MiniMax H3 8G 最低配：我们从装到出片跑完的全流程-ZOLFOX-精品资源分享与工具推荐平台

网上已经有 MiniMax 的「保姆级」教程了，这篇不重复那条路。

这篇只干一件事：在 8G 显存最低配上，从头到尾把 MiniMax H3 跑通。机器是 RTX 3060 Ti 8GB + 56GB 内存。能出什么规格、要等多久、开到哪一档会撞墙——全是这台机器上的实测，不是官方推荐表抄下来的。

MiniMax H3 是画面和声音一次生成的视频模型：环境音、音效、配乐和画面在同一次前向传播里一起算，口型和动作天生跟声音对齐。ComfyUI 已原生支持本地跑。

先看成品。下面这条 10 秒视频是纯文字生成，没有任何输入素材：画面、雨声、海浪声、配乐、结尾那行中文字，全是模型一次出的。（记得开声音。）

先看懂几个词
8G 最低配：我们这台机器
装 ComfyUI
下模型（4 个文件，39.6 GB）
⚠️ 我踩的坑：下载器骗了我
跑通第一条视频
两条硬规则：帧数和分辨率
提示词的三字段格式
给结尾加自己的品牌
全部实测耗时
常见报错速查
脚本和工作流

1. 先看懂几个词

不看这几个词，后面的报错你会看不懂。

ComfyUI 是跑 AI 生成模型的免费开源工作台。界面是节点连线式的，看着复杂，但你不需要自己连：官方模板都做好了，你只改参数。

**工作流（Workflow）**就是一张连好线的节点图，相当于配方。加载模板 = 打开现成配方。

权重 / 模型文件是模型本体，后缀「.safetensors」的大文件。H3 需要 4 个：DiT（画画）、文本编码器（读提示词）、视频 VAE、音频 VAE（把内部数据翻译成像素和声波）。

量化是把模型压小的技术。「bf16」是全精度原版，「int8」、「nvfp4」是压缩版，画质损失很小、显存需求大降。本地部署基本都用量化版。

T2V / I2V / R2V分别是纯文字生成、给图片让它动起来、给参考素材锁定角色或风格。这篇只讲 T2V。

2. 8G 最低配：我们这台机器

CPU：Intel i7-10700F @ 2.90 GHz
显卡：NVIDIA GeForce RTX 3060 Ti，8 GB
内存：56 GB
硬盘：4.56 TB（开始下载时剩 223 GB）

后面所有耗时、能不能跑、开到哪一档会撞墙，都是这台 8G 卡上的边界——不是 24G / 48G 机器的体验。

关于配置，只说一件真正重要的事：内存比显存更是门槛。

H3 的四个模型文件加起来 39.6 GB。ComfyUI 启动时会打出：

DynamicVRAM support detected and enabled

它的做法是把权重全部常驻系统内存，计算时按层流式换入显存。跑起来之后日志会告诉你分配了多少：约 40.5 GB 全部躺在内存里。

所以内存 32 GB 是底线，64 GB 才舒服；内存不够会直接卡死在加载阶段。权重一定放固态，机械盘上每次生成都要多等好几分钟，因为分层加载需要反复读盘。

显存决定的是「能开多大规格、等多久」，不是「能不能跑」。8G 最低配也能跑通，具体能开到哪一档见第 10 节。

3. 装 ComfyUI

**版本必须 ≥ 0.30.0。**H3 的原生节点是 2026 年 8 月才合并进 ComfyUI 的，旧版任何工作流都跑不起来。

全新安装推荐直接去 ComfyUI 官网下桌面版安装包，双击一路默认。Python、PyTorch、CUDA 依赖它自己处理，这是桌面版对新手最友好的地方。

已有 ComfyUI 的，桌面版在菜单里检查更新；手动 git 部署的进目录执行 git pull，再执行 pip install -r requirements.txt。

启动后浏览器打开 http://127.0.0.1:8188，看到节点画布就行。确认版本：设置（左下角齿轮）→ 关于，版本号 ≥ 0.30.0。

低于这个版本就去更新，别硬试。「缺少 MiniMaxH3ImageToVideo 节点」这个最高频报错，99% 是版本问题。

我的环境最后是：ComfyUI 0.31.0 / 前端 1.48.7 / torch 2.12.1+cu130 / Python 3.13.12 / CUDA 13.0。

