MiniMax H3 в ComfyUI: полное руководство по генерации видео

Обзор руководства

Это руководство охватывает всё, что нужно для запуска MiniMax H3 в ComfyUI: установка моделей, загрузка официальных рабочих процессов, понимание трёх режимов генерации (T2V, I2V, R2V), выбор правильного разрешения и решение распространённых проблем.

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.

Установка модели

Скачайте следующие файлы с Comfy-Org/MiniMax-H3 и поместите их в соответствующие папки:

Diffusion-модель (выберите один вариант):

Текстовый энкодер (выберите один):

VAE (оба обязательны):

📂 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

Официальные рабочие процессы

Шесть официальных шаблонов доступны через Comfy-Org/workflow_templates. Три работают локально (открытые веса), а три обращаются к MiniMax API. В этом руководстве подробно рассматриваются три локальных рабочих процесса в соответствии с официальной документацией Comfy-Org.

Загрузка рабочих процессов

Метод 1: Галерея шаблонов (РЕКОМЕНДУЕТСЯ)

Обновите ComfyUI до последней версии, затем загрузите через Workflow -> Browse Templates -> Video -> MiniMax H3.

Метод 2: Скачать и перетащить

Скачайте JSON и перетащите его в окно ComfyUI.

Настройка выходного разрешения

Каждый рабочий процесс использует ноду Выбор разрешения, которая вычисляет width и height на основе трёх настроек:

• Соотношение сторон: пресеты, такие как 16:9 (Widescreen), 9:16 (Portrait) или 1:1 (Square)
• Мегапиксели: целевое общее количество пикселей; более высокие значения дают более крупные кадры, а более низкие работают быстрее
• Кратность: округляется до ближайшего кратного этому числу; оставьте значение 32, чтобы соответствовать сетке разрешений H3

Нативный холст H3 имеет короткую сторону 768px, ограничен 768x1344 пикселями и округляется до кратного 32. Шаблон поставляется с быстрым размером для предпросмотра; для полного качества увеличьте Мегапиксели примерно до 1.0 при 16:9, что даёт примерно 1344x768.

1. MiniMax H3: генерация видео по тексту (T2V)

Генерируйте видео из текстовых запросов со встроенным стереофоническим аудио.

Загрузка моделей (T2V)

Хранение моделей (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

Советы по составлению запросов (T2V)

• Опишите всю сцену: сначала опишите общую сцену (место, персонаж, происходящее действие), затем разбейте её на отдельные кадры с таймингом.
• Кадры, камера и аудио: опишите кадры, движения камеры и сопутствующее аудио (диалоги, звуковые эффекты, музыку) в одном блоке запроса.
• Длительность: значение длительности привязывается к сетке модели «17 кадров на блок» (17k+5) при 24 FPS.
• Первый/последний кадр: подключите изображения к входам first_frame и/или last_frame на ноде MiniMaxH3ImageToVideo, чтобы превратить этот рабочий процесс в image-to-video по первому/последнему кадру.

2. MiniMax H3 Image-to-Video (I2V)

Generate videos from an input image, with optional first/last-frame keyframes.

Input image: - download the default input image, or use your own.

Model downloads (I2V)

Model storage (I2V)

Same layout as the T2V workflow (FL2VA diffusion model + NVFP4 text encoder + both VAEs).

Prompting tips (I2V)

• Keyframes: the first_frame and last_frame inputs are optional; the model generates the motion between them
• Prompt: describe the shots, motion, and the accompanying audio (dialogue, SFX, music) in one block
• Duration: snaps to the 17-frame-per-block (17k+5) grid at 24 FPS

3. MiniMax H3 Reference-to-Video (R2V)

Generate videos that lock in a character, style, motion, camera move, or voice from any mix of reference images, videos, and audio.

Reference images:

• - character reference for the workflow, or use your own
• - style and subject reference for the workflow, or use your own

Model downloads (R2V)

Model storage (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

Prompting tips (R2V)

• Reference by tag: reference each input by tag in the exact order it was connected, for example <Picture 1>, <Video 1>, <Audio 1>
• Assign each reference a job: state which reference drives which part of the shot (identity, style, motion, camera, voice); explicit assignments work much better
• Limits: up to 9 reference images, 3 reference videos (each can carry its own soundtrack), and 3 standalone reference audio clips
• ref_image_size: match scales references down to the generation resolution for speed; max keeps up to a 2048px short edge for stronger identity fidelity at the cost of speed
• Sampler: res_multistep with a beta or normal scheduler tends to outperform simple for reference-heavy prompts
• Note: R2V uses the ref2va diffusion model, a different set of weights from the fl2va model used by T2V and I2V

Рабочие процессы API

Три дополнительных официальных шаблона вызывают API MiniMax вместо локального запуска:

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

Связанные ресурсы

• Новости об открытых весах MiniMax H3
• Страница модели MiniMax H3
• Официальная документация Comfy-Org по MiniMax H3
• MiniMax H3 на Hugging Face