MiniMax H3 en ComfyUI: cómo ejecutarlo en local — archivos, GPU, ajustes

MiniMax H3 es un modelo de vídeo con sonido estéreo. MiniMax publicó los pesos abiertos el 3 de agosto de 2026. En ComfyUI funciona de forma nativa, sin nodos de terceros: las plantillas de texto a vídeo (T2V), imagen a vídeo (I2V) y vídeo por referencias (R2V) están en la biblioteca de plantillas. Abajo: qué descargar, cuánto pesa, qué build elegir para tu GPU, cómo acelerar la generación y dónde el modelo se topa con sus límites. Todas las cifras salen de la documentación de ComfyUI y MiniMax a 26 de octubre de 2026.

Qué necesitas para MiniMax H3 en ComfyUI

• ComfyUI 0.30.0 o más nuevo. Las funciones recientes piden versiones posteriores: Multiframe Reference necesita 0.34, Fun ControlNet y sparse attention 0.35, FastH3 0.36, y el build más ligero w6a8 necesita 0.38.
• Una GPU potente. Las aceleraciones de la documentación de ComfyUI (INT8, NVFP4, Sage Attention) están pensadas para NVIDIA. MiniMax solo admite AMD en el entorno de servidor vLLM-Omni, a través de ROCm. MiniMax no publica una VRAM mínima para ComfyUI y aconseja probar en tu propio hardware: las referencias están más abajo.
• Unos 42 GB de disco para la primera plantilla y unos 23 GB más para las referencias.

Hay dos modelos abiertos de la familia H3-Base: FL2VA, vídeo a partir de texto y de un primer y último fotograma, y Ref2VA, vídeo a partir de referencias. El módulo de preparación de referencias H3-Context-IR y el aumento a 2K H3-Regenerate-2K no están publicados y solo funcionan por la API de MiniMax. Por eso el H3 local da un fotograma de cerca de 1 MP: 1344×768 en 16:9, un clip de 5 a 15 segundos a 24 fotogramas por segundo y estéreo a 32 kHz.

En qué se diferencia H3 del Hailuo 2.3 anterior, y cuánto cuesta en la API, está en la página de Hailuo AI.

Qué archivos de MiniMax H3 descargar y dónde ponerlos

Lo más fácil es abrir Template Library → Video, elegir una plantilla de MiniMax H3 y descargar los modelos desde la ventana. A mano, los archivos salen del repositorio Comfy-Org/MiniMax-H3 en Hugging Face:

Qué	Archivo por defecto	Tamaño	Carpeta
Modelo T2V e I2V	minimax_h3_fl2va_pruned_int8_convrot	21 GB	models/diffusion_models/
Modelo R2V	minimax_h3_ref2va_pruned_int8_convrot	21 GB	models/diffusion_models/
Codificador de texto Qwen3-VL-32B	qwen3vl_32b_minimax_h3_nvfp4_awq	15,7 GB	models/text_encoders/
VAE de vídeo	minimax_h3_video_vae_int8_convrot	2,8 GB	models/vae/
VAE de audio	minimax_h3_audio_vae_fp32	0,6 GB	models/vae/
Turbo LoRA para T2V e I2V	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2 GB	models/loras/
Turbo LoRA para R2V	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2 GB	models/loras/

La Turbo LoRA hace falta aunque el modo turbo esté apagado: la plantilla comprueba que el archivo está al cargar. T2V e I2V quedan en unos 42 GB, y con R2V en unos 65 GB.

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

Qué build de MiniMax H3 elegir para la GPU

Comfy aconseja coger el build más pequeño que quepa en la VRAM: la descarga a la CPU sale más cara que la precisión que pierdes. Solo cambia el archivo del nodo UNETLoader. ComfyUI lee el tipo de cuantización del propio archivo.

Build	Tamaño	Cuándo usarlo
pruned_w6a8	16 GB	el más ligero; hace falta ComfyUI 0.38+
pruned_int8_convrot	21 GB	el predeterminado de las plantillas
pruned_fp8_scaled	21 GB	el mismo tamaño que INT8
pruned_bf16	40,2 GB	sin cuantización; necesario para Comfy Kitchen attention
bf16	66,3 GB	el build completo

El codificador de texto también tiene tres variantes: NVFP4 de 15,7 GB (en las plantillas), INT8 de 27,1 GB y bf16 de 51,5 GB. Las tarjetas RTX de la serie 30 no tienen FP8, y allí INT8 es unas dos veces más rápido que FP16: usa los builds INT8.

