MiniMax H3 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。在 Comfy Cloud 上运行
在 Comfy Cloud 中打开
下载工作流
下载 JSON，或在模板库中搜索“MiniMax H3 T2V”
模型下载
Diffusion Model: minimax_h3_fl2va_pruned_int8_convrot
放入
ComfyUI/models/diffusion_models/文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq
放入
ComfyUI/models/text_encoders/VAE：minimax_h3_video_vae_int8_convrot
放入
ComfyUI/models/vae/VAE：minimax_h3_audio_vae_fp32
放入
ComfyUI/models/vae/LoRA：minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16
工作流的模型扫描需要此文件；它为可选的 Lightning LoRA 加速模式提供支持。放入
ComfyUI/models/loras/模型存储
提示词技巧
- 先写场景：整体场景，再写分镜时间轴
- 一块写完：镜头、运镜、对白、音效、音乐放在同一提示词块
- 分辨率：16:9 原生 1344×768（短边 768px）；对齐 32 倍数
- 时长：24fps 下对齐 17k+5 帧网格
- 首尾帧：在
MiniMaxH3ImageToVideo的first_frame/last_frame接图即为 FL2VA - Turbo：默认 20 步；
turbo_mode为 8 步 Lightning LoRA（更快，运动/音频略软）。可提高步数（如 25）改善运动
MiniMax H3 图生视频（I2V）
从输入图像生成视频，并可选择使用首帧/末帧关键帧。在 Comfy Cloud 上运行
在 Comfy Cloud 中打开
下载工作流
下载 JSON，或在模板库中搜索 “MiniMax H3 I2V”
输入图像：transparent_rgb_gaming_mouse.png
下载默认输入图像，或使用你自己的图像。
模型下载
Diffusion 模型：minimax_h3_fl2va_pruned_int8_convrot
放入
ComfyUI/models/diffusion_models/文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq
放入
ComfyUI/models/text_encoders/VAE：minimax_h3_video_vae_int8_convrot
放入
ComfyUI/models/vae/VAE：minimax_h3_audio_vae_fp32
放入
ComfyUI/models/vae/Turbo LoRA：minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16
放入
ComfyUI/models/loras/。当 turbo_mode 启用时使用。模型存储
提示技巧
- 关键帧：
first_frame/last_frame可选，运动生成在两者之间 - 提示词：镜头、运动、音频写在同一块
- 分辨率/时长：规则同 T2V（原生目标 1344×768，17k+5）
- Turbo：
turbo_mode使用turbo_steps（默认 8）与turbo_model_strength（默认 1.0），替代 20 步
first_frame 会被缩放到画布，不保持原比例，所以宽高比不一致的图会被拉伸；last_frame 则按中心裁剪。I2V 模板默认 1:1、0.4 MP（640×640），请把宽高比设成与输入图一致，正式出片前再调高 Megapixels。
官方基础指南：提示词指南。
MiniMax H3 参考转视频（R2V）
通过参考图像、视频和音频的任意组合来生成视频，锁定角色、风格、运动、运镜或声音。在 Comfy Cloud 上运行
在 Comfy Cloud 中打开
下载工作流
下载 JSON，或在模板库中搜索“MiniMax H3 R2V”
参考图像：red_superboy_on_city_roof.png
工作流使用的角色参考，也可以使用自己的图像。
参考图像：mecha_dragon_lightning.png
工作流使用的风格和主题参考，也可以使用自己的图像。
模型下载
Diffusion 模型：minimax_h3_ref2va_pruned_int8_convrot
放置到
ComfyUI/models/diffusion_models/文本编码器：qwen3vl_32b_minimax_h3_nvfp4_awq
放置到
ComfyUI/models/text_encoders/VAE：minimax_h3_video_vae_int8_convrot
放置到
ComfyUI/models/vae/VAE：minimax_h3_audio_vae_fp32
放置到
ComfyUI/models/vae/LoRA：minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16
工作流的模型扫描必需此文件；为可选的 Lightning LoRA turbo 模式提供支持。放置到
ComfyUI/models/loras/模型存储
提示技巧
- 标签：用
<Picture 1>、<Video 1>、<Audio 1>（ref_image_0→<Picture 1>）。节点顺序：图像、视频、音频 - 分工：写明各参考驱动身份、风格、运动、运镜或声音
- 上限：9 图、3 视频、3 独立音频
- 视频帧率：按 24fps 读取，无元数据。加载前请转为 24fps
- 视频声音：画面与音轨分开；
ref_video_audio_N须对应ref_video_N，否则文件内声音不会成为<Audio N>参考 - 音频编号：视频音轨先占
<Audio N>，再排独立音频；与画面编号独立 - VAE：视频音轨需
vae+audio_vae；独立音频仅需audio_vae - 音频用途：如
use <Audio 1> exactly as it is或follow the timbre of <Audio 2> - 音色：Audio 参考是音色而非台词；写明表演；多说话人时每人一段 Audio 更稳
ref_image_size：默认match。max短边 2048、更慢且不放大小图；需时先缩放到 2048 短边（32 倍数）- 权重：R2V 用
ref2va，非 T2V/I2V 的fl2va - Turbo：可选 4 步 Lightning（更快、参考更弱）；要紧贴参考用 20–25 步
- 风格 LoRA：与参考竞争；基础 schedule 上强度约 0.5
使用原生节点的高级工作流
需较新的 ComfyUI 版本。将引导锚定到任意帧 (#15439)
MiniMaxH3AddGuide 可在任意 frame_idx（负值从末尾计）锚定引导，不限首尾帧。
将 H3 节点的 positive 与 latent 接到 MiniMaxH3AddGuide：
- image：静图或片段（多帧裁剪为有效 17k+5 长度；不足 5 帧只用首帧）
- audio：同帧索引音轨，裁剪到剩余时长
- frame_idx：锚定位置
vae，音频接 audio_vae；可串联多节点。
例：前 22 帧在帧 0 续写；在 124 帧片的帧 60 放静图强制经过该姿态。
这是条件引导，非 V2V：仍从空 latent 采样，denoise 不会像 V2V 那样缩放引导强度。整段换风格用 R2V；局部编辑用 Fun ControlNet Union 遮罩。
见 多帧参考 模板。
使用 Latent 噪波遮罩进行 Inpainting 与扩展 (#15375)
逐 token 遮罩 覆盖视频与音频 latent，可只重生成一部分。 遮罩接采样器denoise_mask：0 保留，1 重生成。视频对齐 2×2 latent 块，音频对齐整帧。用于修补、移除或扩展。