MiniMax H3 no ComfyUI: como rodar localmente — arquivos, GPU, ajustes

MiniMax H3 é um modelo de vídeo com som estéreo. A MiniMax publicou os pesos abertos em 3 de agosto de 2026. No ComfyUI ele roda de forma nativa, sem nós de terceiros: os templates de texto para vídeo (T2V), imagem para vídeo (I2V) e vídeo por referências (R2V) ficam na biblioteca de templates. Abaixo: o que baixar, quanto pesa, qual build escolher para a sua GPU, como acelerar a geração e onde o modelo esbarra nos limites. Todos os números vêm da documentação do ComfyUI e da MiniMax em 26 de outubro de 2026.

O que você precisa para o MiniMax H3 no ComfyUI

• ComfyUI 0.30.0 ou mais novo. Funções mais recentes pedem versões posteriores: Multiframe Reference precisa de 0.34, Fun ControlNet e sparse attention de 0.35, FastH3 de 0.36, e o build mais leve w6a8 de 0.38.
• Uma GPU forte. As acelerações da documentação do ComfyUI (INT8, NVFP4, Sage Attention) miram a NVIDIA. A MiniMax só aceita AMD no ambiente de servidor vLLM-Omni, via ROCm. A MiniMax não publica uma VRAM mínima para o ComfyUI e recomenda testar no seu hardware — as referências estão mais abaixo.
• Cerca de 42 GB em disco para o primeiro template e cerca de mais 23 GB para as referências.

Dois modelos da família H3-Base estão abertos: FL2VA, vídeo a partir de texto e de um primeiro e último quadro, e Ref2VA, vídeo a partir de referências. O módulo de preparação de referências H3-Context-IR e o aumento para 2K H3-Regenerate-2K não foram publicados e só funcionam pela API da MiniMax. Por isso o H3 local entrega um quadro de cerca de 1 MP: 1344×768 em 16:9, um clipe de 5 a 15 segundos a 24 quadros por segundo e estéreo a 32 kHz.

Como o H3 difere do Hailuo 2.3 anterior, e quanto custa na API, está na página do Hailuo AI.

Quais arquivos do MiniMax H3 baixar e onde colocar

O caminho mais simples é abrir Template Library → Video, escolher um template do MiniMax H3 e baixar os modelos pela janela. Na mão, os arquivos vêm do repositório Comfy-Org/MiniMax-H3 no Hugging Face:

O quê	Arquivo padrão	Tamanho	Pasta
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 áudio	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/

A Turbo LoRA é necessária mesmo com o modo turbo desligado: o template confere se o arquivo está lá ao carregar. T2V e I2V ficam em cerca de 42 GB, e com R2V em cerca de 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

Qual build do MiniMax H3 escolher para a GPU

A Comfy recomenda pegar o menor build que caiba na VRAM: offload para a CPU custa mais do que a precisão que você abre mão. Só muda o arquivo no nó UNETLoader. O ComfyUI lê o tipo de quantização do próprio arquivo.

Build	Tamanho	Quando usar
pruned_w6a8	16 GB	o mais leve; precisa do ComfyUI 0.38+
pruned_int8_convrot	21 GB	o padrão dos templates
pruned_fp8_scaled	21 GB	o mesmo tamanho do INT8
pruned_bf16	40,2 GB	sem quantização; necessário para Comfy Kitchen attention
bf16	66,3 GB	o build completo

O codificador de texto também tem três variantes: NVFP4 de 15,7 GB (nos templates), INT8 de 27,1 GB e bf16 de 51,5 GB. Placas RTX da série 30 não têm FP8, e nelas o INT8 é cerca de duas vezes mais rápido que o FP16 — use os builds INT8.

Não há medições oficiais só para o ComfyUI. Os números mais próximos que a MiniMax publica são dos ambientes de servidor SGLang e vLLM-Omni:

Hardware	Modo	Resultado
1 × RTX 4090, 24 GB	offload para a CPU + INT8	pico de cerca de 18 GB de VRAM; o tempo depende da RAM
2 × RTX 5090, 32 GB	5 s, 1344×768, 50 passos	559,67 s, pico de 26,3 GB por placa
2 × RTX 5090, 32 GB (vLLM-Omni)	o mesmo	8 min 38 s, pico de cerca de 22,6 GB por placa

Os templates do ComfyUI usam 20 passos por padrão, não 50, então nas mesmas placas o clipe sai mais rápido. Para o FastH3, a FastVideo traz perfis prontos para a RTX 5090 e o DGX Spark, em 480p por padrão.

