MiniMax H3 Prompt Rewriter LoRA: ローカルでのT2VAプロンプト書き換え

Lightx2vチームは、MiniMax-H3-Prompt-Rewriter-LoRA (Hugging Face) をリリースしました。これはQwen3.6-27BでファインチューニングされたLoRAアダプタで、短いプロンプトをMiniMax H3が期待する構造化された音声・動画説明に書き換えます。これはMiniMaxがホストするContext-IRプロンプトワークフローのローカル代替手段です。プロンプトとアスペクト比、再生時間を入力すると、ショットごとのintegrated_multimodal_description、overall_soundscape、non_diegetic_musicブロックを出力します。このブロックはH3生成にそのまま使用できます。

ComfyUIのプロンプトリライターノード: 短いプロンプトを入力し、構造化されたショットごとの説明、サウンドスケープ、音楽を出力。

機能

このアダプタは、短いプロンプトと指定されたアスペクト比、再生時間を構造化されたH3音声・動画説明に変換します:

Original prompt + aspect ratio + duration
                    │
                    ▼
          Qwen3.6-27B + this LoRA
                    │
                    ▼
integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...

この書き換えは、ショット構造、タイミング、構図、カメラの動き、物理的なアクション、連続性を拡張し、オリジナルの意図を保ちながら、同期されたダイジェティックサウンドとノンダイジェティック音楽を追加します。現在のリリースはテキストのみのT2VA書き換えをサポートしています。先頭/最終フレームから動画生成 (FL2VA) と参照から動画 (Ref2VA) の書き換えはロードマップに含まれています。これは公式のH3-Context-IRサービスの学習による近似であり、完全な複製ではないことに注意してください。

ComfyUIノード

コミュニティメンバーのpytravelerが、このLoRAをMiniMax-H3-Prompt-Rewriter-ComfyUI (GitHub) としてパッケージ化しました。ComfyUI-Managerからインストールするか、ComfyUI/custom_nodes/にクローンしてインストールできます。このパックには3つのノードグループが含まれています:

• リライターノード: LoRAを使用してQwen3.6-27Bを実行する、書き換え形式のリファレンス実装です
• ライターノード: 任意の指示追従型GGUFから同じ構造化出力を生成します。約2.6 GBのダウンロードと約5 GBのVRAMで、T2VA、I2VA、FL2VA、L2VA、Ref2VAに対応します
• Reference Caption / Multi Reference Captionノード: 画像、音声クリップ、動画をライターノードが必要とするキャプションテキストに変換します

ハードウェア要件

LoRAルートでは、270億パラメータのベースモデルを読み込みます。nf4で約16 GBのVRAM、int8で約28 GB、またはレイヤーオフロードによるGGUF量子化で13〜19 GBです。コミュニティはすでに、参入ハードルを下げるために、Lightx2vに4B/8Bバリアントを要望しています。

入手方法

このLoRAはテキスト側のアダプタです。プロンプトを書き換えるものであり、MiniMax-H3の生成モデルの重みは含まれていません。LightX2V 推論または上記のComfyUIノードパックと一緒に使用します。書き換えられたプロンプトは、通常どおりMiniMax-H3に入力されます。27Bベースモデルは、初回使用時にHugging Faceからダウンロードされます。

比較

以下の動画は、同じMiniMax-H3チェックポイントを同一の推論設定で比較したものです。異なるのはプロンプトの書き換え方法のみです。生のプロンプト (書き換えなし) と、H3-T2VA Context Rewriter LoRAを使用したQwen3.6-27Bを比較しています。