# MiniMax H3 in ComfyUI: lokal starten — Dateien, Grafikkarte, Einstellungen

> MiniMax H3 läuft in ComfyUI 0.30 und neuer über fertige T2V-, I2V- und R2V-Vorlagen. Für den ersten Clip brauchst du etwa 42 GB: Modell, Text-Encoder Qwen3-VL-32B, zwei VAEs und eine Turbo LoRA. Eine offizielle VRAM-Untergrenze gibt es nicht; das leichteste Build wiegt 16 GB, und 2K gibt es lokal nicht — nur in der MiniMax-API.

Veröffentlicht am 2026-10-26 · Aktualisiert am 2026-10-26
URL: https://ai2face.com/de/blog/minimax-h3-comfyui

[MiniMax H3](/de/models/minimax-h3) ist ein Videomodell mit Stereoton, dessen offene Gewichte MiniMax am 3. August 2026 veröffentlicht hat. In ComfyUI läuft es nativ, ohne fremde Nodes: Vorlagen für Text zu Video (T2V), Bild zu Video (I2V) und Video aus Referenzen (R2V) liegen in der Vorlagenbibliothek. Unten steht, was du herunterlädst, wie viel das wiegt, welches Build du für deine Grafikkarte nimmst, wie du die Generierung beschleunigst und wo das Modell an Grenzen stößt. Alle Zahlen stammen aus der Dokumentation von ComfyUI und MiniMax, Stand 26. Oktober 2026.

## Was du für MiniMax H3 in ComfyUI brauchst

- **ComfyUI 0.30.0 oder neuer.** Neuere Funktionen brauchen spätere Versionen: Multiframe Reference braucht 0.34, Fun ControlNet und Sparse Attention 0.35, FastH3 0.36, das leichteste Build w6a8 0.38.
- **Eine starke Grafikkarte.** Die Beschleunigungen aus der ComfyUI-Doku (INT8, NVFP4, Sage Attention) sind auf NVIDIA ausgelegt. AMD unterstützt MiniMax nur in der Serverumgebung vLLM-Omni über ROCm. Einen VRAM-Mindestwert für ComfyUI veröffentlicht MiniMax nicht und rät, auf der eigenen Hardware zu prüfen — die Orientierungswerte stehen unten.
- **Etwa 42 GB auf der Platte** für die erste Vorlage und noch etwa 23 GB für Referenzen.

Offen sind zwei Modelle der Familie H3-Base: **FL2VA** — Video aus Text und aus erstem und letztem Frame — und **Ref2VA** — Video aus Referenzen. Das Referenzmodul H3-Context-IR und die 2K-Vergrößerung H3-Regenerate-2K sind nicht veröffentlicht und laufen nur über die MiniMax-API. Lokal liefert H3 deshalb ein Frame von etwa 1 MP: 1344×768 in 16:9, einen Clip von 5–15 Sekunden bei 24 Bildern pro Sekunde, Stereoton mit 32 kHz.

Wodurch sich H3 vom vorherigen Hailuo 2.3 unterscheidet und was es in der API kostet, steht auf der Seite [Hailuo AI](/de/models/hailuo).

## Welche Dateien von MiniMax H3 du lädst und wohin sie gehören

Am einfachsten öffnest du **Template Library → Video**, wählst eine MiniMax-H3-Vorlage und lädst die Modelle aus dem Fenster. Von Hand kommen die Dateien aus dem Repo Comfy-Org/MiniMax-H3 auf Hugging Face:

| Was | Standarddatei | Größe | Ordner |
|---|---|---|---|
| Modell T2V und I2V | `minimax_h3_fl2va_pruned_int8_convrot` | 21 GB | `models/diffusion_models/` |
| Modell R2V | `minimax_h3_ref2va_pruned_int8_convrot` | 21 GB | `models/diffusion_models/` |
| Text-Encoder Qwen3-VL-32B | `qwen3vl_32b_minimax_h3_nvfp4_awq` | 15,7 GB | `models/text_encoders/` |
| Video-VAE | `minimax_h3_video_vae_int8_convrot` | 2,8 GB | `models/vae/` |
| Audio-VAE | `minimax_h3_audio_vae_fp32` | 0,6 GB | `models/vae/` |
| Turbo LoRA für T2V und I2V | `minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16` | 2 GB | `models/loras/` |
| Turbo LoRA für R2V | `minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16` | 2 GB | `models/loras/` |

