MiniMax H3 в ComfyUI: как запустить локально — файлы, видеокарта, настройки

MiniMax H3 — видеомодель со стереозвуком, веса которой MiniMax открыла 3 августа 2026 года. В ComfyUI она работает нативно, без сторонних нод: шаблоны текст в видео (T2V), картинка в видео (I2V) и видео по референсам (R2V) лежат в библиотеке шаблонов. Ниже — что скачать, сколько это весит, какую сборку брать под свою видеокарту, как ускорить генерацию и где модель упирается в ограничения. Все цифры — из документации ComfyUI и MiniMax на 26 октября 2026 года.

Что нужно для MiniMax H3 в ComfyUI

• ComfyUI 0.30.0 или новее. Новым функциям нужны версии свежее: Multiframe Reference — 0.34, Fun ControlNet и sparse attention — 0.35, FastH3 — 0.36, самая лёгкая сборка w6a8 — 0.38.
• Мощная видеокарта. Ускорения из документации ComfyUI (INT8, NVFP4, Sage Attention) рассчитаны на NVIDIA; AMD MiniMax поддерживает только в серверной среде vLLM-Omni через ROCm. Минимальную видеопамять для ComfyUI MiniMax не публикует и советует проверять на своём железе — ориентиры ниже.
• Около 42 ГБ на диске для первого шаблона и ещё около 23 ГБ для референсов.

Открыты две модели семейства H3-Base: FL2VA — видео по тексту и по первому и последнему кадру, и Ref2VA — видео по референсам. Модуль подготовки референсов H3-Context-IR и увеличение до 2K H3-Regenerate-2K не выложены и работают только через API MiniMax. Поэтому локальный H3 даёт кадр около 1 Мп: 1344×768 в 16:9, ролик 5–15 секунд при 24 кадрах в секунду, стереозвук 32 кГц.

Чем H3 отличается от прошлой Hailuo 2.3 и сколько она стоит в API — на странице Hailuo и MiniMax H3.

Какие файлы MiniMax H3 скачать и куда положить

Проще всего открыть Template Library → Video, выбрать шаблон MiniMax H3 и скачать модели из всплывающего окна. Вручную файлы берутся из репозитория Comfy-Org/MiniMax-H3 на Hugging Face:

Что	Файл по умолчанию	Размер	Папка
Модель T2V и I2V	minimax_h3_fl2va_pruned_int8_convrot	21 ГБ	models/diffusion_models/
Модель R2V	minimax_h3_ref2va_pruned_int8_convrot	21 ГБ	models/diffusion_models/
Текстовый энкодер Qwen3-VL-32B	qwen3vl_32b_minimax_h3_nvfp4_awq	15,7 ГБ	models/text_encoders/
Видео-VAE	minimax_h3_video_vae_int8_convrot	2,8 ГБ	models/vae/
Аудио-VAE	minimax_h3_audio_vae_fp32	0,6 ГБ	models/vae/
Turbo LoRA для T2V и I2V	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2 ГБ	models/loras/
Turbo LoRA для R2V	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2 ГБ	models/loras/

Turbo LoRA нужна, даже если турбо-режим выключен: шаблон проверяет её наличие при загрузке. Итог для T2V и I2V — около 42 ГБ, вместе с R2V — около 65 ГБ.

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

Какую сборку MiniMax H3 выбрать под видеокарту

Comfy советует брать самую маленькую сборку, которая помещается в видеопамять: выгрузка на процессор обходится дороже, чем потеря точности. Меняется только файл в узле UNETLoader, тип квантизации ComfyUI читает из самого файла.

Сборка	Размер	Когда брать
pruned_w6a8	16 ГБ	самая лёгкая, нужен ComfyUI 0.38+
pruned_int8_convrot	21 ГБ	по умолчанию в шаблонах
pruned_fp8_scaled	21 ГБ	тот же размер, что INT8
pruned_bf16	40,2 ГБ	без квантизации; нужна для Comfy Kitchen attention
bf16	66,3 ГБ	полная сборка

У текстового энкодера тоже три варианта: NVFP4 на 15,7 ГБ (в шаблонах), INT8 на 27,1 ГБ и bf16 на 51,5 ГБ. На видеокартах RTX 30-й серии нет FP8, а INT8 там примерно вдвое быстрее FP16 — берите INT8-сборки.

