MiniMax：开放视频与音乐生成模型

ComfyUI Wiki

MiniMax 在 ComfyUI 中提供的开放生成模型：带原生 32 kHz 立体声音频的全模态 H3 视频模型，以及可生成长达五分钟完整歌曲的 Music 3。

M

MiniMax H3

视频生成原生音频全模态文生视频图生视频

MiniMax H3 是一个开放的通用全模态生成系统，能够理解由文本、图像、视频和音频构成的多模态上下文，并在单次生成中输出最长 15 秒、带原生 32 kHz 立体声音频的视频。它是 MiniMax Hailuo 视频系列的最新模型，由 33.1B 稠密单流全模态 Transformer 驱动，并配备 Qwen3-VL-32B 文本编码器。

HF 仓库ComfyUI 重新打包版提示词指南
来自 MiniMax 官方演示的 H3 示例输入图像

来自 MiniMax 官方 H3 多模态上下文演示的示例输入图像

MiniMax H3 于 2026 年 8 月 3 日根据 MiniMax H3 社区许可协议正式开源。本次开源涵盖 H3-Base 的两个任务专用 checkpoint：FL2VA（文生视频与首/尾帧条件生成）和 Ref2VA（基于参考的生成）。H3-Context-IR 预处理系统与 H3-Regenerate-2K 放大模块仍以托管 API 形式提供。

模型

模型类型描述许可证发布时间
MiniMax H3视频带原生 32 kHz 立体声音频的全模态视频生成MiniMax H3 社区许可证2026-08
MiniMax Music 3音乐根据歌词和音乐描述生成长达五分钟的完整歌曲MiniMax Music 3 社区许可证2026-09

在上方选择模型，即可获取精选权重下载、教程及相关信息。

版本

版本说明
H3-Base FL2VA文生视频、首帧、尾帧、首尾帧模式
H3-Base Ref2VA基于最多 9 张图像、3 段视频和 3 段音频片段的参考生成

主要能力

  • 原生立体声音频：与画面在同一次生成中输出 32 kHz 立体声，无需单独的音频模型
  • 多模态上下文：可将文本、图像、视频和音频的任意组合作为输入
  • 2K 上下文内再生成：H3-Regenerate-2K 复用原始上下文，将 768p 输出重新生成为 2K
  • 11 种语言：ar、zh、en、fr、de、it、ja、ko、pt、ru、es
  • 部署方式：SGLang、vLLM、diffusers 和 ComfyUI

安装

MiniMax H3 在 ComfyUI 中为原生支持。将文件放入对应目录：

文件目标目录
minimax_h3_*_bf16.safetensors 或 *_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/

官方 ComfyUI 重打包仓库（Comfy-Org/MiniMax-H3）提供 bf16、INT8 convrot 和 pruned INT8 扩散模型变体，以及 bf16、INT8 和 NVFP4 AWQ 文本编码器选项。得益于预计算的 adaLN 曲线表，pruned INT8 checkpoint 的体积约小 40%，而 NVFP4 AWQ 文本编码器可在任意 GPU 上运行。

资源

评论

使用 GitHub 登录后即可参与讨论。

评论加载中…