Die Turbo LoRA brauchst du auch bei ausgeschaltetem Turbo-Modus: die Vorlage prüft beim Laden, ob die Datei da ist. T2V und I2V landen bei etwa 42 GB, zusammen mit R2V bei etwa 65 GB.

```text
ComfyUI/models/
├── diffusion_models/
│   ├── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
├── text_encoders/
│   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
├── vae/
│   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   └── minimax_h3_audio_vae_fp32.safetensors
└── loras/
    ├── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
    └── minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors
```

## Welches MiniMax-H3-Build du für die Grafikkarte nimmst

Comfy rät, **das kleinste Build zu nehmen, das in den VRAM passt**: CPU-Offload kostet mehr als der Genauigkeitsverlust. Es wechselt nur die Datei im Node `UNETLoader`. Den Quantisierungstyp liest ComfyUI aus der Datei selbst.

| Build | Größe | Wann du es nimmst |
|---|---|---|
| `pruned_w6a8` | 16 GB | das leichteste, braucht ComfyUI 0.38+ |
| `pruned_int8_convrot` | 21 GB | Standard in den Vorlagen |
| `pruned_fp8_scaled` | 21 GB | dieselbe Größe wie INT8 |
| `pruned_bf16` | 40,2 GB | ohne Quantisierung; nötig für Comfy Kitchen Attention |
| `bf16` | 66,3 GB | das volle Build |

Auch der Text-Encoder hat drei Varianten: NVFP4 mit 15,7 GB (in den Vorlagen), INT8 mit 27,1 GB und bf16 mit 51,5 GB. Karten der RTX-30-Serie haben kein FP8, und INT8 ist dort etwa doppelt so schnell wie FP16 — nimm die INT8-Builds.

Offizielle Messungen genau für ComfyUI gibt es nicht. Die nächsten Werte veröffentlicht MiniMax für die Serverumgebungen SGLang und vLLM-Omni:

| Hardware | Modus | Ergebnis |
|---|---|---|
| 1 × RTX 4090, 24 GB | CPU-Offload + INT8 | Peak etwa 18 GB VRAM, die Zeit hängt vom Arbeitsspeicher ab |
| 2 × RTX 5090, 32 GB | 5 s, 1344×768, 50 Schritte | 559,67 s, Peak 26,3 GB pro Karte |
| 2 × RTX 5090, 32 GB (vLLM-Omni) | dasselbe | 8 Min. 38 s, Peak etwa 22,6 GB pro Karte |

In den ComfyUI-Vorlagen stehen standardmäßig 20 Schritte, nicht 50, deshalb wird der Clip auf denselben Karten schneller fertig. Für FastH3 hält FastVideo fertige Profile für RTX 5090 und DGX Spark bereit, standardmäßig in 480p.

## So startest du den ersten Clip

1. Aktualisiere ComfyUI und öffne die Vorlage **MiniMax H3 T2V**.
2. Lass zum Test **0,4 MP** stehen — das ist 864×480 in 16:9. So ein Entwurf rechnet schnell und zeigt, ob die Szene in die richtige Richtung geht.
3. Für den finalen Clip stellst du **0,98 MP** ein oder tippst **1344 × 768** von Hand. Stell nicht 1,0 MP ein: das ergibt 1376×768, mehr Fläche, als das Modell gesehen hat. Die Seiten sind Vielfache von 32.
4. Die Länge gibst du in Sekunden an, sie wird auf dem Raster **17k+5** nach oben gerundet: 5 Sekunden ergeben 124 Frames, etwa 5,17 s. Trainiert ist das Modell auf 5–15 Sekunden.
5. Starte mit 20 Schritten. Einfachen Szenen reichen 12–16, feinen Details wie Kettenhemd und Mustern helfen bis zu 50.

Je weiter die Auflösung von 1344×768 weg ist, desto langsamer die Generierung und desto niedriger die Qualität; darüber hinaus kommen keine Details dazu. Lange Clips in voller Auflösung stoßen zuerst an den VRAM — dann senkst du die Megapixel.

