MiniMax H3 开源权重并在 ComfyUI 实现 Day-0 支持：原生立体声、2K 分辨率，RTX 3060 可本地运行

MiniMax 今日正式发布了其第三代视频生成模型 H3，并同步开放了模型权重。作为该公司首个开源权重的视频模型，H3 在发布当天即获得了 ComfyUI 的原生支持（Day-0 Support）。

• 官方文档：https://docs.comfy.org/zh/tutorials/video/minimax/minimax-h3
• Hugging Face：https://huggingface.co/Comfy-Org/MiniMax-H3
• ModelScope：https://modelscope.cn/models/Comfy-Org/MiniMax-H3/summary
• 工作流：https://pan.quark.cn/s/0b8f64b50eca
• GGUF：https://huggingface.co/realrebelai/MiniMax-H3_GGUFs

H3 是一个通用全模态生成系统，能够在单一上下文中联合理解文本、图像、视频和音频。其核心突破在于生成的视频自带原生立体声音频（语音、音效和音乐），这些声音是在单次前向传播中与画面同步建模的，而非后期叠加。输出最高支持 2K 分辨率、24fps，单片段时长最长可达 15 秒。

核心亮点：全模态与原生音频

• 多模态上下文理解：H3 能同时接收文本、图像、视频或音频输入，并根据提示词解析它们之间的关系。无论是让静态图像动起来，还是通过参考视频锁定动作和运镜，模型都能在一个工作流中处理。
• 原生立体声：音频是模型生成的固有属性。这意味着口型、动作与声音的节奏能够实现高度契合，解决了传统视频生成模型“音画不同步”或需后期配音的痛点。
• 灵活的生成模式：
  • 文生视频 (T2V)：仅凭提示词生成带音效的视频。
  • 图生视频 (I2V)：支持首帧、尾帧或双帧控制，精准填充中间运动。
  • 参考生视频 (R2V)：通过参考图像、视频和音频，锁定角色身份、风格、动作或声音。

ComfyUI 优化：让 RTX 3060 也能跑 2K

为了让 H3 在消费级硬件上运行，ComfyUI 团队进行了大量的工程优化：

1. 权重剪枝与查找表替换：模型中约 40% 的调制权重被剪枝并替换为功能等效的查找表，大幅缩小内存占用且无损画质。
2. Int8 量化与自定义内核：采用精确高效的 int8 convrot 量化，配合自定义内核降低推理过程中的峰值 VRAM 使用。
3. 动态 VRAM 卸载：结合上述优化，总内存占用从全精度的 123.6 GB 降至最小变体的 42.5 GB。这使得包括 RTX 3060 在内的主流显卡也能本地运行下一代 2K 视频模型。

快速上手指南

ComfyUI 已更新至 0.30.0 或更高版本以支持 H3。用户可以通过模板库直接获取三种示例工作流：

1. 文生视频 (T2V)

• 节点：使用 MiniMaxH3TextToVideo。
• 技巧：在提示词中详细描述场景、镜头运动及伴随的音频（对话、音效）。分辨率短边默认为 768px，上限 768×1344。

2. 图像转视频 (I2V)

• 节点：使用 MiniMaxH3ImageToVideo。
• 技巧：连接 first_frame 或 last_frame 以控制关键帧。提示词需描述镜头间的运动及音频细节。

3. 参考转视频 (R2V)

• 节点：使用 MiniMaxH3ReferenceToVideo。
• 技巧：最多支持 9 张图、3 个视频和 3 个音频片段。在提示词中使用 <Picture 1>、<Video 1> 等标签明确指定每个参考素材的作用（如身份、动作、声音）。建议使用 res_multistep 采样器以获得更佳效果。