MiniMax H3をComfyUIでローカル起動：ファイル、GPU、設定

MiniMax H3はステレオ音声つきの動画モデルで、MiniMaxは2026年8月3日にオープンウェイトを公開しました。ComfyUIでは外部ノードなしでネイティブに動きます。テキストから動画（T2V）、画像から動画（I2V）、参照から動画（R2V）のテンプレートはテンプレートライブラリにあります。以下は、何をダウンロードするか、容量、GPU向けのビルド、生成の速め方、モデルが止まる境界です。数字はすべて、2026年10月26日時点のComfyUIとMiniMaxのドキュメントからです。

MiniMax H3をComfyUIで動かすために必要なもの

• ComfyUI 0.30.0以降。 新しい機能はさらに新しい版が必要です。Multiframe Referenceは0.34、Fun ControlNetとsparse attentionは0.35、FastH3は0.36、最軽量のw6a8ビルドは0.38です。
• 強いGPU。 ComfyUIのドキュメントにある加速（INT8、NVFP4、Sage Attention）はNVIDIA向けです。AMDは、サーバ環境のvLLM-OmniでROCm経由のときだけMiniMaxが対応します。ComfyUI向けのVRAM下限は公開されておらず、自分の機材で確かめるよう書かれています。目安は下にあります。
• 最初のテンプレートに約42GB、参照にもう約23GB。

H3-Baseのうち公開されているのは二つです。FL2VAはテキスト、および最初と最後のフレームからの動画、Ref2VAは参照からの動画です。参照を整えるH3-Context-IRと、2Kへの拡大H3-Regenerate-2Kは公開されておらず、MiniMaxのAPIだけです。そのためローカルのH3は約1MPです。16:9で1344×768、24fpsで5〜15秒、ステレオ32kHzです。

以前のHailuo 2.3との違いと、APIの料金はHailuo AIのページにあります。

MiniMax H3のどのファイルを、どこに置くか

いちばん簡単なのは Template Library → Video を開き、MiniMax H3のテンプレートを選んで、ウィンドウからモデルをダウンロードすることです。手で置く場合、ファイルはHugging FaceのComfy-Org/MiniMax-H3からです。

内容	既定のファイル	サイズ	フォルダ
T2VとI2Vのモデル	minimax_h3_fl2va_pruned_int8_convrot	21GB	models/diffusion_models/
R2Vのモデル	minimax_h3_ref2va_pruned_int8_convrot	21GB	models/diffusion_models/
テキストエンコーダ Qwen3-VL-32B	qwen3vl_32b_minimax_h3_nvfp4_awq	15.7GB	models/text_encoders/
動画VAE	minimax_h3_video_vae_int8_convrot	2.8GB	models/vae/
音声VAE	minimax_h3_audio_vae_fp32	0.6GB	models/vae/
T2VとI2VのTurbo LoRA	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2GB	models/loras/
R2VのTurbo LoRA	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2GB	models/loras/

ターボを切っていてもTurbo LoRAは必要です。テンプレートは読み込み時にファイルの有無を見ます。T2VとI2Vで約42GB、R2Vも合わせると約65GBです。

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

GPUに合うMiniMax H3のビルド

Comfyは VRAMに収まるいちばん小さいビルド を勧めています。CPUオフロードは、精度を落とすより高くつきます。変わるのはノード UNETLoader のファイルだけです。量子化の種類はComfyUIがファイルから読みます。

ビルド	サイズ	いつ使うか
pruned_w6a8	16GB	最軽量。ComfyUI 0.38+が必要
pruned_int8_convrot	21GB	テンプレートの既定
pruned_fp8_scaled	21GB	INT8と同じサイズ
pruned_bf16	40.2GB	量子化なし。Comfy Kitchen attentionに必要
bf16	66.3GB	フルビルド

テキストエンコーダも三つあります。NVFP4が15.7GB（テンプレート）、INT8が27.1GB、bf16が51.5GBです。RTX 30シリーズにFP8はなく、そこではINT8がFP16のおよそ2倍速いので、INT8ビルドを使います。

ComfyUIそのものの公式計測はありません。近い数字は、MiniMaxがサーバ環境のSGLangとvLLM-Omniについて出しているものです。

機材	モード	結果
1 × RTX 4090、24GB	CPUオフロード + INT8	VRAMのピーク約18GB。時間はメインメモリ次第
2 × RTX 5090、32GB	5秒、1344×768、50ステップ	559.67秒、カードあたりピーク26.3GB
2 × RTX 5090、32GB（vLLM-Omni）	同じ	8分38秒、カードあたりピーク約22.6GB