## So schreibst du Prompts für MiniMax H3

Die ComfyUI-Doku rät, den Prompt **auf Englisch** zu schreiben und die Sätze der Figuren in `<d>`-Tags mit Sprachkennzeichen: `<d>[German] …</d>`. Wer spricht und wie, steht vor dem Tag. Deutsch führt MiniMax unter 11 Sprachen mit stabiler Sprache. Beschreibe zuerst die ganze Szene, dann die Shots mit Timecodes, Kamera und Ton — in einem Block:

```text
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot of a misty mountain lake at sunrise. The camera pushes in slowly as a young woman in a red raincoat walks along the wooden pier, turns to the camera, and the calm, warm-voiced woman (S1) says: <d>[German] Guten Morgen.</d> [Shot 2] At 00:03.000, the camera cuts to a close-up of ripples spreading across the water.
overall_soundscape: Gentle water lapping against the pier, distant birds, wooden planks creaking under footsteps.
non_diegetic_music: Soft ambient piano.
```

- **Keine Negative.** H3 in ComfyUI läuft mit `cfg` 1 ohne negative Abzweigung: eine Liste „was nicht sein soll“ fügt genau diese Objekte hinzu. Schreib, was im Bild sein soll.
- **Schnitte** mit einem einzelnen Timecode, `At 00:03.500, the camera cuts to…`, nicht mit einem Bereich.
- **Text im Bild** steht wortgetreu in englischen Anführungszeichen, in der Sprache der Aufschrift.

## Video aus einem Bild und aus Referenzen

**I2V.** Die Vorlage **MiniMax H3 I2V** nimmt erstes und letztes Frame im Node `MiniMaxH3ImageToVideo`, die Bewegung entsteht dazwischen. Das erste Frame wird ohne Seitenverhältnis auf die Leinwand gestreckt, das letzte mittig beschnitten. Die Vorlage öffnet sich in 1:1 und 640×640 — stell sofort das Seitenverhältnis deines Bildes ein, sonst wird es verzerrt.

**R2V.** Die Vorlage **MiniMax H3 R2V** arbeitet nur mit dem Modell Ref2VA und nimmt bis zu 9 Bilder, 3 Videos und 3 Audios. Im Prompt heißen die Referenzen `<Picture 1>`, `<Video 1>`, `<Audio 1>` — und bei jeder sagst du, was sie vorgibt: Gesicht, Stil, Bewegung, Kamera oder Stimme.

- Eine Video-Referenz wird mit 24 Bildern pro Sekunde gelesen — andere Raten wandelst du vorher um.
- Audio überträgt die Klangfarbe der Stimme, nicht die Wörter: was gesagt wird, schreibst du in den Prompt.
- Für eine genaue Ähnlichkeit bleibst du bei 20–25 Schritten. Mit der Turbo-LoRA auf 4 Schritten greifen Referenzen kaum, Gesicht und Pose zerfließen.

## So beschleunigst du MiniMax H3

| Weg | Tempo | Nachteil |
|---|---|---|
| Turbo LoRA (`turbo_mode`) | 8 Schritte statt 20 in T2V und I2V, 4 in R2V | weichere Bewegung und weicherer Ton, schwächere Referenzen |
| FastH3 8-step V2 | 8 Schritte, eigenes destilliertes Modell | nur T2V und I2V, Schrittzahl fest, ComfyUI 0.36+ |
| Sage Attention | etwa 2× | Artefakte am Clip-Ende sind auf INT8 möglich |
| Sparse Attention `sol-attn` | weniger Rechenaufwand bei langen Clips | experimentell, ComfyUI 0.35+ |

Der Ton setzt später ein als das Bild: Sprache und Klangfarbe brauchen ab 12 Schritten, bei 8 Schritten ist meist das Audio die schwache Stelle. Eine Turbo LoRA kürzt die Schrittzahl, nicht die Zeit pro Schritt: eine 4-Schritt-LoRA auf 20 Schritten rechnet genauso lange wie die Basis.

Sage Attention installierst du als Wheel für deine PyTorch- und CUDA-Version und hängst es dann über den Node `Patch Sage Attention KJ` aus KJNodes zwischen `UNETLoader` und `BasicGuider`, oder über das Flag `--use-sage-attention`. Warnungen in der Konsole, dass ein Teil der Layer auf normales Attention zurückfällt, sind normal.

Die schnellere Version mit Referenzen, FastH3-Omni, erschien am 20. Oktober 2026 — Einzelheiten in der Meldung [FastH3-Omni: offene Gewichte von MiniMax H3](/de/news/fasth3-omni).