No hay mediciones oficiales solo para ComfyUI. Las cifras más cercanas que publica MiniMax son de sus entornos de servidor SGLang y vLLM-Omni:

Hardware	Modo	Resultado
1 × RTX 4090, 24 GB	descarga a la CPU + INT8	pico de unos 18 GB de VRAM; el tiempo depende de la RAM
2 × RTX 5090, 32 GB	5 s, 1344×768, 50 pasos	559,67 s, pico de 26,3 GB por tarjeta
2 × RTX 5090, 32 GB (vLLM-Omni)	lo mismo	8 min 38 s, pico de unos 22,6 GB por tarjeta

Las plantillas de ComfyUI van a 20 pasos por defecto, no a 50, así que en las mismas tarjetas el clip sale antes. Para FastH3, FastVideo trae perfiles listos para la RTX 5090 y DGX Spark, a 480p por defecto.

Cómo lanzar el primer clip

1. Actualiza ComfyUI y abre la plantilla MiniMax H3 T2V.
2. Deja 0,4 MP para la prueba: es 864×480 en 16:9. Un borrador así se calcula rápido y enseña si la escena va por donde quieres.
3. Para el clip final, pon 0,98 MP o escribe 1344 × 768 a mano. No pongas 1,0 MP: da 1376×768, más superficie de la que vio el modelo en el entrenamiento. Los lados son múltiplos de 32.
4. La duración se pone en segundos y se redondea hacia arriba en la rejilla 17k+5: 5 segundos dan 124 fotogramas, unos 5,17 s. El modelo se entrenó con 5 a 15 segundos.
5. Lánzalo a 20 pasos. A las escenas simples les bastan 12–16. El detalle fino, como la cota de malla y los dibujos, gana con hasta 50.

Cuanto más se aleja la resolución de 1344×768, más lenta es la generación y más baja la calidad; por encima de eso no se añade detalle. Los clips largos a resolución completa se topan antes con la VRAM: entonces baja los megapíxeles.

Cómo escribir prompts para MiniMax H3

La documentación de ComfyUI aconseja escribir el prompt en inglés, y las réplicas de los personajes dentro de etiquetas <d> con una marca de idioma: <d>[Spanish] …</d>. Quién habla, y cómo, va antes de la etiqueta. MiniMax incluye el español entre 11 idiomas de habla estable. Describe primero la escena entera, luego los planos con códigos de tiempo, la cámara y el sonido, en un solo bloque:

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>[Spanish] Buenos días.</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.

• Sin negativos. H3 en ComfyUI funciona con cfg 1 y sin rama negativa: una lista de «lo que no quieres» solo añade esos objetos. Escribe lo que debe estar en el fotograma.
• Los cortes van con un solo código de tiempo, At 00:03.500, the camera cuts to…, no con un rango.
• El texto en pantalla va entre comillas dobles inglesas, tal cual, en el idioma del rótulo.

Vídeo a partir de una imagen y por referencias

I2V. La plantilla MiniMax H3 I2V toma el primer y el último fotograma en el nodo MiniMaxH3ImageToVideo, y el movimiento se construye entre ambos. El primer fotograma se estira al lienzo sin conservar la proporción, y el último se recorta por el centro. La plantilla se abre en 1:1 y 640×640: pon enseguida la proporción de tu imagen, o se deformará.

R2V. La plantilla MiniMax H3 R2V solo funciona con el modelo Ref2VA y acepta hasta 9 imágenes, 3 vídeos y 3 audios. En el prompt las referencias se llaman <Picture 1>, <Video 1>, <Audio 1>, y de cada una conviene decir qué fija: cara, estilo, movimiento, cámara o voz.

• Una referencia de vídeo se lee a 24 fotogramas por segundo: convierte antes las otras tasas.
• El audio lleva el timbre de la voz, no las palabras: lo que hay que decir se escribe en el prompt.
• Para un parecido fiel, mantén 20–25 pasos. Con la turbo LoRA a 4 pasos las referencias casi no se aplican, y la cara y la pose se desdibujan.

Cómo acelerar MiniMax H3

Método	Aceleración	Contrapartida
Turbo LoRA (turbo_mode)	8 pasos en vez de 20 en T2V e I2V, 4 en R2V	movimiento y sonido más suaves, referencias más débiles
FastH3 8-step V2	8 pasos, su propio modelo destilado	solo T2V e I2V, los pasos no se cambian, ComfyUI 0.36+
Sage Attention	unas 2×	puede haber artefactos al final del clip en INT8
Sparse attention sol-attn	menos cómputo en clips largos	experimental, ComfyUI 0.35+

El sonido se asienta más tarde que la imagen: el habla y el timbre necesitan desde 12 pasos, y a 8 pasos el audio suele ser el punto débil. Una Turbo LoRA recorta el número de pasos, no el tiempo de cada paso: una LoRA de 4 pasos ejecutada a 20 tarda lo mismo que la base.

Sage Attention se instala como wheel para tu versión de PyTorch y CUDA, y luego se conecta con el nodo Patch Sage Attention KJ de KJNodes, entre UNETLoader y BasicGuider, o con la bandera --use-sage-attention. Los avisos de consola de que parte de las capas vuelve a la atención normal son normales.

La versión acelerada con referencias, FastH3-Omni, salió el 20 de octubre de 2026. El detalle está en la noticia FastH3-Omni: pesos abiertos de MiniMax H3.

