MiniMax H3: ネイティブオーディオ対応のオープンなオムニモーダル動画モデル

ComfyUI Wiki

MiniMax H3は、オープンな汎用オムニモーダル生成モデルです。ネイティブ32kHzステレオオーディオ付き768p動画、11言語、2Kインコンテキスト再生成に対応します。

M

MiniMax H3

動画生成ネイティブオーディオオムニモーダルテキストから動画へ画像から動画へ

MiniMax H3は、テキスト、画像、ビデオ、オーディオで構成されるマルチモーダルコンテキストを理解し、ネイティブ32kHzステレオオーディオ付きの最大15秒の動画を1回のパスで生成できる、オープンな汎用オムニモーダル生成システムです。MiniMaxのHailuoビデオラインの最新モデルであり、Qwen3-VL-32Bテキストエンコーダを備えた33.1Bの高密度シングルストリーム・オムニトランスフォーマーを搭載しています。

HFリポジトリComfyUI再パッケージ版プロンプトガイド
MiniMax公式デモからのH3入力画像の例

MiniMax公式H3マルチモーダルコンテキストデモからの入力画像の例

MiniMax H3は、2026年8月3日にMiniMax H3 Community License Agreementのもとで正式にオープンソース化されました。オープンリリースでは、H3-Baseを2つのタスク固有チェックポイントとして提供しています。FL2VA(テキストから動画へ、および先頭/末尾フレームの条件付け)とRef2VA(参照ベースの生成)です。H3-Context-IR前処理システムとH3-Regenerate-2Kアップスケーリングモジュールは、引き続きホスト型APIとして提供されます。

バージョン

バージョン説明
H3-Base FL2VAテキストから動画へ、先頭フレーム、末尾フレーム、先頭+末尾フレームの各モード
H3-Base Ref2VA最大9枚の画像、3本のビデオ、3つのオーディオクリップを使用した参照ベースの生成

主な機能

  • ネイティブステレオオーディオ: 映像と同じパスで32kHzステレオを生成。専用のオーディオモデルは不要
  • マルチモーダルコンテキスト: テキスト、画像、ビデオ、オーディオの任意の組み合わせを入力として使用可能
  • 2Kインコンテキスト再生成: H3-Regenerate-2Kが元のコンテキストを再利用して768p出力を2Kで再生成
  • 11言語対応: ar, zh, en, fr, de, it, ja, ko, pt, ru, es
  • デプロイ: SGLang、vLLM、diffusers、ComfyUI

インストール

MiniMax H3はComfyUIでネイティブサポートされています。各ファイルを対応するフォルダに配置してください:

ファイル配置先
minimax_h3_*_bf16.safetensors または *_int8_convrot.safetensorsComfyUI/models/diffusion_models/
qwen3vl_32b_minimax_h3_*.safetensorsComfyUI/models/text_encoders/
minimax_h3_video_vae_fp16.safetensorsComfyUI/models/vae/
minimax_h3_audio_vae_fp32.safetensorsComfyUI/models/vae/

公式のComfyUI再パッケージリポジトリ(Comfy-Org/MiniMax-H3)では、bf16、INT8 convrot、プルーニング済みINT8拡散モデルの各バリアントに加え、bf16、INT8、NVFP4 AWQテキストエンコーダのオプションが提供されています。プルーニング済みINT8チェックポイントは、事前計算されたadaLNカーブテーブルにより約40%小型化されており、NVFP4 AWQテキストエンコーダは任意のGPUで動作します。

リソース

コメント

GitHubでサインインしてディスカッションに参加しましょう。

コメントを読み込み中…