MiniMax H3 di ComfyUI: cara menjalankannya secara lokal — berkas, GPU, pengaturan

MiniMax H3 adalah model video dengan suara stereo. MiniMax merilis bobot terbukanya pada 3 Agustus 2026. Di ComfyUI model ini berjalan secara native, tanpa node pihak ketiga: template teks ke video (T2V), gambar ke video (I2V), dan video dari referensi (R2V) ada di pustaka template. Di bawah ini: apa yang diunduh, berapa ukurannya, build mana untuk GPU-mu, cara mempercepat generasi, dan di mana model ini mentok. Semua angka berasal dari dokumentasi ComfyUI dan MiniMax per 26 Oktober 2026.

Apa yang dibutuhkan untuk MiniMax H3 di ComfyUI

• ComfyUI 0.30.0 atau yang lebih baru. Fitur yang lebih baru butuh versi sesudahnya: Multiframe Reference butuh 0.34, Fun ControlNet dan sparse attention butuh 0.35, FastH3 butuh 0.36, build paling ringan w6a8 butuh 0.38.
• GPU yang kuat. Percepatan di dokumentasi ComfyUI (INT8, NVFP4, Sage Attention) ditujukan untuk NVIDIA. MiniMax hanya mendukung AMD di lingkungan server vLLM-Omni, lewat ROCm. MiniMax tidak menerbitkan VRAM minimum untuk ComfyUI dan menyarankan uji di perangkatmu sendiri — patokannya ada di bawah.
• Sekitar 42 GB di disk untuk template pertama, dan sekitar 23 GB lagi untuk referensi.

Dua model keluarga H3-Base terbuka: FL2VA — video dari teks serta dari bingkai pertama dan terakhir — dan Ref2VA — video dari referensi. Modul persiapan referensi H3-Context-IR dan pembesaran 2K H3-Regenerate-2K tidak dirilis dan hanya jalan lewat API MiniMax. Karena itu H3 lokal memberi bingkai sekitar 1 MP: 1344×768 pada 16:9, klip 5–15 detik pada 24 bingkai per detik, stereo 32 kHz.

Bedanya H3 dengan Hailuo 2.3 sebelumnya, dan berapa harganya di API, ada di halaman Hailuo AI.

Berkas MiniMax H3 yang diunduh, dan di folder mana

Jalan paling mudah: buka Template Library → Video, pilih template MiniMax H3, lalu unduh model dari jendela itu. Secara manual, berkasnya berasal dari repositori Comfy-Org/MiniMax-H3 di Hugging Face:

Apa	Berkas bawaan	Ukuran	Folder
Model T2V dan I2V	minimax_h3_fl2va_pruned_int8_convrot	21 GB	models/diffusion_models/
Model 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/
VAE video	minimax_h3_video_vae_int8_convrot	2,8 GB	models/vae/
VAE audio	minimax_h3_audio_vae_fp32	0,6 GB	models/vae/
Turbo LoRA untuk T2V dan I2V	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2 GB	models/loras/
Turbo LoRA untuk R2V	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2 GB	models/loras/

Turbo LoRA tetap diperlukan walau mode turbo mati: template memeriksa berkas itu ada saat memuat. T2V dan I2V sekitar 42 GB, bersama R2V sekitar 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

Build MiniMax H3 mana untuk GPU-mu

Comfy menyarankan mengambil build terkecil yang muat di VRAM: offload ke CPU lebih mahal daripada presisi yang hilang. Yang berganti hanya berkas di node UNETLoader. ComfyUI membaca jenis kuantisasi dari berkas itu sendiri.