## So bekommst du 2K und einen Clip länger als 15 Sekunden

**Vergrößern.** Offizielles 2K gibt es lokal nicht. Die ComfyUI-Doku schlägt einen inoffiziellen Latent-Upscaler vor: die Datei `minimax_h3_latent_upscaler_3d_conv_v1_bf16` legst du nach `models/latent_upscale_models/`, den Node **Minimax H3 Latent Upscaler (3D)** setzt du hinter den Entwurf (Maßstab von 1 bis 4, Standard 2), danach läuft ein Refine-Pass in der Zielgröße mit `denoise` 0,1–0,5. Der Weg spart Zeit, nicht VRAM: der Refine-Pass rechnet in voller Größe. Der Ton ändert sich nicht, solange der Refine-Pass ihn nicht berührt.

**Länge.** Die Nodes nehmen bis zu 3.600 Frames an, trainiert ist das Modell aber auf 5–15 Sekunden. Länger geht als Kette: die Vorlage `video_minimax_h3_i2v_continuation` nimmt das letzte Frame des vorigen Stücks. Fehler sammeln sich, die Gesichtsstruktur geht zuerst verloren; schneide in kurzen Shots.

## LoRA und Feintuning von MiniMax H3

- **Stil-LoRAs** konkurrieren mit Referenzen: in R2V hältst du ihre Stärke bei etwa 0,5.
- **Pruned- und volle Builds.** Eine LoRA, die auf dem vollen Build trainiert wurde, verliert auf einem Pruned-Build einen Teil der Gewichte (adaln) — ComfyUI überspringt sie still. Turbo LoRAs laufen auf beiden.
- **Eigene LoRA.** MiniMax beschreibt das Feintuning von FL2VA in miles-diffusion, die Referenzmaschine ist aber 8 × H200, und der Encoder belegt in dieser Phase etwa 70 GB RAM. Auf einem Heimrechner wiederholst du das nicht.

## Häufige Fehler von MiniMax H3 in ComfyUI

| Symptom | Ursache und Lösung |
|---|---|
| Keine H3-Vorlagen oder -Nodes | ComfyUI ist älter als 0.30.0 — aktualisieren |
| Referenzen ändern den Clip nicht | sie hängen in einer T2V- oder I2V-Vorlage, die sie still ignoriert; du brauchst die R2V-Vorlage |
| R2V läuft nicht | geladen ist FL2VA statt Ref2VA |
| Das Bild in I2V ist gestreckt | das erste Frame wird ohne Seitenverhältnis auf die Leinwand gelegt — stell das Seitenverhältnis des Bildes ein |
| Der Clip ist etwas länger als angegeben | Rundung auf dem Raster 17k+5: 5 s = 124 Frames |
| Schwacher Ton, undeutliche Sprache | zu wenige Schritte: ab 12, Turbo auf 8 Schritten sackt ab |
| Morphing am Ende, kaputter Text mit Sage | INT8-Quantisierung von Attention; wechsle auf `pruned_bf16` und Comfy Kitchen Attention |
| Comfy Kitchen Attention startet nicht | es läuft nicht mit Builds `int8_convrot`, nur mit bf16 |
| Zu wenig VRAM | kleineres Build, 0,4 MP und 5 s, dann eine Einstellung nach der anderen hoch |

## Darfst du MiniMax H3 kommerziell nutzen?

Die Gewichte sind frei zum Herunterladen und Starten. Die kommerzielle Nutzung der Ergebnisse hängt von Land und Umsatz ab. Aus der ComfyUI-Doku:

- **Außerhalb der USA, der EU, Großbritanniens und Südkoreas bei einem Umsatz bis 20 Mio. $ im Jahr** deckt die kostenlose Community-Lizenz von MiniMax H3 die kommerzielle Nutzung ab. Nötig ist der Hinweis „Powered by MiniMax H3“, und die Gebietsregel gilt auch dafür, wo die Clips gezeigt werden.
- **In den USA, der EU, Großbritannien, Korea oder bei mehr als 20 Mio. $ Umsatz** brauchst du eine kostenpflichtige Lizenz — Professional ab 5.000 $ im Monat oder Enterprise nach Vereinbarung. Verkauft wird sie von Comfy als einzigem offiziellen Reseller.
- **In Comfy Cloud** sind die kommerziellen Rechte schon enthalten.

MiniMax warnt, dass sich die Lizenz ändern kann: rechtlich gilt der Text auf der Gewichteseite.

