MiniMax H3 支持 ComfyUI：开源权重、原生音频与 2K 视频
开源全模态视频模型：支持真实立体声与2K输出，经ComfyUI深度优化，可在3060本地运行
MiniMax H3今日正式发布并开放权重，今早已实现ComfyUI原生支持，发布即适配。
作为新一代开源视频模型，它支持以文本、图像、视频或音频为输入，生成带真实立体声的视频片段，分辨率最高达2K，时长最长15秒。这是MiniMax继"海洛01""海洛02"后的第三代视频模型，也是该公司首款开源权重的视频模型。
核心特性
- 文本生成视频：仅需输入提示词即可生成
- 图像生成视频：让静态画面动起来
- 首尾帧控制：可指定开头帧、结尾帧或同时指定两者，由模型自动补全中间内容
- 参考生成视频：提供参考图像、视频或音频，将主体、动作或声音元素融入生成片段
输出规格最高可达2K分辨率、15秒时长。音频与视频同步生成，原生支持立体声，而非后期拼接添加。
多模态语境理解
这是MiniMax的核心优势，也是该模型能将五项独立任务整合为一的关键。实际创作很少仅依赖单一模态，H3可同时接收图像、音频、视频输入，并结合提示词理清各元素间的关联。只需描述输入素材与目标镜头的关系，模型即可自动完成跨模态协同工作。
原生立体声输出
音频生成是模型的原生功能，而非后期处理环节，所有输出音频均为立体声。
编辑与动作迁移
动作迁移对图像创作尤为重要：可通过参考视频提供镜头运动、人物表演、剪辑节奏等动作元素，而主体与风格则来自其他素材。结合原地编辑功能，即可实现镜头的反复迭代优化。
生成示例
美式漫画粗线风格，红与蓝黑配色，夜晚都市场景。严格参考<Picture 2>和<Picture 1>作为关键帧，完全沿用<Audio 1>音频。
镜头1：俯视屋顶上的小超人——红披风随风飘动，双手叉腰，满脸雀斑带着桀骜笑容直视镜头。镜头缓缓向他推进，他同步念出台词，画面逐字弹出漫画风格字幕，与语音精准同步："准备好"——"见识"——"你的"——"造物主"。字幕为粗犷锯齿状白色字体，配粗黑描边与红色阴影，呈不规则倾斜角度，最终三个单词堆叠悬浮在他与镜头之间的空中。
转场：镜头剧烈甩动离开屋顶，悬浮的字幕随运动轨迹被抹成拖影——
镜头2：低角度仰视巨型黑色机甲怪兽，它正耸立在城市天际线后方，仰头发出震耳欲聋的咆哮。怪兽血盆大口露出尖牙，红眼睛与胸口核心发出刺眼强光，头部电弧闪烁；咆哮的冲击波震落墙面灰尘、震碎窗户玻璃，漫画风格速度线与墨点随声波冲击四散飞溅。怪兽在咆哮峰值时向镜头逼近，定格咆哮画面。
科技产品编辑风格影片。参考<Picture 1>中的透明游戏鼠标，置于纯黑摄影棚环境，搭配深色哑光反光台面，采用蓝橙双色氛围光勾勒轮廓，阴影向纯黑背景自然过渡。整体色调偏暗，以电光蓝与琥珀色为点缀。突出材质细节：鼠标内部发光金属微元件与光滑亚克力折射效果。场景环境全程保持一致。
镜头1：画面从<Picture 1>的初始状态开始，鼠标沉稳放置在深色台面上；蓝橙灯光缓慢增强，光线透过透明亚克力外壳形成丰富折射，镜头缓慢匀速推进，展现内部精密电路。
镜头2：切换至滚轮与内部多层微元件的极端微距侧拍镜头；镜头沿侧面平稳滑动，一束暖橙色强光扫过金属纹理，与深蓝色环境光形成鲜明对比。
镜头3：低角度美感镜头：鼠标在深色反光台面上空数厘米处无重力悬浮，缓慢精准地旋转；双色灯光在光滑透明边缘形成柔和光晕，随后逐渐暗化为简洁轮廓。
音频：低沉脉动的低音环境音、清脆的机械按键声、镜头切换时的玻璃质感扫动音效，以及逐渐增强后归于近乎寂静的电子音浪。
