MiniMax H3 ComfyUI：T2V、I2V 与 R2V 工作流完整配置指南

AI 概览

可以在 ComfyUI 中本地运行 MiniMax H3 吗？

可以。MiniMax H3 具有开源权重，并原生支持 ComfyUI 0.30.0 或更高版本。加载一个 H3 模板，下载所需的扩散模型、文本编码器以及两个 VAE 模型，即可在您自己的硬件上运行。

MiniMax H3 在 ComfyUI 中支持哪些工作流？

ComfyUI 内置了针对文本生成视频（T2V）、带可选首帧/尾帧的图像生成视频（I2V）以及参考图生成视频（R2V）的 H3 模板。这三种工作流均可同步生成原生立体声对话、音效与配乐，并与视频一同输出。

在 ComfyUI 中运行 MiniMax H3 需要多少 VRAM？

不存在单一硬性最低要求。对于剪枝后的 int8 工作流，24GB 显存 GPU 是较实用的目标；社区中已验证可在 12GB GPU + 32GB 系统内存、启用卸载（offloading）及高速存储条件下完成 480p 分辨率的简化测试。

是否存在比在 ComfyUI 中本地运行 MiniMax H3 更简单的替代方案？

有。Seedance 提供基于浏览器的音视频生成服务，无需本地下载模型、配置节点或规划 GPU 显存，当您更关注获得成品视频而非自定义本地节点图时，该方案更为简便。

什么是 MiniMax H3？为何要在 ComfyUI 中运行它？

MiniMax H3 是一款开源权重、全模态（omni-modal）生成模型，可在统一上下文中理解文本、图像、视频与音频。它最高可生成 2K 分辨率、24fps、约 15 秒长度的视频，并同步生成语音、音效与配乐，全部以原生立体声格式输出。

ComfyUI 将这些能力转化为可视化的节点图。您可以自由选择模型精度、随机种子（seed）、分辨率、时长、调度器（scheduler）、参考输入、首帧或尾帧，以及输出路径——随后将整个节点图保存为可复用的生产级工作流。官方模板已覆盖 T2V、I2V 与 R2V 场景，而核心 H3 节点亦可灵活重组，构建更专业定制化的工作流。

当参数精细控制、节点复用性、输入私密性或批量自动化比部署耗时更重要时，请选择本地运行 H3。它适合已熟悉 ComfyUI 的创作者，也适用于希望规避按次调用 API 配额限制的团队。其权衡在于：需占用大量存储空间、需细致规划 GPU 显存、模型下载耗时较长，且排错难度高于纯浏览器工作流。

系统要求与模型下载

请先将 ComfyUI 升级至 0.30.0 或更高版本，然后打开 Workflow → Browse Workflow Templates → Video，并选择任一 MiniMax H3 模板。ComfyUI 可自动提示缺失文件，但手动放置文件更便于问题诊断。

R2V 工作流需使用 diffusion_models/ 目录下的 minimax_h3_ref2va_pruned_int8_convrot.safetensors，而非 FL2VA 扩散模型文件。请保留完整文件名；添加后请刷新模型列表或重启 ComfyUI。

请将 24GB VRAM 视为剪枝 int8 路径下较舒适的规划目标，而非官方公布的最低要求。显存较低的显卡需采用更小帧尺寸、更短视频时长、更激进的卸载策略，并确保系统内存充足、NVMe 存储空间足够以支持模型交换。若节点图无法加载，或大部分时间耗费于显存交换（swapping），请优先降低分辨率，或考虑将工作流转至云端硬件执行。

MiniMax H3 文本生成视频（T2V）工作流配置

1. 打开模板库，加载 MiniMax H3 T2V 模板。
2. 确认已正确选择扩散模型、Qwen3-VL 文本编码器、视频 VAE 与音频 VAE。
3. 在 Resolution Selector（分辨率选择器） 中选择宽高比与百万像素数（megapixels）；保持 multiple 参数为 32。
4. 输入一条结构化提示词（prompt），设置视频时长与随机种子（seed），然后提交该节点图（queue the graph）。
5. 在提升分辨率前，先预览画面、对话、音效、配乐及最终帧效果。

H3 的原生工作画布采用 768px 短边，并将单边长度上限设为约 1344px。在 16:9 比例下，约 1.0 百万像素 对应分辨率约为 1344×768。建议先以更低分辨率进行提示词测试，仅对已验证有效的配置再逐步提升分辨率。视频时长会按 H3 的帧块（frame-block）网格（24fps）自动对齐，因此 ComfyUI 可能对您输入的时长值做轻微调整。

请先撰写场景描述，再依次加入定时动作、镜头运动与音频说明，全部写入同一段提示词中。一份简洁清晰的 T2V 提示词，远比堆砌大量互不相关的电影术语更可靠。如需更快捷的托管起点，Seedance 文本生成视频工作流 可跳过本地节点图配置与模型下载步骤。

src=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-t2v-output-v1.mp4
poster=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-t2v-poster-v1.png
label=MiniMax H3 T2V · 官方 ComfyUI 模板输出