ComfyUIのテンプレートは既定が20ステップで、50ではありません。同じカードなら動画はより速く出ます。FastH3では、FastVideoがRTX 5090とDGX Spark向けのプロファイルを用意していて、既定は480pです。

最初の動画の出し方

1. ComfyUIを更新し、テンプレート MiniMax H3 T2V を開きます。
2. 試しは 0.4MP のままにします。16:9で864×480です。このドラフトは速く、場面の向きが合っているかが見えます。
3. 本番は 0.98MP にするか、1344 × 768 を手で入れます。1.0MPにはしないでください。1376×768になり、学習した面積を超えます。辺は32の倍数です。
4. 長さは秒で指定し、フレーム格子 17k+5 で切り上げられます。5秒は124フレーム、約5.17秒です。学習範囲は5〜15秒です。
5. 20ステップで実行します。単純な場面は12〜16で足ります。鎖帷子や模様のような細かいところは、50まで上げると助かります。

解像度が1344×768から離れるほど、生成は遅く、品質は下がります。それより大きくしてもディテールは増えません。フル解像度の長い動画が最初にVRAMを使い切ります。そのときはメガピクセルを下げます。

MiniMax H3のプロンプトの書き方

ComfyUIのドキュメントは、プロンプトを 英語 で書き、せりふは言語タグつきの <d> に入れるよう勧めています。<d>[Japanese] …</d> です。誰が、どう話すかはタグの前に書きます。MiniMaxは、安定した音声の11言語に日本語を入れています。まず場面全体、次にタイムコードつきのショット、カメラ、音を、一つの塊で書きます。

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>[Japanese] おはようございます。</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.

• ネガティブは使いません。 ComfyUIのH3は cfg 1で、ネガティブ分岐がありません。「いらないもの」の一覧は、その物体を足すだけです。画面に欲しいものを書いてください。
• カット は一つのタイムコードです。At 00:03.500, the camera cuts to… で、範囲にはしません。
• 画面内の文字 は、表記の言語のまま、英語の二重引用符に入れます。

画像から、および参照からの動画

I2V。 テンプレート MiniMax H3 I2V は、ノード MiniMaxH3ImageToVideo で最初と最後のフレームを受け、そのあいだに動きを作ります。最初のフレームは縦横比を保たずにキャンバスへ引き伸ばされ、最後のフレームは中央で切れます。テンプレートは1:1、640×640で開くので、すぐ自分の画像の比率にしないと歪みます。

R2V。 テンプレート MiniMax H3 R2V はRef2VAだけで動き、画像9枚、動画3本、音声3つまで受けます。プロンプトでは参照を <Picture 1>、<Video 1>、<Audio 1> と呼び、それぞれ何を決めるか書きます。顔、スタイル、動き、カメラ、声です。

• 動画参照は24fpsで読まれます。違うフレームレートは先に変換します。
• 音声が渡すのは声の音色で、言葉ではありません。何を言うかはプロンプトに書きます。
• 似せたいときは20〜25ステップです。ターボLoRAの4ステップでは参照がほとんど乗らず、顔とポーズが流れます。

MiniMax H3を速くする方法

方法	加速	失うもの
Turbo LoRA（turbo_mode）	T2VとI2Vは20ステップではなく8、R2Vは4	動きと音が柔らかく、参照が弱い
FastH3 8-step V2	8ステップ、専用の蒸留モデル	T2VとI2Vだけ。ステップ数は変えられない。ComfyUI 0.36+
Sage Attention	およそ2倍	INT8では動画の終わりにアーティファクトが出ることがある
Sparse attention sol-attn	長い動画の計算が減る	実験的。ComfyUI 0.35+

音は絵より遅れて揃います。せりふと音色には12ステップ以上が必要で、8ステップでは弱いのはたいてい音声です。Turbo LoRAが縮めるのはステップ数で、1ステップの時間ではありません。4ステップ用LoRAを20ステップで回すと、ベースと同じ時間がかかります。

Sage Attentionは、自分のPyTorchとCUDA向けのwheelで入れ、KJNodesのノード Patch Sage Attention KJ を UNETLoader と BasicGuider のあいだに置くか、フラグ --use-sage-attention を使います。一部の層が通常のattentionに戻ったというコンソール警告は正常です。

参照つきの高速版FastH3-Omniは2026年10月20日に出ました。詳細はニュース FastH3-Omni：音声と参照つきのMiniMax H3オープンウェイト にあります。

