

​

MiniMax H3 参考转视频（R2V）

​

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_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

​

提示技巧

1. 按标签引用：按照输入被连接时的精确顺序，通过标签引用每个输入，例如 <Picture 1>、<Video 1>、<Audio 1>
2. 为每个参考分配任务：说明哪个参考驱动镜头的哪一部分（身份、风格、运动、相机、声音）。明确的分配往往效果要好得多
3. 限制：最多 9 张参考图像、3 段参考视频（每段都可带有自己的音轨），以及 3 段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升速度；max 会将短边最多保留到 2048 像素，以增强身份保真度，但会牺牲速度
5. 注意：R2V 使用 ref2va diffusion 模型，其权重与 T2V 和 I2V 工作流所用的 fl2va 模型不同
6. Turbo 模式（可选）：该工作流默认生成 20 步；可提高步数（例如增加到 25）以获得更好的运动质量。启用 Lightning LoRA 复选框，即可使用 4 步 turbo LoRA（minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16）来大幅加快生成速度，但音频和运动质量会略微下降

​

使用原生节点的高级工作流

​

将引导锚定到任意帧 (#15439)

• 图像：静态图像或视频片段。多帧批次会作为片段锚定，并裁剪到模型有效的片段长度：5、22、39…帧 (17k+5)。少于 5 帧的批次仅使用第一帧图像
• 音频：在同一帧索引处锚定的音轨，裁剪到视频的剩余时长
• frame_idx：要锚定到的帧。负值从视频末尾开始计数

​

使用 Latent 噪波遮罩进行 Inpainting 与扩展 (#15375)