ComfyUI 中的 MiniMax H3：完整视频生成指南

教程概述

本教程涵盖了在 ComfyUI 中运行 MiniMax H3 所需的全部内容：安装模型、加载官方工作流、了解三种生成模式（T2V、I2V、R2V）、选择合适的分辨率以及解决常见问题。

MiniMax H3 模型概述

MiniMax H3 是 MiniMax Hailuo 视频系列中的最新模型。它可生成最长 15 秒、24 FPS 的视频，支持原生 32 kHz 立体声音频，覆盖 11 种语言，最高分辨率可达 2K。该模型由 33.1B 密集单流全能变压器（omni transformer）驱动，并配备 Qwen3-VL-32B 文本编码器。

主要功能：

• 原生立体声音频：对话、音效和音乐与视频一同生成，无需单独的音频模型
• 全能模态上下文：支持文本、图像、视频和音频的任意组合作为输入
• 三种任务模式：文生视频（T2V）、图生视频（I2V）和参考生视频（R2V）
• 11 种语言：阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语
• 开放权重：MiniMax H3 社区许可证，完全本地推理

开放版本包含 H3-Base 的两个模型：FL2VA（文生视频及首尾帧条件）和 Ref2VA（基于参考的生成）。H3-Context-IR 预处理系统和 H3-Regenerate-2K 2K 图像放大模块仍为托管 API。

入门

ComfyUI 已支持开放权重的 MiniMax H3：

1. 更新 ComfyUI 至最新版本（0.30.0 或更高版本；原生支持已合入 Comfy-Org/ComfyUI #15224）
2. 打开 工作流 -> 浏览模板 -> 视频，然后选择任意 MiniMax H3 工作流
3. 按照弹窗提示下载模型并运行工作流

模型文件托管在 Hugging Face 的 Comfy-Org/MiniMax-H3 仓库中。

模型安装

从 Comfy-Org/MiniMax-H3 下载以下文件，并将它们放入对应的文件夹中：

Diffusion 模型（选择其中一个变体）：

文本编码器（选择其中一个）：

VAE（两个均为必填）：

📂 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

官方工作流

通过 Comfy-Org/workflow_templates 提供了六个官方模板。其中三个在本地运行（开放权重），另外三个调用 MiniMax API。本指南将按照官方 Comfy-Org 文档，详细介绍这三个本地工作流。

加载工作流

方法 1：模板图库（推荐）

将 ComfyUI 更新到最新版本，然后通过 工作流 -> 浏览模板 -> 视频 -> MiniMax H3 加载。

方法 2：下载并拖入

下载 JSON 并将其拖入 ComfyUI 窗口。

设置输出分辨率

每个工作流都使用分辨率选择器节点，根据三个设置计算 width 和 height：

• 纵横比：预设，例如 16:9（横屏）、9:16（竖屏）或 1:1（方形）
• 百万像素：目标总像素数；数值越高，生成的画面越大，数值越低运行速度越快
• 倍数：四舍五入到该数字的最近倍数；保持为 32 以匹配 H3 的分辨率网格

H3 的原生画布短边为 768px，上限为 768x1344 像素，并四舍五入到 32 的倍数。模板自带快速预览尺寸；如需全质量，请在 16:9 下将百万像素提高到约 1.0，即可获得约 1344x768 的分辨率。

1. MiniMax H3 文生视频（T2V）

根据文本提示生成视频，并带有原生立体声音频。

模型下载（T2V）

模型存储（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

提示词技巧（T2V）

• 描述整个场景：先说明整体场景（地点、角色、正在发生的事情），再将其拆分为按时间划分的镜头
• 镜头、相机和音频：在同一个提示词区块中描述镜头、相机运动以及伴随的音频（对白、音效、音乐）
• 时长：时长输入会吸附到模型在 24 FPS 下的 17 帧/块（17k+5）网格上
• 首帧/末帧：将图像连接到 MiniMaxH3ImageToVideo 节点上的 first_frame 和/或 last_frame，即可将该工作流转换为首帧/末帧图生视频

