MiniMax H3 en ComfyUI: Guía completa de generación de vídeo

Resumen del Tutorial

Este tutorial cubre todo lo que necesitas para ejecutar MiniMax H3 en ComfyUI: instalando los modelos, cargando los flujos de trabajo oficiales, comprendiendo los tres modos de generación (T2V, I2V, R2V), eligiendo la resolución adecuada y solucionando problemas comunes.

Resumen del modelo MiniMax H3

MiniMax H3 es el último modelo de la línea de vídeo Hailuo de MiniMax. Genera hasta 15 segundos de vídeo a 24 FPS con audio estéreo nativo de 32 kHz, en cualquiera de los 11 idiomas y con una resolución de hasta 2K. El modelo está impulsado por un transformer omni denso de flujo único de 33.1B con un codificador de texto Qwen3-VL-32B.

Capacidades principales:

• Audio estéreo nativo: diálogo, efectos de sonido y música generados en la misma pasada que el vídeo, sin necesidad de un modelo de audio independiente.
• Contexto omni-modal: cualquier combinación de texto, imágenes, vídeo y audio como entrada.
• Tres modos de tarea: texto a vídeo (T2V), imagen a vídeo (I2V) y referencia a vídeo (R2V).
• 11 idiomas: árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español.
• Pesos abiertos: Licencia comunitaria de MiniMax H3, con inferencia totalmente local.

El lanzamiento abierto cubre H3-Base como dos checkpoints: FL2VA (texto a vídeo y acondicionamiento del primer/último fotograma) y Ref2VA (generación basada en referencias). El sistema de preprocesamiento H3-Context-IR y el módulo de ampliación a 2K H3-Regenerate-2K siguen siendo APIs alojadas.

Primeros Pasos

MiniMax H3 es compatible con ComfyUI con pesos abiertos:

1. Actualizar ComfyUI a la última versión (0.30.0 o posterior; soporte nativo fusionado en Comfy-Org/ComfyUI #15224)
2. Abre Flujo de trabajo -> Explorar plantillas -> Vídeo y elige cualquier flujo de trabajo de MiniMax H3
3. Sigue la ventana emergente para descargar los modelos y ejecutar el flujo de trabajo

Los archivos de modelo están alojados en Hugging Face en el repositorio Comfy-Org/MiniMax-H3.

Instalación de Modelos

Descarga los siguientes archivos de Comfy-Org/MiniMax-H3 y colócalos en sus carpetas:

Modelo diffusion (elige una variante):

Codificador de texto (elige uno):

VAEs (ambos requeridos):

📂 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

Flujos de trabajo oficiales

Seis plantillas oficiales están disponibles a través de [Comfy-Org/workflow_templates](https

1. MiniMax H3 Texto a Vídeo (T2V)

Genera vídeos a partir de prompts de texto con audio estéreo nativo.

Descargas de modelos (T2V)

Almacenamiento de modelos (T2V)

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

Consejos para prompts (T2V)

• Describe la escena completa: indica primero la escena general (ubicación, personaje, qué está sucediendo) y luego divídela en tomas con tiempos definidos
• Tomas, cámara y audio: describe las tomas, los movimientos de cámara y el audio que las acompaña (diálogo, SFX, música) en un solo bloque de prompt
• Duración: la entrada de duración se ajusta a la cuadrícula de 17 fotogramas por bloque (17k+5) del modelo a 24 FPS
• Primer/último fotograma: conecta imágenes a first_frame y/o last_frame en el nodo MiniMaxH3ImageToVideo para convertir este flujo de trabajo en imagen a vídeo con primer/último fotograma

2. MiniMax H3 Imagen a Vídeo (I2V)

Genera vídeos a partir de una imagen de entrada, con fotogramas clave opcionales para el primer y último fotograma.

Imagen de entrada: - descarga la imagen de entrada predeterminada o usa la tuya propia.

Descargas de modelos (I2V)

Almacenamiento de modelos (I2V)

Misma estructura que el flujo de trabajo T2V (modelo de difusión FL2VA + codificador de texto NVFP4 + ambos VAEs).

Consejos para el prompt (I2V)

• Fotogramas clave: las entradas first_frame y last_frame son opcionales; el modelo genera el movimiento entre ellas
• Prompt: describe los planos, el movimiento y el audio que lo acompaña (diálogo, efectos de sonido, música) en un solo bloque
• Duración: se ajusta a la cuadrícula de 17 fotogramas por bloque (17k+5) a 24 FPS

3. MiniMax H3 Reference-to-Video (R2V)

Generate videos that lock in a character, style, motion, camera move, or voice from any mix of reference images, videos, and audio.