Como rodar o primeiro clipe

1. Atualize o ComfyUI e abra o template MiniMax H3 T2V.
2. Deixe 0,4 MP para o teste — isso é 864×480 em 16:9. Um rascunho assim calcula rápido e mostra se a cena está indo para o lado certo.
3. Para o clipe final, coloque 0,98 MP ou digite 1344 × 768 na mão. Não coloque 1,0 MP: isso dá 1376×768, mais área do que a usada no treino do modelo. Os lados são múltiplos de 32.
4. A duração entra em segundos e arredonda para cima na grade 17k+5: 5 segundos dão 124 quadros, cerca de 5,17 s. O modelo foi treinado em 5 a 15 segundos.
5. Rode com 20 passos. Cenas simples ficam bem com 12–16. Detalhe fino, como cota de malha e padrões, ganha com até 50.

Quanto mais a resolução se afasta de 1344×768, mais lenta fica a geração e mais baixa a qualidade; acima disso não entra detalhe. Clipes longos em resolução cheia batem na VRAM primeiro — aí você baixa os megapixels.

Como escrever prompts para o MiniMax H3

A documentação do ComfyUI recomenda escrever o prompt em inglês, e as falas dos personagens dentro de tags <d> com uma marca de idioma: <d>[Portuguese] …</d>. Quem fala, e como, vai antes da tag. A MiniMax inclui o português entre 11 idiomas de fala estável. Descreva a cena inteira primeiro, depois os planos com timecodes, a câmera e o som — num bloco só:

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>[Portuguese] Bom dia.</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.

• Sem negativos. O H3 no ComfyUI roda com cfg 1 e sem ramo negativo: uma lista do «que não deve aparecer» só acrescenta esses objetos. Escreva o que deve estar no quadro.
• Os cortes usam um timecode só, At 00:03.500, the camera cuts to…, não um intervalo.
• Texto na tela vai entre aspas duplas inglesas, palavra por palavra, no idioma da inscrição.

Vídeo a partir de uma imagem e por referências

I2V. O template MiniMax H3 I2V recebe o primeiro e o último quadro no nó MiniMaxH3ImageToVideo, e o movimento é construído entre eles. O primeiro quadro é esticado na tela sem manter a proporção, e o último é recortado pelo centro. O template abre em 1:1 e 640×640 — ajuste logo a proporção da sua imagem, senão ela distorce.

R2V. O template MiniMax H3 R2V só funciona com o modelo Ref2VA e aceita até 9 imagens, 3 vídeos e 3 áudios. No prompt, as referências se chamam <Picture 1>, <Video 1>, <Audio 1> — e para cada uma diga o que ela define: rosto, estilo, movimento, câmera ou voz.

• Uma referência de vídeo é lida a 24 quadros por segundo — converta outras taxas antes.
• O áudio leva o timbre da voz, não as palavras: o que deve ser dito vai no prompt.
• Para uma semelhança fiel, fique em 20–25 passos. Com a turbo LoRA em 4 passos, as referências quase não se aplicam, e o rosto e a pose escorrem.

Como acelerar o MiniMax H3

Método	Ganho	Contrapartida
Turbo LoRA (turbo_mode)	8 passos em vez de 20 em T2V e I2V, 4 em R2V	movimento e som mais suaves, referências mais fracas
FastH3 8-step V2	8 passos, um modelo destilado próprio	só T2V e I2V, a contagem de passos é fixa, ComfyUI 0.36+
Sage Attention	cerca de 2×	artefatos são possíveis no fim do clipe em INT8
Sparse attention sol-attn	menos cálculo em clipes longos	experimental, ComfyUI 0.35+

O som firma depois da imagem: fala e timbre pedem a partir de 12 passos, e em 8 passos o áudio costuma ser o ponto fraco. Uma Turbo LoRA corta a contagem de passos, não o tempo de cada passo: uma LoRA de 4 passos rodada em 20 demora o mesmo que a base.

O Sage Attention se instala como wheel da sua versão de PyTorch e CUDA, e depois entra pelo nó Patch Sage Attention KJ do KJNodes, entre UNETLoader e BasicGuider, ou pela flag --use-sage-attention. Avisos no console de que parte das camadas volta para a attention comum são normais.

A versão mais rápida com referências, FastH3-Omni, saiu em 20 de outubro de 2026 — o detalhe está na notícia FastH3-Omni: pesos abertos do MiniMax H3.