MiniMax H3 T2V 的官方 ComfyUI 模板输出。此为真实工作流样例，由 Seedance R2 托管以保障稳定播放。

MiniMax H3 图像生成视频（I2V）工作流配置

I2V 模板使用节点 MiniMaxH3ImageToVideo。将一张图像连接至 first_frame 输入端口，可选地将另一张图像连接至 last_frame 端口，并在提示词中描述二者之间的运动过程。这两个输入在节点层面均为可选，因此同一套 FL2VA 权重可同时支持纯文本驱动、仅首帧、仅尾帧，或首尾帧并用等多种工作流。

I2V 最适用于产品展示、角色连贯性呈现、受控转场及风格化动画。请将输出尺寸匹配 H3 的 768px 短边画布，保持长宽均能被 32 整除，并避免输入过小或严重压缩的源图像。请先明确描述需保持不变的内容，再说明镜头运动。

随 ComfyUI 的 MiniMax H3 I2V 模板一同分发的真实输入图像。

src=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-i2v-output-v1.mp4
poster=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-i2v-poster-v1.png
label=MiniMax H3 I2V · 官方 ComfyUI 模板输出

该源图像生成的官方 I2V 结果。请对比产品外形、材质、滚轮位置、摄像机运动路径及声音——而不仅限于首帧视觉冲击力。

如需实现相同的“输入→动态”理念，但又不想维护本地权重，请尝试 Seedance 图像转视频（Image to Video）。

MiniMax H3 参考视频（R2V）工作流配置

R2V 使用 MiniMaxH3ReferenceToVideo 节点及独立的 ref2va 扩散权重。它支持混合输入：图像、视频与音频，因此目标镜头可分别从不同来源借用角色身份、视觉风格、主体运动、摄像机运动或人声。

请按明确顺序连接参考素材，并在提示词中严格使用如下命名：<Picture 1>、<Video 1> 和 <Audio 1>。为每个参考指定唯一任务。例如：从 <Picture 1> 保留角色形象，从 <Video 1> 复用推轨运镜，从 <Audio 1> 匹配人声音色。当前 ComfyUI 工作流最多支持九张图像、三段视频及三段独立音频片段。

使用 ref_image_size=match 可加速测试；若身份保真度优先于速度，则使用 max，以在不超过 2048px 前提下保留参考图像的较短边。过多重叠参考会削弱指令遵循能力，因此请先验证双参考图效果，再逐步增加。

src=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-r2v-output-v1.mp4
poster=https://r2.seedance.tv/blog/minimax-h3-comfyui/official-r2v-poster-v1.png
label=MiniMax H3 R2V · 官方 ComfyUI 模板输出

使用分发版角色与风格参考生成的官方 R2V 模板输出。

如需托管式参考工作流，请打开 Seedance 参考视频（Reference to Video）。MiniMax H3 参考视频指南 提供更深入的提示词撰写与参考分配实操说明。

提升 MiniMax H3 输出质量的提示词撰写技巧

H3 提示词需明确使用三个字段：integrated_multimodal_description（整合式多模态描述）、overall_soundscape（整体声景）和 non_diegetic_music（非叙事性音乐）。在场景描述中，请写明分段时间码镜头、可见动作、摄像机调度及精确对白；为反复出现的说话人分配稳定 ID（如 (S1)），且仅将实际说出的词语置于 <d>[English] ...</d> 标签内。

T2VA — 较弱： 一个具有酷炫音效的电影级城市场景。

T2VA — 更优： 0–3 秒：宽幅雨中斑马线镜头，缓慢向前推轨；3–7 秒：快递员转向镜头。立体声脚步声与车流声；低频打击乐于第 4 秒起奏。

I2VA/FL2VA — 较弱： 对此图像进行戏剧化动画处理。

I2VA/FL2VA — 更优： 保持产品几何结构、滚轮、按键、透明外壳及蓝橙配色照明。执行一次缓慢的 30 度环绕运镜；不添加新文字或部件。最终帧须与所提供末帧对齐。

R2V — 较弱： 综合运用全部参考素材，制作一段动作视频。

R2V — 更优： 从 <Picture 1> 保留角色身份与服装；仅从 <Video 1> 复制摄像机运动；从 <Audio 1> 匹配人声音色。不得迁移视频中的主体或背景。

T2VA 需完整构建世界设定；I2VA 应先保护源图像，再叠加运动；FL2VA 与 L2VA 必须描述向所提供边界帧的过渡过程；R2V 则必须阐明每个参考与目标之间的关系。MiniMax H3 提示词指南 进一步展开各模式专属的提示范式。

MiniMax H3：ComfyUI 本地部署 vs. 浏览器端 AI 视频工具对比

当工作流图本身即为您的生产系统组成部分时，请选择本地 ComfyUI；当您希望使用其节点功能却不愿承担硬件负担时，请选择云托管 ComfyUI；当您希望从提示词或参考素材直接产出可用成片，且希望减少基础设施决策时，请选择 Seedance。立即在浏览器中试用 Seedance →

总结

MiniMax H3 是 ComfyUI 中最具能力的开源权重模型之一，可同步生成视频与原生音频。启动流程仅需三步：升级至 ComfyUI 0.30.0+，将扩散模型、文本编码器及两个 VAE 放入对应文件夹，随后加载匹配的 T2V、I2V 或 R2V 模板。初期测试宜从小规模开始，为每个参考明确分配任务，并在提示词验证有效后再提升分辨率；若本地下载、显存占用与节点维护成本已超出深度控制带来的收益，则基于浏览器的 Seedance 工作流将是更快抵达生产的路径。