Build	Ukuran	Kapan dipakai
pruned_w6a8	16 GB	paling ringan, butuh ComfyUI 0.38+
pruned_int8_convrot	21 GB	bawaan di template
pruned_fp8_scaled	21 GB	ukuran sama dengan INT8
pruned_bf16	40,2 GB	tanpa kuantisasi; diperlukan untuk Comfy Kitchen attention
bf16	66,3 GB	build penuh

Text encoder juga punya tiga pilihan: NVFP4 15,7 GB (di template), INT8 27,1 GB, dan bf16 51,5 GB. Kartu RTX seri 30 tidak punya FP8, dan di sana INT8 kira-kira dua kali lebih cepat daripada FP16 — pakai build INT8.

Tidak ada pengukuran resmi khusus untuk ComfyUI. Angka terdekat yang MiniMax terbitkan adalah untuk lingkungan server SGLang dan vLLM-Omni:

Perangkat	Mode	Hasil
1 × RTX 4090, 24 GB	offload ke CPU + INT8	puncak sekitar 18 GB VRAM, waktu bergantung pada RAM
2 × RTX 5090, 32 GB	5 dtk, 1344×768, 50 langkah	559,67 dtk, puncak 26,3 GB per kartu
2 × RTX 5090, 32 GB (vLLM-Omni)	sama	8 mnt 38 dtk, puncak sekitar 22,6 GB per kartu

Template ComfyUI bawaan memakai 20 langkah, bukan 50, jadi di kartu yang sama klip selesai lebih cepat. Untuk FastH3, FastVideo menyiapkan profil untuk RTX 5090 dan DGX Spark, bawaan 480p.

Cara menjalankan klip pertama

1. Perbarui ComfyUI dan buka template MiniMax H3 T2V.
2. Biarkan 0,4 MP untuk uji coba — itu 864×480 pada 16:9. Render draf seperti ini cepat dan menunjukkan apakah adegan bergerak ke arah yang benar.
3. Untuk klip akhir, atur 0,98 MP atau ketik 1344 × 768 sendiri. Jangan atur 1,0 MP: hasilnya 1376×768, lebih luas daripada area pelatihan model. Sisi-sisinya kelipatan 32.
4. Durasi diisi dalam detik dan dibulatkan ke atas pada kisi 17k+5: 5 detik menghasilkan 124 bingkai, sekitar 5,17 dtk. Model dilatih pada 5–15 detik.
5. Jalankan pada 20 langkah. Adegan sederhana cukup 12–16. Detail halus seperti zirah rantai dan pola terbantu sampai 50.

Makin jauh resolusi dari 1344×768, makin lambat generasi dan makin rendah kualitasnya; di atas ukuran itu detail tidak bertambah. Klip panjang pada resolusi penuh yang pertama kehabisan VRAM — turunkan megapikselnya.

Cara menulis prompt untuk MiniMax H3

Dokumentasi ComfyUI menyarankan menulis prompt dalam bahasa Inggris, dan dialog tokoh di dalam tag <d> dengan tag bahasa: <d>[Indonesian] …</d>. Siapa yang bicara, dan bagaimana, ditulis sebelum tag. Bahasa Indonesia tidak masuk 11 bahasa dengan ucapan yang stabil, dan dukungan untuk bahasa lain berbeda-beda. Jelaskan seluruh adegan dulu, lalu shot dengan timecode, kamera, dan suara — dalam satu blok:

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>[Indonesian] Selamat pagi.</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.

• Tanpa negatif. H3 di ComfyUI berjalan dengan cfg 1 tanpa cabang negatif: daftar «yang tidak diinginkan» justru menambahkan objek itu. Tulis apa yang harus ada di bingkai.
• Cut memakai satu timecode, At 00:03.500, the camera cuts to…, bukan rentang.
• Teks di layar ditulis apa adanya di dalam tanda kutip ganda bahasa Inggris, dalam bahasa tulisan itu.

Video dari gambar dan dari referensi

I2V. Template MiniMax H3 I2V menerima bingkai pertama dan terakhir di node MiniMaxH3ImageToVideo, dan gerak dibangun di antaranya. Bingkai pertama diregangkan ke kanvas tanpa menjaga rasio, bingkai terakhir dipotong di tengah. Template terbuka pada 1:1 dan 640×640 — langsung atur rasio gambarmu, kalau tidak gambarnya melar.