Cómo conseguir 2K y un clip de más de 15 segundos

Ampliación. El 2K oficial no está disponible en local. La documentación de ComfyUI propone un latent upscaler no oficial: el archivo minimax_h3_latent_upscaler_3d_conv_v1_bf16 va en models/latent_upscale_models/, el nodo Minimax H3 Latent Upscaler (3D) se coloca después del borrador (escala de 1 a 4, 2 por defecto) y luego un pase de refine corre al tamaño final con denoise 0,1–0,5. Ese camino ahorra tiempo, no VRAM: el refine corre a tamaño completo. El sonido no cambia mientras el refine no lo toque.

Duración. Los nodos aceptan hasta 3.600 fotogramas, pero el modelo se entrenó con 5 a 15 segundos. Más largo se hace en cadena: la plantilla video_minimax_h3_i2v_continuation toma el último fotograma del trozo anterior. Los errores se acumulan y la textura de la cara se va primero; corta en planos cortos.

LoRA y ajuste fino de MiniMax H3

• Las LoRA de estilo compiten con las referencias: en R2V, deja su fuerza en torno a 0,5.
• Builds pruned y completos. Una LoRA entrenada en el build completo pierde parte de los pesos (adaln) en un build pruned: ComfyUI los salta en silencio. Las Turbo LoRA funcionan en ambos.
• Tu propia LoRA. MiniMax describe el ajuste de FL2VA en miles-diffusion, pero la máquina de referencia es 8 × H200, y el codificador ocupa unos 70 GB de RAM en esa fase. En un ordenador de casa no se puede repetir.

Errores frecuentes de MiniMax H3 en ComfyUI

Síntoma	Causa y arreglo
No hay plantillas ni nodos H3	ComfyUI es anterior a 0.30.0: actualízalo
Las referencias no afectan al clip	están conectadas en una plantilla T2V o I2V, que las ignora en silencio; hace falta la plantilla R2V
R2V no funciona	está cargado FL2VA en lugar de Ref2VA
La imagen de I2V sale estirada	el primer fotograma se ajusta al lienzo sin proporción: pon la proporción de la imagen
El clip dura un poco más de lo indicado	redondeo de la rejilla 17k+5: 5 s = 124 fotogramas
Sonido flojo, habla poco clara	pocos pasos: hacen falta 12 o más; el turbo a 8 pasos se queda corto
Morphing al final, texto roto con Sage	cuantización INT8 de la atención; pasa a pruned_bf16 y a Comfy Kitchen attention
Comfy Kitchen attention no arranca	no funciona con builds int8_convrot, solo con bf16
Falta de VRAM	un build más pequeño, 0,4 MP y 5 s, y luego sube un ajuste cada vez

¿Se puede usar MiniMax H3 en un uso comercial?

Los pesos son gratis para descargar y ejecutar. El uso comercial de los resultados depende del país y de los ingresos. Según la documentación de ComfyUI:

• Fuera de EE. UU., la UE, el Reino Unido y Corea del Sur, con ingresos de menos de 20 millones de dólares al año, el uso comercial lo cubre la licencia comunitaria gratuita de MiniMax H3. Hace falta la mención «Powered by MiniMax H3», y la regla de territorio también cubre dónde se muestran los clips.
• En EE. UU., la UE, el Reino Unido, Corea, o con ingresos de más de 20 millones de dólares, hace falta una licencia de pago: Professional desde 5.000 $ al mes, o Enterprise por acuerdo. La vende Comfy como único revendedor oficial.
• En Comfy Cloud, los derechos comerciales ya van incluidos.

MiniMax advierte de que la licencia puede cambiar: lo que tiene fuerza legal es el texto de la página de los pesos.

Cuándo es más fácil no instalar MiniMax H3 en local

El H3 local compensa si tienes una GPU potente, necesitas privacidad o generas mucho sin pagar por clip. Si necesitas un resultado hoy, sin descargar 42 GB ni elegir builds, MiniMax H3 está en el generador de AI2Face como Hailuo. Pagas con tarjeta o con criptomoneda. El precio del clip se ve antes de lanzarlo, y al registrarte recibes créditos de bienvenida. La comparación con otros modelos de vídeo está en la guía de generadores de vídeo IA.

Conclusiones

MiniMax H3 en ComfyUI es el camino más simple hacia un modelo de vídeo abierto con sonido: una plantilla, 42 GB de archivos y 20 pasos. Empieza con T2V a 0,4 MP y 5 segundos para comprobar que todo funciona, y luego sube la resolución a 1344×768. Si la VRAM va justa, toma pruned_w6a8 o INT8 y una turbo LoRA para los borradores; para el final, vuelve a 20 pasos. Las referencias piden un Ref2VA aparte y más pasos. Para 2K, y para un resultado listo sin tu propia GPU, usa el generador de AI2Face.