MiniMax-H3-GGUF文生视频完全教程:ComfyUI中从一句话到2K立体声视频
MiniMax-H3-GGUF文生视频完全教程:ComfyUI中从一句话到2K立体声视频
MiniMax-H3-GGUF 仓库提供了 MiniMax H3 多模态视频生成模型的 GGUF 量化版本与全套 ComfyUI 工作流,支持文生视频、图生视频和参考生成,最高输出 2K 分辨率、24 FPS、15 秒带原生立体声音频的视频。本教程面向新手,手把手教你在 ComfyUI 中完成从一句话提示词到成品视频的全过程。
🧩 这个仓库里有什么
| 内容 | 说明 | 文件 |
|---|---|---|
| FL2VA 量化模型 | 首尾帧模式:文生视频 / 图生视频 | minimax_h3_fl2va_pruned_fp8_*.gguf |
| Ref2VA 量化模型 | 全参考模式:图 / 视频 / 音频混合参考 | minimax-h3-ref2va-*.gguf |
| ComfyUI 工作流 | 一键导入即可用 | workflows/minimax_h3_t2v-gguf.json、workflows/minimax_h3_i2v-gguf.json、workflows/minimax_h3_ref2v-gguf.json |
💡 模型分两个家族:FL2VA(不接图 = 文生视频,接 1~2 张图 = 图生视频)和 Ref2VA(用参考图/视频/音频锁定角色、风格、音色)。两者权重不同,工作流里会自动选对。
⚡ 选哪个量化版本:显存对照表
仓库提供 4 种量化格式(每个家族各一套):
| 格式 | 质量 | 体积 | 推荐显存 |
|---|---|---|---|
Q4_0 |
较低 | 11.4 GB | 12 GB |
U16G |
良好(INT8+Q4_0 混合,16GB 卡上比 Q4_0 更快) | 15.0 GB | 16 GB |
Q8_0 |
高 | 20~21 GB | 24 GB+ |
Q8_CR |
高(≈ Q8_0,INT8 ConvRot 权重) | 20.2 GB | 24 GB |
⚠️ 注意:Q8_CR 和 U16G 是为 ComfyUI 自定义节点 ComfyUI-GGUF 专门制作的,仅在该节点下可用;Q4_0、Q8_0 是标准 GGUF 格式,兼容性更好。
🛠 一键安装:模型文件怎么放
第 1 步:安装 ComfyUI 与 ComfyUI-GGUF 节点
在 ComfyUI 的 custom_nodes 目录中安装 ComfyUI-GGUF 自定义节点(管理器搜索 ComfyUI-GGUF 即可),这是加载 GGUF 权重、动态管理显存的关键。
第 2 步:下载本仓库的扩散模型
git clone https://gitcode.com/hf_mirrors/molbal/MiniMax-H3-GGUF
克隆后按需保留对应显存档位的 .gguf 文件(文件较大,建议只留一个)。
第 3 步:补齐 VAE 与文本编码器
从 Comfy-Org/MiniMax-H3 仓库下载以下三个文件,按目录放置:
📂 ComfyUI/
├── 📂 models/
│ ├── 📂 vae/
│ │ ├── minimax_h3_video_vae_fp16.safetensors (视频解码)
│ │ └── minimax_h3_audio_vae_fp32.safetensors (音频解码)
│ ├── 📂 diffusion_models/
│ │ └── minimax_h3_fl2va_pruned_fp8_*.gguf (本仓库)
│ └── 📂 text_encoders/
│ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors (Qwen3-VL 32B 编码器)
三个模型文件的工作流里都内置了自动下载链接,导入工作流后按需触发即可。
▶️ 文生视频:三步出片(T2V 工作流)
第 1 步:导入工作流 —— 将 minimax_h3_t2v-gguf.json 拖入 ComfyUI 界面,节点自动加载。
第 2 步:写提示词 —— 在 MiniMaxH3ImageToVideo 节点中填写一段包含画面 + 音频描述的提示词。H3 的音频是"原生立体声":台词、音效、配乐在同一次前向传播中联合建模,而不是后期叠加。推荐结构:
整体风格:……
Timeline:
[0s-1s] 开场镜头……
[1s-3.5s] 运动与变化……
[3.5s-5s] 收尾画面……
Audio: 背景音乐/音效/人声描述……
第 3 步:设置参数并生成
| 节点 | 参数 | 新手建议 |
|---|---|---|
ResolutionSelector |
宽高比 + 像素档(短边 768px,按 32 取整) | 0.5MP 出 960×544;2.0MP 出 1920×1088(2K 级) |
Float (duration) |
时长(秒) | 4~15 秒,先用 5 秒试跑 |
BasicScheduler |
采样调度 | 默认 simple,20 步 |
KSamplerSelect |
采样器 | 默认 res_multistep |
工作流内置的数学表达式节点会自动把你的"秒数"换算成模型要求的帧数(24 FPS、按 17k+5 网格向上对齐):5 秒 → 73 帧,10 秒 → 245 帧,15 秒 → 365 帧。
点击 Queue 后,视频潜变量经 VAEDecode 解码画面、VAEDecodeAudio 解码音频,CreateVideo 节点自动合流为一个带声道的 MP4,成品保存在 ComfyUI 输出目录的 video/MiniMax_H3 子文件夹。
分辨率速查表(16:9,短边 768 基准):
| 像素档 | 输出分辨率 | 像素档 | 输出分辨率 |
|---|---|---|---|
| 0.5 MP | 960 × 544 | 1.2 MP | 1504 × 832 |
| 0.98 MP | 1344 × 768 | 1.8 MP | 1824 × 1024 |
| 1.0 MP | 1376 × 768 | 2.0 MP | 1920 × 1088 |
🎬 进阶玩法:图生视频与参考生成
图生视频(I2V):使用 minimax_h3_i2v-gguf.json,把图片接入 MiniMaxH3ImageToVideo 节点:
- 只接
first_frame:以该图为首帧开始生成 - 只接
last_frame:以该图为尾帧反向铺垫 - 两帧都接:模型补全中间运动,适合做转场控制
参考生成(Ref2V):使用 minimax_h3_ref2v-gguf.json,通过 MiniMaxH3ReferenceToVideo 节点可混合接入:
- 参考图 ≤ 9 张、参考视频 ≤ 3 段、独立音频 ≤ 3 段(音频必须伴随图或视频输入),总文件数 ≤ 12
- 提示词中按接入顺序用
<Picture 1>、<Video 1>、<Audio 1>标签指代参考,并明确说明每个参考驱动画面的哪部分 ref_image_size:match更快,max(保留 2048px 短边)角色一致性更强但更慢- 该工作流建议采样器用
res_multistep搭配beta或normal调度器,效果优于simple
📌 参考生成对提示词措辞很敏感:标签顺序要与节点接入顺序严格一致,描述越具体越稳定。
🎁 输出规格与常见问题
输出规格一览:
| 项目 | 规格 |
|---|---|
| 时长 | 4~15 秒 |
| 分辨率 | 短边默认 768px,支持 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 等比例;2K 可配合 H3-Regenerate-2K 放大 |
| 帧率 | 24 FPS |
| 音频 | 32 kHz 立体声 |
| 对白语言 | 稳定支持中文、英文、日语、韩语等 11 种语言 |
新手常见问题:
- 显存不足 / 卡得很慢? 按显存档位降一档:24GB→U16G(16GB 卡)→Q4_0(12GB 卡)
- 视频没有声音? 检查
minimax_h3_audio_vae_fp32.safetensors是否放入models/vae/目录 - 提示词里的文字出现错别字? 明确写上"文字必须清晰、不要拼错英文"等约束,并避免要求中文字符
- 想更长的视频? 单次上限 15 秒,更长内容请分段生成后剪辑拼接
📚 总结
MiniMax-H3-GGUF 把专业级"一句话出带声视频"的能力装进了消费级显卡:装好 ComfyUI-GGUF 节点 → 放对模型文件 → 导入 workflows/ 目录下的工作流 → 写提示词 → 出片。建议先用 5 秒 + 0.5MP 试跑流程,跑通后再逐步提高分辨率和时长。更多细节可参阅仓库说明 README.md。