R2V. Template MiniMax H3 R2V hanya bekerja dengan model Ref2VA dan menerima hingga 9 gambar, 3 video, dan 3 audio. Di prompt, referensi disebut <Picture 1>, <Video 1>, <Audio 1> — dan untuk masing-masing sebutkan apa yang dikunci: wajah, gaya, gerak, kamera, atau suara.

• Referensi video dibaca pada 24 bingkai per detik — konversi dulu laju yang lain.
• Audio membawa warna suara, bukan kata-katanya: apa yang diucapkan ditulis di prompt.
• Untuk kemiripan yang ketat, tahan 20–25 langkah. Dengan turbo LoRA pada 4 langkah, referensi hampir tidak diterapkan, wajah dan pose melayang.

Cara mempercepat MiniMax H3

Cara	Percepatan	Kompromi
Turbo LoRA (turbo_mode)	8 langkah, bukan 20, di T2V dan I2V; 4 di R2V	gerak dan suara lebih lembut, referensi lebih lemah
FastH3 8-step V2	8 langkah, model distilasi sendiri	hanya T2V dan I2V, jumlah langkah tidak bisa diubah, ComfyUI 0.36+
Sage Attention	sekitar 2×	artefak mungkin muncul di akhir klip pada INT8
Sparse attention sol-attn	komputasi lebih ringan pada klip panjang	eksperimental, ComfyUI 0.35+

Suara mengunci lebih lambat daripada gambar: ucapan dan warna suara butuh mulai 12 langkah, dan pada 8 langkah audio biasanya titik lemahnya. Turbo LoRA memotong jumlah langkah, bukan waktu per langkah: LoRA 4 langkah yang dijalankan pada 20 langkah memakan waktu yang sama dengan model dasar.

Sage Attention dipasang sebagai wheel untuk versi PyTorch dan CUDA-mu, lalu disambungkan lewat node Patch Sage Attention KJ dari KJNodes, di antara UNETLoader dan BasicGuider, atau lewat flag --use-sage-attention. Peringatan di konsol bahwa sebagian layer kembali ke attention biasa adalah hal yang normal.

Versi lebih cepat dengan referensi, FastH3-Omni, terbit pada 20 Oktober 2026 — detailnya ada di berita FastH3-Omni: bobot terbuka MiniMax H3.

Cara mendapat 2K dan klip lebih panjang dari 15 detik

Perbesaran. 2K resmi tidak tersedia secara lokal. Dokumentasi ComfyUI menyarankan latent upscaler tidak resmi: berkas minimax_h3_latent_upscaler_3d_conv_v1_bf16 diletakkan di models/latent_upscale_models/, node Minimax H3 Latent Upscaler (3D) dipasang setelah render draf (skala 1 sampai 4, bawaan 2), lalu refine pass dijalankan pada ukuran target dengan denoise 0,1–0,5. Jalan ini menghemat waktu, bukan VRAM: refine pass berjalan pada ukuran penuh. Suara tidak berubah selama refine pass tidak menyentuhnya.

Durasi. Node menerima hingga 3.600 bingkai, tetapi model dilatih pada 5–15 detik. Lebih panjang dibuat berantai: template video_minimax_h3_i2v_continuation mengambil bingkai terakhir potongan sebelumnya. Galat menumpuk, tekstur wajah yang pertama hilang; potong dalam shot pendek.

LoRA dan fine-tuning MiniMax H3

• LoRA gaya bersaing dengan referensi: di R2V, tahan kekuatannya di sekitar 0,5.
• Build pruned dan penuh. LoRA yang dilatih pada build penuh kehilangan sebagian bobot (adaln) pada build pruned — ComfyUI melewatkannya diam-diam. Turbo LoRA bekerja pada keduanya.
• LoRA sendiri. MiniMax menjelaskan fine-tuning FL2VA di miles-diffusion, tetapi mesin acuannya 8 × H200, dan encoder pada tahap itu memakai sekitar 70 GB RAM. Di komputer rumah ini tidak bisa diulang.