Como obter 2K e um clipe com mais de 15 segundos

Ampliação. O 2K oficial não está disponível localmente. A documentação do ComfyUI sugere um latent upscaler não oficial: o arquivo minimax_h3_latent_upscaler_3d_conv_v1_bf16 vai em models/latent_upscale_models/, o nó Minimax H3 Latent Upscaler (3D) fica depois do rascunho (escala de 1 a 4, padrão 2), e então um refine pass roda no tamanho final com denoise 0,1–0,5. Esse caminho economiza tempo, não VRAM: o refine pass roda no tamanho cheio. O som não muda enquanto o refine pass não o tocar.

Duração. Os nós aceitam até 3.600 quadros, mas o modelo foi treinado em 5 a 15 segundos. Mais longo se faz em cadeia: o template video_minimax_h3_i2v_continuation pega o último quadro do trecho anterior. Os erros se acumulam, e a textura do rosto vai primeiro; corte em planos curtos.

LoRA e ajuste fino do MiniMax H3

• LoRAs de estilo competem com as referências: em R2V, mantenha a força em torno de 0,5.
• Builds pruned e completos. Uma LoRA treinada no build completo perde parte dos pesos (adaln) num build pruned — o ComfyUI os ignora em silêncio. As Turbo LoRA funcionam nos dois.
• A sua própria LoRA. A MiniMax descreve o ajuste do FL2VA no miles-diffusion, mas a máquina de referência é 8 × H200, e o codificador ocupa cerca de 70 GB de RAM nessa etapa. Num computador de casa isso não se repete.

Erros comuns do MiniMax H3 no ComfyUI

Sintoma	Causa e correção
Não há templates nem nós H3	o ComfyUI é anterior a 0.30.0 — atualize
As referências não mudam o clipe	estão ligadas num template T2V ou I2V, que as ignora em silêncio; é preciso o template R2V
O R2V não roda	está carregado o FL2VA em vez do Ref2VA
A imagem do I2V sai esticada	o primeiro quadro é ajustado à tela sem proporção — defina a proporção da imagem
O clipe fica um pouco mais longo do que o pedido	arredondamento na grade 17k+5: 5 s = 124 quadros
Som fraco, fala pouco clara	poucos passos: são precisos 12 ou mais; o turbo em 8 passos cai
Morphing no fim, texto quebrado com Sage	quantização INT8 da attention; mude para pruned_bf16 e Comfy Kitchen attention
Comfy Kitchen attention não inicia	não funciona com builds int8_convrot, só com bf16
Falta de VRAM	um build menor, 0,4 MP e 5 s, e depois suba um ajuste de cada vez

Dá para usar o MiniMax H3 comercialmente?

Os pesos são gratuitos para baixar e rodar. O uso comercial dos resultados depende do país e da receita. Pela documentação do ComfyUI:

• Fora dos EUA, da UE, do Reino Unido e da Coreia do Sul, com receita abaixo de US$ 20 milhões por ano, o uso comercial entra na licença comunitária gratuita do MiniMax H3. É preciso a menção «Powered by MiniMax H3», e a regra de território também cobre onde os clipes são exibidos.
• Nos EUA, na UE, no Reino Unido, na Coreia, ou com receita acima de US$ 20 milhões, é preciso uma licença paga — Professional a partir de US$ 5.000 por mês, ou Enterprise por acordo. Quem vende é a Comfy, como revendedora oficial única.
• No Comfy Cloud, os direitos comerciais já estão incluídos.

A MiniMax avisa que a licença pode mudar: o que tem força legal é o texto na página dos pesos.

Quando é mais simples não instalar o MiniMax H3 localmente

O H3 local compensa se você tem uma GPU forte, precisa de privacidade ou gera muito sem pagar por clipe. Se você precisa de um resultado hoje, sem baixar 42 GB nem escolher builds, o MiniMax H3 está no gerador do AI2Face como Hailuo. Você paga com cartão ou com criptomoeda. O preço do clipe aparece antes de iniciar, e depois do cadastro entram créditos de boas-vindas. A comparação com outros modelos de vídeo está no panorama de geradores de vídeo IA.

Conclusão

MiniMax H3 no ComfyUI é o caminho mais simples para um modelo de vídeo aberto com som: um template, 42 GB de arquivos e 20 passos. Comece com T2V em 0,4 MP e 5 segundos para ver se tudo roda, e depois suba a resolução para 1344×768. Se a VRAM estiver curta, pegue pruned_w6a8 ou INT8 e uma turbo LoRA para os rascunhos; para o final, volte a 20 passos. Referências pedem um Ref2VA separado e mais passos. Para 2K, e para um resultado pronto sem a sua própria GPU, use o gerador do AI2Face.