MiniMax H3 强袭开源教程

MiniMax H3 正式开源：最低 8G 显存也能跑？我把部署和实测坑位都踩了一遍

这两年我折腾过的开源视频模型不算少，老实讲大部分最后都被我删了。

原因通常就俩：

  • 模型太大：普通电脑根本跑不动
  • 能跑起来：画面一言难尽，人物一动就崩；声音还得自己后期配

但这次 MiniMax 开源的 H3，确实让我有点意外：它不是“画面多电影感”那种单点强，而是可控性做得很完整——文本、图像、视频、音频、角色参考、镜头运动，甚至语音克隆，都能塞进同一套工作流里跑。

如果你想做广告片、音乐视频、品牌素材、游戏过场动画，这种控制精度，属于“开源往前迈了一大步”。

一、H3 到底是什么？（先把定位讲清楚）

H3 是 MiniMax 在 8 月 3 日正式开源的 全模态生成系统，不只是“文生视频”。

官方描述是：它能统一理解由 文本 / 图像 / 视频 / 音频构成的多模态上下文，然后直接生成带原生立体声的视频。

我把文章里最关键的能力点整理成一张清单（方便你快速判断值不值得折腾）：

  • 输出时长：4–15 秒
  • 分辨率：最高 2K
  • 音画：同步生成（32kHz 立体声），不是后期贴音轨
  • 口型与语音：支持中、英、日、韩、法等 11 种语言
  • 榜单表现：Artificial Analysis 上，H3 的视频编辑能力排名第一；文生视频、图生视频分别位列第二、第三（原文描述）

另外一点：它是海螺 AI（Hailuo）体系的第三代视频模型，架构换成了 H3-Context-IR，和 Hailuo 01/02 不是一套东西。

image.png

原文里还提到“越狱版已公布，限制更少”。这类内容我建议大家自行评估合规与风险，本文重点放在部署与跑通。

image.png

二、显存到底要多少？（这段请认真看）

网上现在满天飞“8G 显存也能跑”。我把原文里提到的公开实测/验证配置，按“能稳定跑通”到“官方验证”梳理一下，你自己判断期望值：

1）已有稳定跑通记录（相对现实）

  • 12G 显存 + 32G 内存 + 高速固态（NVMe 更稳）
  • 实测：生成 5 秒 480p，20 步，接近 5 分钟

2）官方未量化版本的公开验证（离家用较远）

  • 双卡：每张 32G 显存（合计 64G）
  • 系统内存约 384G
  • 生成：5 秒 1344×768，50 步，约 9.3 分钟

3）为什么 12G 能跑动 40G+ 的模型？

核心原因是 ComfyUI 的 按层动态调度（offload）：需要哪一层就把哪一层搬进显存，其余留在内存和硬盘里。

所以显存不够一般不会直接报错——它会变慢。

4）那 8G 能不能跑？

能，但得靠更激进的量化（Q2/Q3）+ 大量 offload，出片时间会明显拉长，且低量化对画质的损伤是客观存在的。

如果你是 8G 卡，我给个“更像能跑通”的起手式（原文建议）：

  • 内存：32G 起步
  • 硬盘：NVMe 固态
  • 参数：从 480p / 20 步 / 5 秒开始
  • 别上来就冲 720p，更别说 2K

三、开始部署（按这个顺序来，少踩坑）

第一步：升级 ComfyUI（必须）

H3 需要 ComfyUI 0.27 或更高版本，老版本没有对应的原生节点。

如果你之前装的是 ComfyUI 桌面版，务必升级到最新版；用整合包/启动器的，就用“更新”功能更新，然后启动一次在右下角确认版本号。

第二步：选择模型类型

原文提到模板中心有 3 种开源模型方向：

  • 文生视频
  • 图生视频
  • 视频转视频
image.png

建议你先把分辨率设小一点，先跑通再说；等生成完成后再考虑放大到 1080p/2K/4K。

原文提供的“视频高清放大工具”下载：

image.png

第三步：关于“越狱模型”（按需）

原文提供的下载入口如下（我原样保留链接）：

原文说越狱模型有 3 个版本，其中 47.97G BF16 满血版更吃显存；消费级建议选更小的量化模型（如 24.55G 量化版）。

另有一个更小的量化版（原文标注“适合 8G 显存”）：

第四步：工作流与节点（建议直接用现成的）

四、模型文件放置目录（别放错，不然必报错）

原文给了一个很关键的“类型—目录”表，我这里用清单方式复述（路径原样保留）：

模型介绍

类型 文件 放置目录
主模型 MiniMax-H3-FL2VA-Q4_K_M.gguf（按显存选量化） models/unet/
文本编码器 qwen3vl_32b_minimax_h3_Q4_K_M.gguf models/text_encoders/
视频 VAE minimax_h3_video_vae_fp16.safetensors models/vae/
音频 VAE minimax_h3_audio_vae_fp32.safetensors models/vae/

