MiniMax : modèles ouverts de génération vidéo et musicale
Modèles ouverts de MiniMax dans ComfyUI : la vidéo omni-modale H3 avec audio stéréo natif 32 kHz, et Music 3 pour des chansons jusqu'à cinq minutes.
MiniMax H3
Génération VidéoAudio NatifOmni-ModalTexte vers VidéoImage vers VidéoMiniMax H3 est un système ouvert de génération omni-modal à usage général qui comprend le contexte multimodal composé de texte, d'images, de vidéo et d'audio, et génère jusqu'à 15 secondes de vidéo avec audio stéréo natif 32 kHz en une seule passe. C'est le dernier modèle de la gamme vidéo Hailuo de MiniMax, propulsé par un transformateur omni dense à flux unique de 33.1B avec un encodeur de texte Qwen3-VL-32B.
Image d'entrée d'exemple issue de la démo officielle de contexte multimodal H3 de MiniMax
MiniMax H3 a été officiellement publié en open source le 3 août 2026 sous l'accord de licence communautaire MiniMax H3. La publication ouverte couvre H3-Base sous forme de deux checkpoints spécifiques aux tâches : FL2VA (texte vers vidéo et conditionnement par première/dernière image) et Ref2VA (génération basée sur des références). Le système de prétraitement H3-Context-IR et le module de mise à l'échelle H3-Regenerate-2K restent disponibles en tant qu'API hébergées.
Modèles
| Modèle | Type | Description | Licence | Publié |
|---|---|---|---|---|
| MiniMax H3 | Vidéo | Génération vidéo omni-modale avec audio stéréo natif 32 kHz | Licence communautaire MiniMax H3 | 2026-08 |
| MiniMax Music 3 | Musique | Chansons complètes jusqu'à cinq minutes à partir de paroles et d'une description musicale | Licence communautaire MiniMax Music 3 | 2026-09 |
Sélectionnez un modèle ci-dessus pour accéder aux téléchargements de poids sélectionnés, aux tutoriels et aux informations connexes.
Versions
| Version | Description |
|---|---|
| H3-Base FL2VA | Modes texte vers vidéo, première image, dernière image et première+dernière |
| H3-Base Ref2VA | Génération basée sur des références : jusqu'à 9 images, 3 vidéos et 3 clips audio |
Capacités principales
- Audio stéréo natif : 32 kHz stéréo généré dans la même passe que l'image, sans modèle audio séparé
- Contexte multimodal : toute combinaison de texte, d'images, de vidéo et d'audio en entrée
- Régénération 2K in-context : H3-Regenerate-2K régénère la sortie 768p en 2K en réutilisant le contexte original
- 11 langues : ar, zh, en, fr, de, it, ja, ko, pt, ru, es
- Déploiement : SGLang, vLLM, diffusers et ComfyUI
Installation
MiniMax H3 est nativement supporté dans ComfyUI. Placez les fichiers dans leurs dossiers respectifs :
| Fichier | Destination |
|---|---|
minimax_h3_*_bf16.safetensors ou *_int8_convrot.safetensors | ComfyUI/models/diffusion_models/ |
qwen3vl_32b_minimax_h3_*.safetensors | ComfyUI/models/text_encoders/ |
minimax_h3_video_vae_fp16.safetensors | ComfyUI/models/vae/ |
minimax_h3_audio_vae_fp32.safetensors | ComfyUI/models/vae/ |
Le référentiel officiel reconditionné pour ComfyUI (Comfy-Org/MiniMax-H3) fournit des variantes du modèle de diffusion bf16, INT8 convrot et pruned INT8, ainsi que des options d'encodeur de texte bf16, INT8 et NVFP4 AWQ. Les checkpoints INT8 pruned sont environ 40 % plus petits grâce aux tables de courbes adaLN précalculées, et l'encodeur de texte NVFP4 AWQ fonctionne sur n'importe quel GPU.
Commentaires
Connectez-vous avec GitHub pour rejoindre la discussion.