## Wann du MiniMax H3 besser nicht lokal installierst

Lokales H3 lohnt sich, wenn du eine starke Grafikkarte hast, Privatsphäre brauchst oder viel generierst, ohne pro Clip zu zahlen. Wenn du heute ein Ergebnis brauchst, ohne 42 GB Download und ohne Builds auszuprobieren, ist MiniMax H3 im Generator von AI2Face als [Hailuo](/de/models/hailuo) verfügbar. Du zahlst per Karte oder mit Kryptowährung. Den Preis des Clips siehst du vor dem Start, nach der Registrierung gibt es Startguthaben. Der Vergleich mit anderen Videomodellen steht im Überblick der [KI Videogeneratoren](/de/blog/nejroseti-dlya-video).

## Fazit

MiniMax H3 in ComfyUI ist der einfachste Weg zu einem offenen Videomodell mit Ton: eine Vorlage, 42 GB Dateien und 20 Schritte. Starte mit T2V bei 0,4 MP und 5 Sekunden, um zu prüfen, dass alles läuft, und heb die Auflösung dann auf 1344×768. Wenn der VRAM knapp ist, nimm `pruned_w6a8` oder INT8 und eine Turbo-LoRA für Entwürfe, für das Finale gehst du auf 20 Schritte zurück. Für Referenzen brauchst du ein eigenes Ref2VA und mehr Schritte. Für 2K und ein fertiges Ergebnis ohne eigene Grafikkarte nimmst du den Generator von AI2Face.

## Häufige Fragen

### Wie viel VRAM braucht MiniMax H3 in ComfyUI?

Ein offizielles Minimum gibt es weder bei MiniMax noch bei Comfy. Orientierung ist die Dateigröße: von 16 GB beim w6a8-Build bis 66 GB bei der vollen bf16. Nach Angaben von MiniMax läuft eine RTX 4090 mit 24 GB und CPU-Offload mit einem Peak von etwa 18 GB.

### Wie groß ist der Download von MiniMax H3?

Die Vorlage für T2V und I2V in ComfyUI lädt etwa 42 GB: Modell 21 GB, Text-Encoder 15,7 GB, zwei VAEs 3,4 GB und Turbo LoRA 2 GB. Für R2V-Referenzen kommen noch etwa 23 GB dazu.

### Was ist MiniMax H3 Turbo?

Eine LoRA, die die Generierung von 20 Schritten auf 8 in T2V und I2V oder auf 4 in R2V kürzt. Der Clip wird schneller, Bewegung und Ton werden aber weicher, und Referenzen halten schlechter.

### Kannst du mit MiniMax H3 lokal 2K machen?

Nein. Das Modul H3-Regenerate-2K ist nicht veröffentlicht, 2K gibt es nur in der MiniMax-API. Lokal ist das Modell auf ein Frame von etwa 1 MP (1344×768) ausgelegt; zum Vergrößern gibt es einen inoffiziellen Latent-Upscaler.

### Wodurch unterscheidet sich FL2VA von Ref2VA?

FL2VA ist das Modell für Video aus Text und aus erstem und letztem Frame, Ref2VA für Video aus Referenzen: Fotos, Video und Audio. Das sind verschiedene Dateien, und die R2V-Vorlage arbeitet nur mit Ref2VA.

### Darfst du Clips von MiniMax H3 kommerziell nutzen?

Das hängt von Land und Umsatz ab. Außerhalb der USA, der EU, Großbritanniens und Südkoreas deckt bei einem Umsatz bis 20 Mio. $ im Jahr die kostenlose Community-Lizenz die kommerzielle Nutzung ab, mit dem Hinweis „Powered by MiniMax H3“. Sonst brauchst du eine kostenpflichtige Lizenz.

## Quellen

- https://docs.comfy.org/tutorials/video/minimax/minimax-h3
- https://docs.comfy.org/tutorials/video/minimax/minimax-h3-native
- https://docs.comfy.org/tutorials/video/minimax/minimax-h3-fastvideo
- https://docs.comfy.org/tutorials/video/minimax/minimax-h3-prompt-guide
- https://platform.minimax.io/docs/guides/local-deploy-h3
- https://huggingface.co/MiniMaxAI/MiniMax-H3
- https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md
- https://huggingface.co/Comfy-Org/MiniMax-H3
- https://haoailab.com/blogs/fastvideo-omniref-update/