Официальных замеров именно для ComfyUI нет. Ближайшие ориентиры MiniMax публикует для своих серверных сред SGLang и vLLM-Omni:

Железо	Режим	Результат
1 × RTX 4090, 24 ГБ	выгрузка на процессор + INT8	пик около 18 ГБ видеопамяти, время зависит от ОЗУ
2 × RTX 5090, 32 ГБ	5 с, 1344×768, 50 шагов	559,67 с, пик 26,3 ГБ на карту
2 × RTX 5090, 32 ГБ (vLLM-Omni)	то же	8 мин 38 с, пик около 22,6 ГБ на карту

В шаблонах ComfyUI по умолчанию 20 шагов, а не 50, поэтому на тех же картах ролик выйдет быстрее. Для FastH3 FastVideo держит готовые профили для RTX 5090 и DGX Spark с разрешением 480p по умолчанию.

Как запустить первый ролик

1. Обновите ComfyUI и откройте шаблон MiniMax H3 T2V.
2. Оставьте для пробы 0,4 Мп — это 864×480 в 16:9. Такой черновик считается быстро и показывает, туда ли движется сцена.
3. Для финального ролика поставьте 0,98 Мп или введите 1344 × 768 вручную. Не ставьте 1,0 Мп: он даёт 1376×768, это больше площади, на которой обучена модель. Стороны кратны 32.
4. Длительность задаётся в секундах и округляется вверх по сетке 17k+5 кадров: 5 секунд дают 124 кадра, около 5,17 с. Модель обучена на 5–15 секундах.
5. Запустите с 20 шагами. Простым сценам хватает 12–16, мелким деталям вроде кольчуги и узоров помогает до 50.

Чем дальше разрешение от 1344×768, тем медленнее генерация и ниже качество; размер больше этого деталей не добавляет. Длинные ролики в полном разрешении первыми упираются в видеопамять — тогда снижайте мегапиксели.

Как писать промпты для MiniMax H3

Документация ComfyUI советует писать промпт на английском, а реплики героев — внутри тегов <d> с тегом языка: <d>[Russian] …</d>. Кто говорит и как — описывается до тега. Русский MiniMax заявляет среди 11 языков устойчивой речи. Сначала опишите сцену целиком, затем планы с таймкодами, камеру и звук — одним блоком:

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>[Russian] Доброе утро.</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.

• Без негативов. H3 в ComfyUI работает с cfg 1 без негативной ветки: список «чего не надо» только добавит эти объекты. Пишите, что должно быть в кадре.
• Монтажные склейки — одним таймкодом, At 00:03.500, the camera cuts to…, а не диапазоном.
• Текст на экране — в английских двойных кавычках дословно, на языке надписи.

Видео из картинки и по референсам

I2V. Шаблон MiniMax H3 I2V принимает первый и последний кадр в узле MiniMaxH3ImageToVideo, движение строится между ними. Первый кадр растягивается под холст без сохранения пропорций, а последний обрезается по центру. Шаблон открывается в 1:1 и 640×640 — сразу выставьте пропорции своей картинки, иначе она исказится.

R2V. Шаблон MiniMax H3 R2V работает только с моделью Ref2VA и принимает до 9 картинок, 3 видео и 3 аудио. В промпте референсы зовутся <Picture 1>, <Video 1>, <Audio 1> — и для каждого стоит сказать, что он задаёт: лицо, стиль, движение, камеру или голос.

• Видео-референс читается как 24 кадра в секунду — другие частоты переконвертируйте заранее.
• Аудио передаёт тембр голоса, а не слова: что сказать, пишите в промпте.
• Для точного сходства держите 20–25 шагов. С турбо-LoRA на 4 шагах референсы почти не применяются, лицо и поза «плывут».

Как ускорить MiniMax H3

Способ	Ускорение	Цена
Turbo LoRA (turbo_mode)	8 шагов вместо 20 в T2V и I2V, 4 — в R2V	мягче движение и звук, хуже референсы
FastH3 8-step V2	8 шагов, своя дистиллированная модель	только T2V и I2V, шаги менять нельзя, ComfyUI 0.36+
Sage Attention	около 2×	возможны артефакты в конце ролика на INT8
Sparse attention sol-attn	меньше затрат на длинных роликах	экспериментально, ComfyUI 0.35+

Звук сходится позже картинки: речи и тембру нужно от 12 шагов, на 8 шагах слабым местом обычно становится аудио. Turbo LoRA сокращает число шагов, а не время шага: 4-шаговая LoRA на 20 шагах считается столько же, сколько база.

Sage Attention ставится колесом под свою версию PyTorch и CUDA, затем подключается узлом Patch Sage Attention KJ из KJNodes между UNETLoader и BasicGuider или флагом --use-sage-attention. Предупреждения о переходе части слоёв на обычный attention в консоли — норма.

