ComfyUIでのMiniMax H3: ビデオ生成完全ガイド

チュートリアルの概要

このチュートリアルでは、ComfyUIでMiniMax H3を実行するために必要なすべてを説明します：モデルのインストール、公式ワークフローの読み込み、3つの生成モード（T2V、I2V、R2V）の理解、適切な解像度の選択、よくある問題の解決です。

MiniMax H3 Model Overview

MiniMax H3 is the latest model in MiniMax's Hailuo video line. It generates up to 15 seconds of 24 FPS video with native 32 kHz stereo audio, in any of 11 languages, at up to 2K resolution. The model is powered by a 33.1B dense single-stream omni transformer with a Qwen3-VL-32B text encoder.

Key capabilities:

• Native stereo audio: dialogue, sound effects, and music generated in the same pass as the video, no separate audio model
• Omni-modal context: any combination of text, images, video, and audio as input
• Three task modes: text-to-video (T2V), image-to-video (I2V), and reference-to-video (R2V)
• 11 languages: Arabic, Chinese, English, French, German, Italian, Japanese, Korean, Portuguese, Russian, Spanish
• Open weights: MiniMax H3 Community License, fully local inference

The open release covers H3-Base as two checkpoints: FL2VA (text-to-video and first/last-frame conditioning) and Ref2VA (reference-based generation). The H3-Context-IR preprocessing system and H3-Regenerate-2K 2K upscaling module remain hosted APIs.

はじめに

MiniMax H3 は、ComfyUI でオープンウェイトのモデルとしてサポートされています：

1. ComfyUI を最新バージョン（0.30.0 以降）にアップデートします（ネイティブサポートは Comfy-Org/ComfyUI #15224 でマージされました）
2. ワークフロー -> テンプレートを参照 -> ビデオ を開き、任意の MiniMax H3 ワークフローを選択します
3. ポップアップに従ってモデルをダウンロードし、ワークフローを実行します

モデルファイルは Hugging Face の Comfy-Org/MiniMax-H3 リポジトリでホストされています。

モデルのインストール

以下のファイルをComfy-Org/MiniMax-H3からダウンロードし、それぞれのフォルダに配置してください:

Diffusionモデル（いずれか1つのバリアントを選択）:

テキストエンコーダー（いずれか1つを選択）:

VAE（両方必須）:

📂 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

公式ワークフロー

6つの公式テンプレートが Comfy-Org/workflow_templates から利用できます。3つはローカルで実行され（オープンウェイト）、3つはMiniMax APIを呼び出します。このガイドでは、公式のComfy-Orgドキュメントに従い、3つのローカルワークフローを詳しく説明します。

ワークフローの読み込み

方法1: テンプレートギャラリー（推奨）

ComfyUIを最新バージョンにアップデートし、Workflow -> Browse Templates -> Video -> MiniMax H3 から読み込みます。

方法2: ダウンロードしてドラッグ

JSONをダウンロードして、ComfyUIウィンドウにドラッグします。

出力解像度の設定

各ワークフローは 解像度セレクター ノードを使用し、3つの設定から width と height を計算します：

• アスペクト比: 16:9（ワイドスクリーン）、9:16（ポートレート）、1:1（スクエア）などのプリセット
• メガピクセル: 目標の総ピクセル数。値が高いほどフレームが大きくなり、低いほど高速に動作します
• 倍数: この数の倍数に最も近い値に丸めます。H3の解像度グリッドに合わせるため32に設定します

H3のネイティブキャンバスは短辺768pxで、最大768x1344ピクセルに制限され、32の倍数に丸められます。テンプレートには高速なプレビューサイズが同梱されています。フル品質の場合は、16:9でメガピクセルを約1.0に上げると、おおよそ1344x768になります。

1. MiniMax H3 テキストから動画へ (T2V)

テキストプロンプトからネイティブのステレオオーディオ付きビデオを生成します。

モデルのダウンロード (T2V)

モデルの保存場所 (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

プロンプトのヒント (T2V)

• シーン全体を説明する: まずシーン全体（場所、キャラクター、何が起きているか）を説明し、その後、時間区切りのショットに分割します
• ショット、カメラ、オーディオ: ショット、カメラの動き、付随するオーディオ（会話、SFX、音楽）を1つのプロンプトブロックで説明します
• 再生時間: 再生時間の入力は、24 FPSにおけるモデルの17フレーム/ブロック (17k+5) グリッドにスナップします
• 最初/最後のフレーム: MiniMaxH3ImageToVideo ノードの first_frame や last_frame に画像を接続すると、このワークフローを最初/最後のフレームの画像から動画への変換にできます

2. MiniMax H3 画像から動画へ (I2V)

入力画像からビデオを生成します。先頭または末尾フレームのキーフレームをオプションで指定できます。

入力画像: - デフォルトの入力画像をダウンロードするか、ご自身の画像を使用してください。

モデルのダウンロード (I2V)

モデルの保存先 (I2V)

T2Vワークフローと同じ構成です (FL2VA Diffusion モデル + NVFP4テキストエンコーダー + 両方のVAE)。

プロンプト作成のヒント (I2V)

• キーフレーム: first_frame と last_frame の入力はオプションです。モデルはその間の動きを生成します
• プロンプト: ショット、動き、付随するオーディオ (会話、SFX、音楽) を1つのブロックで記述します
• 再生時間: 24 FPSで17フレーム単位のブロック (17k+5) グリッドにスナップします

3. MiniMax H3 参照から動画 (R2V)

参照画像・ビデオ・オーディオを任意に組み合わせて、キャラクター、スタイル、モーション、カメラワーク、音声を固定したビデオを生成します。

参照画像:

• - ワークフロー用のキャラクター参照、またはご自身の画像を使用
• - ワークフロー用のスタイルと被写体の参照、またはご自身の画像を使用

モデルのダウンロード (R2V)

モデルの保存場所 (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

プロンプトのヒント (R2V)

• タグによる参照: 各入力を接続した正確な順序でタグにより参照します。例: <Picture 1>、<Video 1>、<Audio 1>
• 各参照にジョブを割り当てる: どの参照がショットのどの部分 (アイデンティティ、スタイル、モーション、カメラ、音声) を駆動するかを明記します。明示的な割り当ての方がはるかに効果的です
• 制限: 参照画像は最大9枚、参照ビデオは最大3本 (それぞれ独自のサウンドトラックを保持可能)、スタンドアロンの参照オーディオクリップは最大3つ
• ref_image_size: match は参照を生成解像度にスケールダウンして高速化します。max は短辺2048pxまで保持し、アイデンティティの忠実度を高めますが、速度は低下します
• サンプラー: res_multistep を beta または normal スケジューラーと組み合わせると、参照が多いプロンプトでは simple よりも優れた結果になる傾向があります
• 注意: R2V は ref2va diffusion モデルを使用します。これは T2V と I2V で使用される fl2va モデルとは異なる重みセットです

API ワークフロー

さらに3つの公式テンプレートは、ローカルで実行する代わりにMiniMax APIを呼び出します：

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

関連リソース

• MiniMax H3 オープンウェイトのニュース
• MiniMax H3 モデルページ
• Comfy-Org MiniMax H3 公式ドキュメント
• Hugging Face の MiniMax H3