首次启动会让你挑一个 starter workflow，MiniMax H3 就在推荐位。注意那里标的 ~53 GB 不准：T2V / I2V 真正需要的是 4 个文件、39.6 GB。多出来的十几 GB 是 R2V 那套单独的权重，只有你要做「参考生视频」才用得到。

4. 下模型：4 个文件，39.6 GB

模型托管在 Hugging Face 的「Comfy-Org/MiniMax-H3」仓库。别 clone 整个仓库——原始仓库有几百 GB，各种精度版本全在里面，你只要 4 个文件。

两个 VAE 都必须下：视频 VAE 出画面，音频 VAE 出声音——少了音频 VAE，你会得到一条无声视频。

选型也很简单：上面这组是官方推荐的通吃组合，任何显卡都先用它跑通。文本编码器选「nvfp4」而不是更大的「int8」版，是因为它小 10 GB——在内存吃紧的机器上，省 10 GB 内存比省一点计算重要得多。

国内下载时，可以把链接里的 huggingface.co 换成 hf-mirror.com，速度差一个量级。20 GB 的大文件务必用支持断点续传的工具（IDM、aria2，或文末那个脚本），断了不用重来。

放完目录结构应该是这样。桌面版用户注意：模型目录可能在安装时自选的路径下，设置里搜 model paths 确认。

5. ⚠️ 我踩的坑：下载器骗了我

这一节是这篇最值钱的部分，因为它会让你怀疑是不是自己哪里装错了。

我用桌面版内置的下载器下，进度条跑完，Downloads 面板四个全绿勾、全部显示「完成」。盯着面板看第二眼才发现不对：DiT 显示 3.13 GB，应该是 19.53 GB；文本编码器显示 2.67 GB，应该是 14.61 GB。

也就是说，下载中断之后，下载器没有报错，直接把截断的文件标成了完成。

点 Run，报错：

RuntimeError: shape '[151936, 5120]' is invalid for input of size 149999876

这行错误极具误导性。它看起来像模型版本不匹配、像 ComfyUI 有 bug、像量化格式不支持，你很容易跑去重装 PyTorch、换量化版、翻 issue。

但它的真实含义只有一个：**.safetensors 文件被截断了。**header 里声明某个张量的形状是 [151936, 5120]（文本编码器的 embedding，151936 × 5120），但文件里实际只剩 149999876 个元素，一读就炸。

确认文件完整有两种方法。第一种最简单：文件大小对照下载页面标的字节数。每个下载好的模型旁边还有一个 .safetensors.dl-meta 小 JSON，里面写着权威的 expectedSize 和 sha256——信这个，别信面板上的绿勾。

第二种更严格：解析 safetensors 的 header，把所有张量 data_offsets 的末尾取最大值，加上 header 长度，再和文件实际大小对比，必须严格相等。这个检查能在你浪费两小时之前告诉你答案。

修复时别重下，直接续传。HTTP Range 断点续传只补缺的字节，核心就是：

curl -L --fail --retry 8 --retry-delay 5 --retry-all-errors \
     --continue-at - --progress-bar -o "$path" "$url"

我把它包成了一个脚本，带大小和 SHA256 双校验，加 -Mirror 参数走国内镜像。中途断了重跑同一条命令，会自动接着下。

我最后补的是 28.34 GB。四行全绿，这一步才算真的过。

6. 跑通第一条视频

顶部菜单 工作流 → 浏览模板 → 视频，搜索「MiniMax H3」。会出来 6 个，认清楚别点错：本地版三个（Text to Video / Image to Video / Reference to Video），api_ 开头的三个是调云端的、要充值。

从 Text to Video 开始。加载后画布上有一串节点，你只需要认识几个：UNETLoader 负责选 DiT 权重；文本编码器加载节点选 qwen3vl_32b_...；两个 VAE Loader 分别选视频 VAE 和音频 VAE；ResolutionSelector 控制输出分辨率；提示词框写内容；时长输入决定视频长度；SaveVideo 是输出 MP4 的终点。