高端时尚编辑风格影片全程采用奢华慢动作，背景为柔和渐变的摄影棚天空。
音乐与音效：融合太鼓、日本筝与现代低音的电影配乐贯穿始终
镜头1：她身旁的面具已破碎——呈<Picture 2>中的悬浮碎片形态，每一块金缮修复的碎片都悬浮在空中缓慢旋转，碎片间的金线纹路黯淡无光，等待激活。她转头看向面具。
镜头2：重组启动，能量爆发——金线纹路骤然亮起，熔金般的光弧如焊火般在碎片间跳跃，碎片开始逐一拼接，速度由慢至快，每一次拼接都迸发出金色光芒，熔金液滴飞溅而出，周围的液态丝带随冲击波震颤——直至最后一块碎片归位，面具完全复原，金缮纹路通体闪耀。
镜头3：<Picture 3>中的金色巨龙呈S形大幅飞入画面——红色琉璃鹿角率先出现，龙身盘绕在她与面具周围，鳞片反射金色光芒，龙尾拖动深红色液体形成螺旋轨迹。
镜头4：巨龙飞过之后，面具如被磁力牵引般飞速直线划过空气，精准戴在她脸上——佩戴瞬间金光迸发，金缮纹路从面具边缘延伸至她颈部，再蔓延到日落色外套上，刺绣图案逐一点亮。
镜头5：她缓缓落下，轻盈地踩在深色液面上，摆出标准武士姿势定格，如同时尚大片画面——巨龙盘绕在她肩后，两种液体在她周围向上盘旋形成双螺旋结构。镜头定格，呈现海报式静态画面。
参考图像：<Picture 1>、<Picture 2>、<Picture 3>
鱼眼镜头风格产品广告，夏日高饱和光线，<Picture 1>中的女子身穿黄色雨衣，蹲在丛林瀑布旁，手持彩虹渐变汽水罐对准镜头，罐身凝露滴落。
音乐： upbeat热带浩室舞曲贯穿全程——强劲底鼓、明亮钢片琴、温暖贝斯律动。
镜头1：鱼眼英雄镜头——女子直视镜头时，背景逐帧弹出醒目的粗体大字，每字对应一个节拍："保持" 然后 "补水"。白色方块字体占据整个画面，随鱼眼镜头产生弧度变形，位于女子身后、瀑布前方。她伸出另一只手勾住拉环。
转场：拉环特写——拉环打开时发出清脆的"咔哒-嘶嘶"声，同步鱼眼镜头光圈收缩至黑屏，如同眨眼。
镜头2：光圈重新打开，切换至新视角——汽水罐位于前景，被鱼眼镜头极度放大扭曲；女子微笑着将罐中液体倒在地上，水滴失重般四散飞溅，阳光透过水流折射出彩虹，瀑布在背景中虚化。
转场：她放下罐子，一颗大水滴向镜头坠落，逐渐填满整个画面——
镜头3：透过水滴切换至最终全景镜头：彩虹汽水罐竖直漂浮在绿松石色的水潭中，标签正对镜头，在水雾中轻轻晃动，瀑布在后方轰鸣；水面上倒映着"STAY COMFY"的字样，闪烁微光。定格产品英雄画面。
整体风格明快愉悦、质感高端，所有镜头均保留鱼眼畸变效果。
针对ComfyUI本地推理优化
为让H3在消费级硬件上流畅运行，我们进行了大量机器学习工程优化。研究发现，模型中约占总参数40%的调制权重可被裁剪，替换为功能等效的查找表，在完全不损失输出质量的前提下，大幅降低内存占用。
在此基础上，模型权重采用精准高效的int8 convrot量化技术，配合自定义内核进一步减少推理时的峰值显存占用。
优化后，最小模型变体的总内存占用降低66%，从全精度下的123.6 GB降至42.5 GB。结合动态显存卸载技术，这款新一代2K视频模型可在RTX 3060等消费级GPU上实现本地运行。
快速上手
- 将ComfyUI更新至最新版本——0.30.0及以上，或直接使用Comfy Cloud
- 下载下方工作流模板，或在模板库中查找
- 按照工作流中的说明下载模型，并保存至指定模型目录
- 编写提示词，连接帧或参考输入素材，即可开始运行
模型权重：🤗 Comfy-Org/MiniMax-H3
尽情创作！