Kesalahan umum MiniMax H3 di ComfyUI

Gejala	Sebab dan perbaikan
Tidak ada template atau node H3	ComfyUI lebih lama dari 0.30.0 — perbarui
Referensi tidak memengaruhi klip	tersambung di template T2V atau I2V, yang mengabaikannya diam-diam; yang dibutuhkan template R2V
R2V tidak jalan	yang termuat FL2VA, bukan Ref2VA
Gambar I2V melar	bingkai pertama disesuaikan ke kanvas tanpa rasio — atur rasio gambar
Klip sedikit lebih panjang dari yang diatur	pembulatan kisi 17k+5: 5 dtk = 124 bingkai
Suara lemah, ucapan tidak jelas	langkah terlalu sedikit: butuh 12 atau lebih; turbo pada 8 langkah melemah
Morphing di akhir, teks rusak dengan Sage	kuantisasi INT8 pada attention; pindah ke pruned_bf16 dan Comfy Kitchen attention
Comfy Kitchen attention tidak mulai	tidak bekerja dengan build int8_convrot, hanya dengan bf16
VRAM habis	build lebih kecil, 0,4 MP dan 5 dtk, lalu naikkan satu pengaturan setiap kali

Bisakah MiniMax H3 dipakai secara komersial?

Bobotnya gratis untuk diunduh dan dijalankan. Pemakaian komersial hasilnya bergantung pada negara dan pendapatan. Dari dokumentasi ComfyUI:

• Di luar AS, UE, Inggris, dan Korea Selatan, dengan pendapatan di bawah $20 juta per tahun, pemakaian komersial tercakup lisensi komunitas gratis MiniMax H3. Perlu keterangan «Powered by MiniMax H3», dan aturan wilayah juga mencakup tempat klip ditayangkan.
• Di AS, UE, Inggris, Korea, atau dengan pendapatan di atas $20 juta, lisensi berbayar wajib — Professional mulai $5.000 per bulan, atau Enterprise sesuai kesepakatan. Yang menjualnya Comfy, sebagai pengecer resmi satu-satunya.
• Di Comfy Cloud, hak komersial sudah termasuk.

MiniMax memperingatkan bahwa lisensi bisa berubah: yang berkekuatan hukum adalah teks di halaman bobot.

Kapan lebih mudah tidak memasang MiniMax H3 secara lokal

H3 lokal masuk akal jika kamu punya GPU kuat, butuh privasi, atau menghasilkan banyak klip tanpa bayar per klip. Jika hasilnya dibutuhkan hari ini, tanpa unduhan 42 GB dan tanpa memilih build, MiniMax H3 tersedia di generator AI2Face sebagai Hailuo. Pembayarannya dengan kartu atau mata uang kripto. Harga klip terlihat sebelum dimulai, dan setelah mendaftar kamu mendapat kredit sambutan. Perbandingan dengan model video lain ada di ulasan generator video AI.

Kesimpulan

MiniMax H3 di ComfyUI adalah jalan paling sederhana ke model video terbuka yang bersuara: satu template, 42 GB berkas, dan 20 langkah. Mulai dari T2V pada 0,4 MP dan 5 detik untuk memastikan semuanya jalan, lalu naikkan resolusi ke 1344×768. Jika VRAM terbatas, ambil pruned_w6a8 atau INT8 dan turbo LoRA untuk render draf; untuk hasil akhir, kembali ke 20 langkah. Referensi butuh Ref2VA terpisah dan lebih banyak langkah. Untuk 2K, dan untuk hasil jadi tanpa GPU sendiri, pakai generator AI2Face.