# MiniMax H3をComfyUIでローカル起動：ファイル、GPU、設定

> MiniMax H3はComfyUI 0.30以降のT2V、I2V、R2Vテンプレートで動きます。最初の動画は約42GBです。モデル、テキストエンコーダQwen3-VL-32B、VAEが2つ、Turbo LoRAです。公式のVRAM下限はなく、最軽量ビルドは16GBです。2Kはローカルになく、MiniMaxのAPIだけにあります。

公開日 2026-10-26 · 更新日 2026-10-26
URL: https://ai2face.com/ja/blog/minimax-h3-comfyui

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](/ja/models/hailuo)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。

```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
```

## 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](/ja/models/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。

```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>[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](/ja/news/fasth3-omni) 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](/ja/models/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](/ja/blog/nejroseti-dlya-video)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。

## よくある質問

### MiniMax H3をComfyUIで動かすのにVRAMはどれくらい必要ですか？

公式の下限はMiniMaxにもComfyにもありません。目安はモデルファイルの大きさで、w6a8ビルドの16GBからフルbf16の66GBまでです。MiniMaxによると、24GBのRTX 4090はCPUオフロードでピーク約18GBです。

### MiniMax H3のダウンロードはどれくらいの容量ですか？

ComfyUIのT2VとI2Vテンプレートは約42GBです。モデル21GB、テキストエンコーダ15.7GB、VAE二つで3.4GB、Turbo LoRAが2GBです。R2Vの参照を足すと、さらに約23GBです。

### MiniMax H3 Turboとは何ですか？

生成を20ステップから、T2VとI2Vでは8、R2Vでは4に縮めるLoRAです。動画は速くなりますが、動きと音は柔らかくなり、参照は弱くなります。

### MiniMax H3で2Kはローカルに作れますか？

作れません。H3-Regenerate-2Kは公開されておらず、2KはMiniMaxのAPIだけにあります。ローカルのモデルは約1MP（1344×768）向けです。拡大には非公式のlatent upscalerがあります。

### FL2VAとRef2VAの違いは何ですか？

FL2VAはテキスト、および最初と最後のフレームから動画を作るモデルです。Ref2VAは写真、動画、音声の参照から動画を作ります。別ファイルで、R2VテンプレートはRef2VAでしか動きません。

### MiniMax H3の動画は商用に使えますか？

国と売上によります。米国、EU、英国、韓国以外で年商2,000万ドル未満なら、無料のコミュニティライセンスが商用をカバーします。表記は「Powered by MiniMax H3」です。それ以外は有料ライセンスが必要です。

## 出典

- 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/