2Kと、15秒を超える動画

拡大。 公式の2Kはローカルにありません。ComfyUIのドキュメントは非公式のlatent upscalerを案内しています。ファイル minimax_h3_latent_upscaler_3d_conv_v1_bf16 を models/latent_upscale_models/ に置き、ノード Minimax H3 Latent Upscaler (3D) をドラフトのあとに置きます（倍率1〜4、既定2）。そのあと目標サイズで denoise 0.1〜0.5のリファインをかけます。これは時間を節約し、VRAMは節約しません。リファインはフルサイズで走ります。音は、リファインが音に触れない限り変わりません。

長さ。 ノードは3,600フレームまで受けますが、学習は5〜15秒です。それより長いときはつなぎます。テンプレート video_minimax_h3_i2v_continuation が前の切れ端の最後のフレームを取ります。誤差は積み、顔の質感が最初に落ちます。短いショットに切ってください。

MiniMax H3のLoRAと追加学習

• スタイルLoRA は参照と競合します。R2Vでは強さを0.5前後にします。
• Prunedとフル。 フルビルドで学習したLoRAは、prunedでは重みの一部（adaln）を失い、ComfyUIは黙って飛ばします。Turbo LoRAは両方で動きます。
• 自分のLoRA。 MiniMaxはFL2VAの追加学習をmiles-diffusionで説明していますが、基準機は8 × H200で、この段階のエンコーダは約70GBのメモリを使います。家庭のPCでは再現できません。

ComfyUIでのMiniMax H3のよくある失敗

症状	原因と対処
H3のテンプレートやノードがない	ComfyUIが0.30.0より古い。更新する
参照が動画に効かない	T2VかI2Vのテンプレートに繋がっていて、黙って無視される。R2Vテンプレートが必要
R2Vが動かない	Ref2VAではなくFL2VAが読み込まれている
I2Vの絵が引き伸ばされる	最初のフレームが比率なしでキャンバスに合わせられる。画像の比率を指定する
指定より少し長い	17k+5の格子で丸められる。5秒 = 124フレーム
音が弱く、せりふが聞き取れない	ステップが足りない。12以上が必要。8ステップのターボは落ちる
終わりがモーフィングし、Sageで文字が崩れる	attentionのINT8量子化。pruned_bf16 とComfy Kitchen attentionに切り替える
Comfy Kitchen attentionが起動しない	int8_convrot では動かず、bf16だけ
VRAM不足	より小さいビルド、0.4MPと5秒にして、設定を一つずつ上げる

MiniMax H3は商用に使えるか

ウェイトはダウンロードして実行するのが無料です。結果の商用は、国と売上によります。ComfyUIのドキュメントでは次のとおりです。

• 米国、EU、英国、韓国以外で、年商2,000万ドル未満 なら、無料のMiniMax H3コミュニティライセンスが商用をカバーします。「Powered by MiniMax H3」の表記が必要で、地域のルールは動画を見せる場所にも及びます。
• 米国、EU、英国、韓国、または年商2,000万ドル超 では有料ライセンスが必要です。Professionalは月額5,000ドルから、Enterpriseは個別です。売るのは、唯一の公式リセラーであるComfyです。
• Comfy Cloud では商用権がすでに含まれます。

MiniMaxはライセンスが変わりうると警告しています。法的に効くのは、ウェイトのページにある文面です。

MiniMax H3をローカルに置かないほうが楽なとき

ローカルのH3が合うのは、強いGPUがあるとき、プライバシーが必要なとき、1本ごとに払わず大量に生成するときです。今日結果が欲しく、42GBのダウンロードもビルド選びも避けたいなら、MiniMax H3はAI2FaceのジェネレーターにHailuoとしてあります。支払いはカードまたは暗号資産です。料金は開始前に表示され、登録後にはウェルカムクレジットが付きます。他の動画モデルとの比較は動画生成AIのまとめにあります。

結論

ComfyUIのMiniMax H3は、音のあるオープンな動画モデルへのいちばん短い道です。テンプレート、42GBのファイル、20ステップです。まずT2Vを0.4MP、5秒で動くか確かめ、そのあと解像度を1344×768まで上げます。VRAMが足りなければ pruned_w6a8 かINT8を使い、ドラフトにはターボLoRA、本番は20ステップに戻します。参照には別のRef2VAと、より多いステップが必要です。2Kと、自分のGPUなしの完成結果は、AI2Faceのジェネレーターです。