如果哪个模型下拉框是空的或红的，说明那个文件没下完，回第 5 节。

我第一条的参数是 ResolutionSelector 的 Megapixels = 0.3 → 736×416，时长 5 秒，点 Run。

结果：292 秒。

出来的是一条带声音的 MP4。ffprobe 验过：H.264 + AAC，32000 Hz、双声道，和官方标的「32 kHz 立体声」一致。

这里有两个正常现象。第一，进度条会长时间停在模型加载阶段：约 34 GB 要从磁盘进内存，小显存卡还要反复换入换出，这一段慢是正常的。第二，控制台刷这行不是报错：

Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead

这是部分层回退到标准 attention 的提示，不影响生成。

判断跑到哪了，看队列面板里 SamplerCustomAdvanced 的百分比。这个工作流是 20 步。别看 Estimated to finish in——样本少的时候它会算出荒谬的值。我见过已经跑了 31 分钟的任务，它还显示「约 1 秒后完成」。Total: xx% 也别只看，那是整图的节点级进度，不等于采样进度。

7. 两条硬规则：帧数和分辨率

这两条不是经验之谈，是工作流里写死的。

规则一：帧数必须落在 17k+5 网格。

模板里的数学表达式是：

max(5, round(a*24)) + (5 - (max(5, round(a*24)) % 17)) % 17

翻译一下：帧数必须满足 n % 17 == 5，不合法的值会被静默向上吸附——不报错、不提示。

官方标的输出时长是 4–15 秒 @ 24fps。所以填 60 秒也只会得到 15 秒左右，更长内容要分镜头生成再剪辑。

**规则二：原生画布是短边 768。**官方说明默认短边 768 像素，支持 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16。ComfyUI 模板自带的档位是：

0.2：608×352
0.3：736×416
0.4：864×480
0.5：960×544
1.0：1344×768（原生画布）

我的建议是：**用 0.3（736×416）反复试提示词，定稿再考虑往上抬。**为什么不是一步到原生画布，第 10 节有实测答案。

8. 提示词的三字段格式

这是从「能跑」到「能用」的分界线。H3 的提示词是官方定义的结构化格式，不是散文。三个字段顺序固定：

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

后两段没内容就写 N/A。除对白和画面内文字保留原语言外，全部用英文写。

[Shot 1] 开头交代整体风格 + 初始构图，不带时间戳。风格词可以用 Cinematic / live-action / 2D-animated / 3D CG / watercolor / vintage film。

后续镜头带严格递增的时间戳，例如：

[Shot 2] At 00:03.500, the camera cuts to ...

运镜写成镜头内自然的英文句子，别在句尾堆标签：

The camera pushes in with small amplitude at slow speed toward the phone in his hands.

The camera holds a static shot as the wave slides toward the lens.

中等幅度、正常速度直接省略不写。**想要构图绝对稳定，别用「小幅度推近」——直接锁静态，并把要保留在画面内的东西列出来。**我实测 10 秒零漂移。

有对白的话，给会出声的角色分配稳定 ID，比如 (S1)、(S2)，台词包在 <d>[语言] ... </d> 里，一字不改、不翻译。身份和语气描述放标签外面：

The young woman with a quiet voice (S1) says: <d>[English] I get off at seven.</d>

还有一个意外：中文字它写对了。

我在结尾那一镜让它渲染一行中文标语，写法是把原文放在英文双引号里、不翻译。我本来做好了糊掉、错字、缺笔画的心理准备——视频模型渲染汉字普遍不行，结果一个字都没错，笔画完整、居中、稳稳停到结尾。上面那条成品视频里就是。

9. 给结尾加自己的品牌

标语模型能写对，但你的专属 IP 形象它画不出来——它只会画一个「它以为的」东西。这个别指望提示词。

正确做法是生成完之后用 ffmpeg 精确合成。把 logo（和需要的文字）预渲染成一张带 alpha 的 PNG，叠上去淡入；-c:a copy 直接复制音轨，模型生成的那条立体声一点不动。

这里有三个实操细节。第一，logo 原图四角如果是黑的（RGB 没有 alpha 通道），直接叠会出一个黑方块，需要先按圆形或原始轮廓做抗锯齿 alpha 遮罩。