2. MiniMax H3 图生视频（I2V）

从输入图像生成视频，并可选择使用首帧/末帧关键帧。

输入图像： - 下载默认输入图像，或使用您自己的图像。

模型下载（I2V）

模型存储（I2V）

布局与 T2V 工作流相同（FL2VA Diffusion 模型 + NVFP4 文本编码器 + 两个 VAE）。

提示词技巧（I2V）

• 关键帧：first_frame 和 last_frame 输入为可选项；模型生成它们之间的运动
• 提示词：在同一个提示块中描述镜头、运动以及伴随的音频（对话、音效、音乐）
• 时长：在 24 FPS 下对齐到每块 17 帧（17k+5）的网格

3. MiniMax H3 参考生视频 (R2V)

根据参考图像、视频和音频的任意组合，生成可锁定角色、风格、运动、相机运动或声音的视频。

参考图像：

• - 工作流的角色参考图，或使用您自己的图像
• - 工作流的风格和主体参考图，或使用您自己的图像

模型下载 (R2V)

模型存储 (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

提示词技巧 (R2V)

• 按标签引用参考：按照连接时的确切顺序，通过标签引用每个输入，例如 <Picture 1>、<Video 1>、<Audio 1>
• 为每个参考分配任务：明确说明哪个参考驱动镜头的哪个部分（身份、风格、运动、相机、声音）；明确的分配效果要好得多
• 限制：最多 9 张参考图像、3 段参考视频（每段可自带音轨）和 3 段独立的参考音频片段
• ref_image_size：match 会将参考图缩小到生成分辨率以提升速度；max 保留最长 2048 像素的短边，以获得更强的身份保真度，但会牺牲速度
• 采样器：对于参考内容较多的提示词，res_multistep 搭配 beta 或 normal 调度器往往优于 simple
• 注意：R2V 使用 ref2va 扩散模型，与 T2V 和 I2V 使用的 fl2va 模型权重不同

API 工作流

另外三个官方模板调用 MiniMax API，而不是在本地运行：

故障排查

问：ComfyUI 不显示 MiniMax H3 节点

将 ComfyUI 更新到 0.30.0 或更高版本。原生支持已于 2026 年 8 月 3 日合入 Comfy-Org/ComfyUI #15224。桌面端和云端更新会跟随稳定版发布，因此某些每夜版支持的功能可能尚不可用。

问：内存不足 / 高显存占用

• 使用 精简版 INT8 扩散模型（19.5 GB），而不是 bf16
• 使用 NVFP4 AWQ 文本编码器（14.6 GB），它可以在任何 GPU 上运行
• 在分辨率选择器节点中降低分辨率（降低兆像素数）并缩短时长
• 在系统内存充足的机器上，ComfyUI 的动态显存系统和块交换功能会有所帮助

问：在 256p 或非常小的分辨率下生成失败

H3 的最低分辨率为 384p。256p 会完全失败。请使用官方模板中的分辨率预设。

问：输出视频没有音频

确保两个 VAE 均已加载：minimax_h3_video_vae_fp16.safetensors（视频）和 minimax_h3_audio_vae_fp32.safetensors（音频），并且工作流中包含连接到 SaveVideo 的 VAEDecodeAudio 节点。

问：图生视频应该使用哪个 checkpoint？

对于 T2V 和 I2V（首帧、末帧或两者），请使用 FL2VA checkpoint。当需要完整的基于参考的生成（身份、风格、声音）时，请使用 Ref2VA checkpoint。

问：在哪里可以反馈 bug？

• 运行时错误：ComfyUI/issues
• UI 问题：ComfyUI_frontend/issues

相关资源

• MiniMax H3 开放权重新闻
• MiniMax H3 模型页面
• Comfy-Org 官方 MiniMax H3 文档
• Hugging Face 上的 MiniMax H3