MiniMax H3 オープンウェイト正式公開、ネイティブ ComfyUI 対応もマージ
MiniMax H3 のオープンウェイトが Hugging Face で公開され、ネイティブ ComfyUI 対応もマージされました。bf16・INT8・pruned・NVFP4 のリパッケージ版ファイルと公式ワークフローテンプレート 6 点が提供されます。
MiniMax のH3（Hailuo シリーズの基盤となるオムニモーダル動画モデル）のオープンウェイトが正式に公開されました。ウェイトは Hugging Face で公開され、ネイティブ ComfyUI 対応も同日に実装されました。pull request Comfy-Org/ComfyUI #15224 が 8 月 3 日にマージされ、音声動画統合生成のための 4 つの新ノードと公式ワークフローテンプレート 6 点が追加されています。
H3 は 7 月 31 日にローンチされました（ローンチ記事を読む）。オープンウェイト公開により、33.1B の音声動画統合拡散トランスフォーマーがローカル GPU で複数の量子化オプションとともに利用できるようになりました。
MiniMax 公式 H3 マルチモーダルコンテキストデモで使用された入力画像例
参照クリップ、画像、音声トラックを単一プロンプトで組み合わせた H3 生成動画（出典：MiniMax ブログ）
システム概要
H3 は 3 つのモジュールから構成される汎用全モーダル生成システムです：
- H3-Context-IR：マネージドな前処理・オーケストレーションシステム。マルチモーダルコンテキスト（テキスト・画像・動画・音声）を解析し、生成用の構造化中間表現に変換します。このモジュールはオープンソース対象外で、MiniMax が API として提供し、独自構築のためのプロンプトライティングガイドも公開しています。
- H3-Base：ネイティブステレオ音声付き 768p 動画を生成するオープンウェイトの 33.1B オムニトランスフォーマー。
- H3-Regenerate-2K：768p 出力を元のマルチモーダルコンテキストを再利用して in-context で 2K 解像度に再生成します。このモジュールは未オープンソースで、API により完全な 2K パイプラインを再現できます。
オープンリリースは H3-Base を 2 つのタスク専用 checkpoint として提供します：FL2VA（テキストから動画・首フレーム・尾フレーム・首尾フレームモード）と Ref2VA（参照画像・動画・音声による参照生成）。
出力仕様
| 項目 | 仕様 |
|---|---|
| 長さ | 4〜15 秒 |
| アスペクト比 | 21:9、16:9、4:3、1:1、3:4、9:16 |
| 解像度 | デフォルトは短辺 768px。2K は H3-Regenerate-2K |
| フレームレート | 24 FPS |
| オーディオ | 32 kHz ステレオ、同じパスで生成 |
| 言語 | 11 言語を安定サポート（ar、zh、en、fr、de、it、ja、ko、pt、ru、es） |
入力モード
FL2VA は 0、1、2 枚の画像を受け付けます：画像なしはテキストから動画、1 枚は首フレームまたは尾フレーム条件、2 枚は首尾フレーム条件です。
Ref2VA は最大 9 枚の参照画像、3 本の参照動画（各 2〜15 秒、合計最大 15 秒）、3 つの参照音声（各 2〜15 秒、合計最大 15 秒、画像または動画と併用必須）を受け付けます。混合入力は合計最大 12 ファイルです。
オープンウェイトが Hugging Face で公開
現在 2 つのリポジトリが公開されています：
- MiniMaxAI/MiniMax-H3（Hugging Face）：Diffusers 形式の公式リリース。FL2VA と Ref2VA のバリアント、完全なモデルコード、プロンプトライティングガイド（ベース版 / 参照版）を含み、MiniMax H3 コミュニティライセンス契約に基づいて提供されます。
- Comfy-Org/MiniMax-H3（Hugging Face）：ComfyUI のネイティブノード向けにリパッケージされたファイル。
models/diffusion_models、models/text_encoders、models/vaeに配置するだけです。
| コンポーネント | ファイル |
|---|---|
| 拡散モデル | minimax_h3_fl2va_bf16（61.7 GB）、minimax_h3_fl2va_int8_convrot（31.7 GB）、minimax_h3_fl2va_pruned_int8_convrot（19.5 GB）、および対応する ref2va_* バリアント |
| テキストエンコーダー | qwen3vl_32b_minimax_h3_bf16（48.0 GB）、int8_convrot（25.3 GB）、nvfp4_awq（14.6 GB） |
| VAE | minimax_h3_video_vae_fp16（4.9 GB）、minimax_h3_audio_vae_fp32（0.6 GB） |
pruned INT8 checkpoint は事前計算された adaLN カーブテーブルにより標準 INT8 ファイルより約 40% 小さく、NVFP4 AWQ テキストエンコーダーは任意の GPU で動作します。
ネイティブ ComfyUI 対応がマージ
ネイティブ対応は 8 月 3 日に Comfy-Org/ComfyUI #15224 としてマージされ、動画とステレオ音声の latent を統合的にデノイズする単一ストリームのパック型拡散トランスフォーマーを統合し、Qwen3-VL-32B の隠れ状態をトークンごとのモダリティタグ付きで条件付けに使用します。ワークフローを処理する新しいノードは 4 つです：EmptyMiniMaxH3LatentAV、MiniMaxH3ImageToVideo、MiniMaxH3ReferenceToVideo、MiniMaxH3SigmaShift。
公式のテキストから動画・画像から動画ワークフローはダウンロードして利用できます：
- video_minimax_h3_t2v.json（テキストから動画）
- video_minimax_h3_i2v.json（画像から動画）
- video_minimax_h3_r2v.json（参照から動画）
公式ワークフローテンプレート
公式テンプレート 6 点が Comfy-Org/workflow_templates を通じて公開されました：
| テンプレート | モード |
|---|---|
| video_minimax_h3_t2v.json | ローカル：テキストから動画 |
| video_minimax_h3_i2v.json | ローカル：画像から動画 |
| video_minimax_h3_r2v.json | ローカル：参照から動画 |
| api_minimax_h3_t2v.json | API：テキストから動画 |
| api_minimax_h3_r2v.json | API：参照から動画 |
| api_minimax_h3_flf2v.json | API：最初・最後のフレームから動画 |
ローカルのオープンウェイトワークフローのステップバイステップガイドが公式ドキュメントに公開されています：MiniMax H3 オープンソースワークフローチュートリアル。
提供状況
- オープンウェイト： Hugging Face で公開中（MiniMaxAI/MiniMax-H3）。ComfyUI 向けリパッケージ版は Comfy-Org/MiniMax-H3。
- ComfyUI： ネイティブ対応は Comfy-Org/ComfyUI #15224 でマージ済み。最新版にアップデートすると新ノードが利用できます。
- 公式テンプレート： ComfyUI 内蔵テンプレートギャラリーにワークフロー 6 点。
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。