第二，位置要看成片再定。我一开始放底部居中，结果发现画面主体最后正好停在下方中央，logo 压在上面；放中部也挡主体。最后放顶部，因为那片天空是空的，再加一层顶部渐变压暗保证白字可读。先抽末帧试三个位置，比直接猜省事。

第三，停留时间要靠冻帧买，不是靠提前淡入。让演出完整演完，然后冻住最后一帧：

[0:v]tpad=stop_mode=clone:stop_duration=1.8[vp];
[0:a]apad=pad_dur=1.8,afade=t=out:st=<总长-0.9>:d=0.9[a]

视频克隆末帧停 1.8 秒，音频同步补齐并在最后 0.9 秒淡出。配合提前 2.2 秒开始淡入，片尾总露出约 4 秒——足够视觉停留，又不损失任何画面内容。

10. 全部实测耗时：8G 最低配

下面这张表里的数据，全部是 RTX 3060 Ti 8GB 真跑出来的。

两个结论可以直接拿走：**一、I2V 不比 T2V 贵。**同规格下几乎同价，多一张输入图不额外收费。**二、时长维度是超线性的。**5 秒 292 秒、10 秒 773 秒——时长翻倍，耗时 2.6 倍，这符合 attention 对 token 数的复杂度。

真正关键的是那次撞墙。

跑通 736×416 只花 5 分钟，我当时想：像素多一点应该也就十几二十分钟。于是按 Megapixels 1.0（1344×768）、10 秒点了 Run。

31 分钟后，采样器进度：5%。

20 步里刚做完 1 步。一步 20 分钟，20 步约 10 小时，我直接停掉了。

关键是这个反差：像素涨 3.4 倍、帧数涨 2 倍，计算量总共涨 6.7 倍，而耗时涨了约 125 倍。

差出的这 20 倍不是算力不够，而是内存墙。回到第 2 节：权重是流式换入显存的，剩给激活值的余量本来就薄。而激活值和 attention 的工作集会随「像素 × 帧数」增长。撑破那点余量之后，每一步都要把约 20 GB 权重重新从内存搬进显存，从「算得慢」直接变成「几乎全程在等 PCIe」。

这是断崖，不是平滑变慢。

所以在你的机器上，先找到甜点区，别想当然往上推。方法很简单：开一档，跑 2 分钟，看采样器百分比推进了多少，反推总时长；不对劲立刻停。

也别指望加速节点救这个。Cache 类节点省的是计算和步数，而这里真正卡住的是显存带宽，省下来的那点时间在这个量级面前没有意义。画质不够，就在提示词和构图上找，别硬拉分辨率。736×416 在手机上看已经够用，而拉到原生画布的代价你已经看到了。

如果你的卡显存更大，上限自然更高；这张表只是 8G 最低配 的边界，方法可以照搬。

11. 常见报错速查

Q：提示缺少 MiniMaxH3ImageToVideo 等节点？
A：ComfyUI 版本低于 0.30.0，升级。这是最高频的问题。

Q：RuntimeError: shape '[...]' is invalid for input of size ...？
A：模型文件被截断了，不是版本或量化问题。对照第 5 节查大小、续传补全。

Q：爆显存 / CUDA out of memory？
A：按顺序排：① 确认用的是量化版（pruned_int8 + nvfp4_awq），别误下 bf16；② 关掉其他吃显存的程序，包括浏览器（硬件加速会占 1–2 GB）；③ 内存拉到 32 GB 以上。注意：降分辨率救不了爆显存，因为显存大头是模型本身；但降分辨率能救「跑不动」，见第 10 节——这是两件不同的事。

Q：输出视频没有声音？
A：两个 VAE 都要加载，并确认工作流里音频 VAE 和 SaveVideo 之间的链路完整。用官方模板一般不会错，自己改工作流最容易漏掉这条线。

Q：视频时长和我填的不一样？
A：帧数被吸附到 17k+5 网格了，见第 7 节。从合法帧数表里直接抄。

Q：控制台刷 dtype 警告？
A：正常现象，部分层回退到标准 attention，不影响生成。

Q：进度条不动，是不是卡死了？
A：看队列面板里的 SamplerCustomAdvanced 百分比，别看 Estimated to finish in，它会瞎报。加载阶段本身就慢，模型放机械盘更慢。