Ускоренная версия с референсами FastH3-Omni вышла 20 октября 2026 года — подробности в новости FastH3-Omni: открытые веса MiniMax H3.

Как получить 2K и ролик длиннее 15 секунд

Увеличение. Официальный 2K локально недоступен. Документация ComfyUI предлагает неофициальный latent upscaler: файл minimax_h3_latent_upscaler_3d_conv_v1_bf16 кладётся в models/latent_upscale_models/, узел Minimax H3 Latent Upscaler (3D) ставится после черновика (масштаб от 1 до 4, по умолчанию 2), затем ролик досчитывается в целевом размере с denoise 0,1–0,5. Такой путь экономит время, но не видеопамять: досчёт идёт в полном размере. Звук не меняется, пока досчёт его не затронет.

Длина. Узлы примут до 3 600 кадров, но модель обучена на 5–15 секундах. Длиннее — цепочкой: шаблон video_minimax_h3_i2v_continuation берёт последний кадр прошлого куска. Ошибки накапливаются, первыми теряют фактуру лица; режьте короткими планами.

LoRA и дообучение MiniMax H3

• Стилевые LoRA конкурируют с референсами: в R2V держите их силу около 0,5.
• Pruned и полные сборки. LoRA, обученные на полной сборке, на pruned-сборке теряют часть весов (adaln) — ComfyUI их молча пропускает. Turbo LoRA работают на обеих.
• Своя LoRA. MiniMax описывает дообучение FL2VA в miles-diffusion, но эталонная машина — 8 × H200, а энкодер на этом этапе занимает около 70 ГБ ОЗУ. На домашнем компьютере это не повторить.

Частые ошибки MiniMax H3 в ComfyUI

Симптом	Причина и решение
Нет шаблонов или узлов H3	ComfyUI старше 0.30.0 — обновите
Референсы не влияют на ролик	они подключены в шаблоне T2V или I2V, который их молча игнорирует; нужен шаблон R2V
R2V не работает	загружена FL2VA вместо Ref2VA
Картинка в I2V растянута	первый кадр подгоняется под холст без пропорций — выставьте пропорции картинки
Ролик чуть длиннее заданного	округление по сетке 17k+5: 5 с = 124 кадра
Слабый звук, неразборчивая речь	мало шагов: нужно от 12, турбо на 8 шагах проседает
Морфинг в конце, кривой текст с Sage	INT8-квантизация attention; переключитесь на pruned_bf16 и Comfy Kitchen attention
Comfy Kitchen attention не запускается	он не работает со сборками int8_convrot, только с bf16
Нехватка видеопамяти	сборка меньше, 0,4 Мп и 5 с, затем повышайте по одному параметру

Можно ли использовать MiniMax H3 в коммерции

Веса бесплатны для скачивания и запуска, а коммерческое использование результатов зависит от страны и выручки. По документации ComfyUI:

• Вне США, ЕС, Великобритании и Южной Кореи при выручке до $20 млн в год коммерцию покрывает бесплатная лицензия сообщества MiniMax H3. Нужна подпись «Powered by MiniMax H3», а правило территорий распространяется и на то, где показываются ролики.
• В США, ЕС, Великобритании, Корее или при выручке больше $20 млн нужна платная лицензия — Professional от $5 000 в месяц или Enterprise по договорённости. Продаёт её Comfy как единственный официальный реселлер.
• В Comfy Cloud коммерческие права уже включены.

MiniMax предупреждает, что лицензия может меняться: юридическую силу имеет её текст на странице весов.

Когда проще не ставить MiniMax H3 локально

Локальный H3 оправдан, если у вас мощная видеокарта, нужна приватность или массовая генерация без оплаты за ролик. Если же нужен результат сегодня, без 42 ГБ загрузки и подбора сборок, MiniMax H3 доступна в генераторе AI2Face как Hailuo — из России без VPN, с оплатой картой РФ, по СБП или криптовалютой. Стоимость ролика видна до запуска, после регистрации начисляются стартовые кредиты. Сравнение с другими видеомоделями — в обзоре нейросетей для видео.

Выводы

MiniMax H3 в ComfyUI — самый простой путь к открытой видеомодели со звуком: шаблон, 42 ГБ файлов и 20 шагов. Начните с T2V на 0,4 Мп и 5 секундах, чтобы проверить, что всё работает, затем поднимайте разрешение до 1344×768. Если видеопамяти мало — берите pruned_w6a8 или INT8 и турбо-LoRA для черновиков, для финала возвращайтесь к 20 шагам. Для референсов нужен отдельный Ref2VA и больше шагов, а за 2K и готовым результатом без своей видеокарты — в генератор AI2Face.