Reference images:

• - character reference for the workflow, or use your own
• - style and subject reference for the workflow, or use your own

Model downloads (R2V)

Model storage (R2V)

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

Prompting tips (R2V)

• Reference by tag: reference each input by tag in the exact order it was connected, for example <Picture 1>, <Video 1>, <Audio 1>
• Assign each reference a job: state which reference drives which part of the shot (identity, style, motion, camera, voice); explicit assignments work much better
• Limits: up to 9 reference images, 3 reference videos (each can carry its own soundtrack), and 3 standalone reference audio clips
• ref_image_size: match scales references down to the generation resolution for speed; max keeps up to a 2048px short edge for stronger identity fidelity at the cost of speed
• Sampler: res_multistep with a beta or normal scheduler tends to outperform simple for reference-heavy prompts
• Note: R2V uses the ref2va diffusion model, a different set of weights from the fl2va model used by T2V and I2V

Flujos de trabajo de API

Tres plantillas oficiales adicionales llaman a la API de MiniMax en lugar de ejecutarse localmente:

Troubleshooting

Q: ComfyUI doesn't show the MiniMax H3 nodes

Update ComfyUI to version 0.30.0 or later. Native support merged in Comfy-Org/ComfyUI #15224 on August 3, 2026. Desktop and Cloud updates follow stable releases, so some nightly-supported features may not be available yet.

Q: Out of memory / high VRAM usage

• Use the pruned INT8 diffusion model (19.5 GB) instead of bf16
• Use the NVFP4 AWQ text encoder (14.6 GB), which runs on any GPU
• Lower the resolution in the Resolution Selector node (lower Megapixels) and shorten the duration
• ComfyUI's dynamic VRAM system and block swap help on machines with ample system RAM

Q: Generation fails at 256p or very small resolutions

H3 has a minimum resolution of 384p. 256p fails completely. Use the resolution presets from the official template.

Q: Output video has no audio

Make sure both VAEs are loaded: minimax_h3_video_vae_fp16.safetensors (video) and minimax_h3_audio_vae_fp32.safetensors (audio), and that the workflow includes a VAEDecodeAudio node connected to SaveVideo.

Q: Which checkpoint should I use for image-to-video?

Use the FL2VA checkpoint for T2V and I2V (first-frame, last-frame, or both). Use the Ref2VA checkpoint when you need full reference-based generation (identity, style, voice).

Q: Where can I report bugs?

• Runtime errors: ComfyUI/issues
• UI issues: ComfyUI_frontend/issues

Consejos de rendimiento de MiniMax H3

Ajustes probados por la comunidad para generar más rápido con los flujos de trabajo oficiales:

• Muestreador y programador: res_multistep con el programador simple a 20 pasos es la línea base más usada para T2V e I2V. Reducir los pasos ahorra tiempo, pero la calidad baja notablemente por debajo de unos 15 pasos. Subir a 25 pasos da un contenido de imagen y un movimiento ligeramente mejores, a costa de un tiempo de generación más largo.
• Atención Sage: inicia ComfyUI con --use-sage-attention (integrado, no se necesitan nodos personalizados). La comunidad informa de una generación hasta unas 2 veces más rápida en GPU de gama media, con rendimientos decrecientes al subir la resolución; los resultados varían según la GPU.
• Resolución: mantén el selector de resolución cerca de 0.4 MP (por ejemplo, 768x512) para borradores rápidos. H3 funciona en su mínimo de 384p, mucho menos de lo que exigían los modelos de vídeo anteriores.
• Memoria fijada: en ComfyUI 0.30.x una regresión de memoria fijada puede hacer la carga del modelo muy lenta. Se ha informado que iniciar con --disable-pinned-memory restaura la carga rápida y reduce significativamente el tiempo de generación en algunas configuraciones.

Modelos cuantizados de MiniMax H3 de la comunidad

Versiones cuantizadas por la comunidad de los checkpoints de difusión de MiniMax H3, cargables en ComfyUI estándar. Son conversiones de terceros, no lanzamientos oficiales de MiniMax ni Comfy-Org; consulta el README de cada repositorio para conocer la licencia y la calidad.

INT8

INT4

NVFP4

FP8

Recursos Relacionados

• Noticias de pesos abiertos de MiniMax H3
• Página del modelo MiniMax H3
• Documentación oficial de Comfy-Org para MiniMax H3
• MiniMax H3 en Hugging Face