量化版本怎么选（原文建议）

  • 24G 及以上：Q8 或官方 INT8 / NVFP4
  • 16G：Q5 或 Q4
  • 12G：Q4
  • 8G：Q3，或混合精度 Q2

重要坑位（请划重点）：音频 VAE 必须是 fp32。

用 fp16 容易出现音画不同步，甚至没声音（原文踩坑提示）。

另外，走官方原生路线的同学注意：权重需要同时放在两个目录（原文强调“缺一个都会报错”）：

  • models/MiniMax-H3/（单文件权重）
  • models/diffusers/MiniMax-H3/（分片版本，含 config.json）

五、加载工作流 & 第一次生成（跑通标准化流程）

1）加载工作流

  • GGUF 仓库一般会附带工作流 JSON（例如 MiniMax FL2V GGUF (WORKFLOW).json），下载后拖进 ComfyUI 即可。
  • 官方原生路线：模板浏览器内置 H3 官方工作流，直接选。

2）加载后先检查 4 个节点（变绿再点生成）

  1. Unet Loader (GGUF)：选择主模型
  2. CLIP Loader (GGUF)：选择 qwen3vl 文本编码器
  3. VAE Loader：视频 VAE / 音频 VAE 两个，别接反
  4. 分辨率与时长：第一次建议 480p、5 秒

3）第一次跑慢是正常的

第一次会把权重从硬盘加载进来。8G–12G 显存机器，5 秒 480p、20 步，心理预期大概 8–15 分钟（原文范围）。

第二次会快很多，因为部分权重已经缓存在内存里。

六、实测体验：怎么把片子拍好看（提示词技巧）

跑通只是入门，真正决定出片质量的是提示词。H3 有个特点：它真的能听懂“镜头语言”。

1）提示词要写“分镜”，不要写“标签”

过去 SD 那套“关键词堆砌”，在 H3 上效果一般。H3 更吃完整场景描述 + 镜头调度。

不好的写法（原文示例）：

1
一个女人，咖啡馆，下雨，电影感，8k，高质量

好的写法（原文示例）：

1
2
3
4
黄昏的咖啡馆靠窗位置，窗外下着小雨。一位穿米色针织衫的女性
正低头搅拌咖啡，镜头从她的手部特写缓慢上摇至面部，她抬头看
向窗外，嘴角微微上扬。暖色调室内灯光，窗外冷色调环境光形成
对比。背景音：雨声、咖啡杯轻碰声、隐约的爵士乐。

差别在于：第二种把画面、动作、运镜、光线、声音都交代清楚了。H3 的音频是跟画面一起生成的——你不写声音，它就会自己猜，往往不如你预期。

2）镜头运动可以直接用术语

推、拉、摇、移、跟、升降，H3 都认。英文也可以：dolly in / pan left / crane shot / handheld。

3）角色一致性：靠 Ref2VA

Ref2VA 分区可以喂同一个角色的多张参考图（最多 9 张，建议 3–5 张不同角度），再配语音参考，就能做出跨镜头一致的人物与声音。

经验：参考图质量比数量重要。5 张清晰正侧面照，胜过 9 张糊图。

4）15 秒不够：尾帧接首帧

单次最长 15 秒是硬限制。想做长片就用“尾帧接首帧”串起来：第一段最后一帧导出作为第二段首帧输入，再配合 Ref2VA 锁角色。

七、常见问题排查（对着抄就行）

  • 报错找不到节点：ComfyUI 版本太老，或没装 ComfyUI-GGUF
  • 加载模型爆显存：换更低量化；启动参数加 --lowvram
  • 生成没声音：音频 VAE 是否 fp32（必须）
  • 音画不同步：视频/音频 VAE 是否接反
  • 速度慢到离谱：模型是否在固态硬盘；机械盘会让 offload 慢很多；同时确认内存是否足够（不够会走虚拟内存，更慢）
  • 画面崩坏/人物变形：量化太狠（Q2/Q3 画质损伤客观存在）；要么加显存，要么降分辨率换质量

总结：这次开源的意义到底在哪？

我更认同原文的判断：意义不在于“又多了一个能跑的模型”，而在于——开源视频模型第一次在可控性上，逼近甚至追平了部分闭源产品。

音画同步生成、跨镜头角色一致、镜头语言可控、11 种语言口型……这些在半年前还是闭源产品的护城河，现在权重就能落在你硬盘里。

门槛当然还在：12G 显存是相对舒服的起点；8G 能跑，但需要耐心和取舍。不过考虑到开源第一周，量化与推理优化迭代通常很快，再过一两个月体验大概率会更友好。

总结

H3 这次开源的意义，我觉得不在于”又多了一个能跑的模型”，而在于开源视频模型第一次在可控性上追平了闭源产品。

  • AD -

音画同步生成、角色跨镜头一致、镜头语言可控、11 种语言口型，这些能力放在半年前还是闭源产品的护城河，现在权重就在你硬盘里。

配置门槛确实还在。12G 显存是目前比较舒服的起点，8G 能跑但需要耐心。但考虑到这才是开源第一周，量化方案和推理优化的迭代速度一向很快，再过一两个月的情况大概率会更好。

想玩的现在就可以动手了。有问题欢迎在评论区交流，我看到都会回。