Ya hay tutoriales de "niñera" para MiniMax en línea, y este no repite ese camino.
Este artículo solo hace una cosa: con el mínimo de memoria gráfica de 8G, el MiniMax H3 se ejecuta de principio a fin. La máquina es RTX 3060 Ti 8GB + 56GB de memoria.¿Qué especificaciones se pueden hacer, cuánto tiempo esperar, qué marcha se golpeará con la pared? Todo es la medición real de esta máquina, no la tabla de recomendación oficial.
El MiniMax H3 es la imagen y el sonidoUna generaciónModelo de video: sonido ambiental, efectos de sonido, banda sonora y imagen se cuentan juntos en la misma propagación hacia adelante, y la boca y el movimiento se alinean naturalmente con el sonido. ComfyUI tiene soporte nativo para la ejecución local.
Primero, mire el producto terminado. El siguiente video de 10 segundos es una generación de texto puro, sin ningún material de entrada: la imagen, el sonido de la lluvia, el sonido de las olas, la banda sonora, el texto chino en la línea final, todo es un modelo de una vez. (Recuerde encender la voz.)
Catálogo
- Primero entienda algunas palabras.
- 8G mínimo: nuestra máquina
- Instalación de ComfyUI
- Modelo inferior (4 archivos, 39.6 GB)
- El pozo que pisé: El descargador me engañó️
- El primer video.
- Dos reglas difíciles: número de fotogramas y resolución
- Formato de tres campos de la palabra de referencia
- Añadir su marca al final
- Todo el tiempo medido
- Comprobación rápida de errores comunes
- Scripts y flujos de trabajo
1. Primero entienda algunas palabras.
Sin ver estas palabras, no entenderás los errores que se presentan detrás.
ComfyUI Es un banco de trabajo de código abierto gratuito para ejecutar modelos de generación de IA. La interfaz está conectada a nodos y parece compleja, peroNo tienes que conectarte a ti mismoLa plantilla oficial está hecha, solo cambia los parámetros.
* * Flujo de trabajo (Workflow) * * es un diagrama de nodos conectados, equivalente a una receta. Load Template = Abre la receta lista.
Archivo de peso / modeloEs un archivo grande con el sufijo ". safetensors" de la ontología del modelo. El H3 requiere cuatro: DiT (dibujo), codificador de texto (lectura de señales), VAE de video, VAE de audio (traducción de datos internos en píxeles y ondas de sonido).
cuantificaciónEs la tecnología de reducir el modelo. "bf16" es la versión original de precisión completa, "int8", "nvfp4" es la versión comprimida, la pérdida de calidad de imagen es muy pequeña, la demanda de memoria de visualización se reduce en gran medida. Las implementaciones locales utilizan básicamente una versión cuantitativa.
T2V / I2V y R2VSe trata de la generación de texto puro, la imagen para que se mueva, el bloqueo de roles o estilos para materiales de referencia. Este artículo habla sólo de T2V.
2. 8G mínimo: nuestra máquina
- CPUsIntel i7 - 10700F @ 2,90 GHz
- Tarjeta gráficaNVIDIA GeForce RTX 3060 Ti,8 GB
- Memoria- 56 GB
- El disco duro4,56 TB (223 GB restantes al inicio de la descarga)
Todo lo que lleva tiempo detrás, si puede correr, en qué marcha se estrellará contra la pared, es el límite de esta tarjeta 8G.No es la experiencia de una máquina 24G / 48G.
Sólo una cosa realmente importante sobre la configuración:La memoria es un umbral más alto que la memoria visual.
Los cuatro archivos modelo para H3 suman 39,6 GB. ComfyUI se inicia con:
DynamicVRAM support detected and enabled
Lo que hace es que el peso sea permanente.Memoria del sistemaCálculo de acuerdo con el flujo laminar en la memoria visual. Después de correr, el registro le dirá cuánto se ha asignado:Aproximadamente 40,5 GB están todos en la memoria.
Por lo tanto, 32 GB de memoria es la línea de fondo, 64 GB es cómodo; la memoria insuficiente se atascará directamente en la fase de carga. Los pesos deben estar en estado sólido, y cada generación en el disco mecánico tiene que esperar varios minutos más, porque la carga en capas requiere una lectura repetida del disco.
La decisión de Hsien Loong es "cuántas especificaciones puede conducir, cuánto tiempo puede esperar", no "si puede correr". El equipamiento mínimo de 8G también puede correr a través. Ver sección 10 para saber qué marcha se puede conducir.
3. Instalación de ComfyUI
* * La versión debe ser ≥ 0.30.0 * * Los nodos nativos de H3 se incorporaron a ComfyUI en agosto de 2026, y la versión anterior no puede ejecutarse con ningún flujo de trabajo.
La nueva instalación se recomienda ir directamente al sitio web oficial de ComfyUI para instalar el paquete de escritorio y hacer doble clic en el predeterminado. Python, PyTorch y CUDA dependen de que se maneje por sí solos, lo que es lo más amigable para los principiantes en la versión de escritorio.
ComfyUI ya existe, la versión de escritorio comprueba las actualizaciones en el menú; la implementación manual de git se ejecuta en directorios git pully re-execución pip install -r requirements.txt。
El navegador se abre al inicio http://127.0.0.1:8188Veamos el canvas de nodos. Verifique la versión: Configuración (engranaje de esquina inferior izquierda) → Acerca de, número de versión ≥ 0.30.0.
Actualice por debajo de esta versión, no lo intentes."Nodo MiniMaxH3ImageToVideo faltante" es el error más frecuente, con un problema de versión en el 99% de los casos.
Mi entorno fue finalmente: ComfyUI 0.31.0 / front-end 1.48.7 / torch 2.12.1 + cu130 / Python 3.13.12 / CUDA 13.0.
El primer arranque le permitirá elegir un flujo de trabajo de arranque, y el MiniMax H3 está en el lugar recomendado. Presta atención a los objetivos. ~ 53 GB no permitidosLo que T2V / I2V realmente necesita es 4 archivos,39.6 El GB。La docena de GB adicionales es el conjunto de pesos separados de R2V, que solo se puede usar para hacer "video de referencia".
4. Modelo inferior: 4 archivos, 39.6 GB
Los modelos se alojan en el almacén "Comfy-Org / MiniMax-H3" de Hugging Face.No clone todo el almacén- - El almacén original tiene cientos de GB, varias versiones de precisión están todas en él, solo necesita 4 archivos.
Ambos VAE deben estar abajo: el VAE de video en la imagen, el VAE de audio en el sonido - sin el VAE de audio, obtendrá un video en silencio.
La selección del modelo también es simple: el grupo anterior es la combinación de todo lo que se recomienda oficialmente, y cualquier tarjeta gráfica la usa primero. El codificador de texto eligió "nvfp4" en lugar de la versión más grande "int8" porque es 10 GB más pequeño -En una máquina con poca memoria, ahorrar 10 GB de memoria es mucho más importante que ahorrar un poco de computación.
Cuando se descarga en el país, puede poner en el enlace huggingface.co cambio de hf-mirror.comLa velocidad es un orden de magnitud.Asegúrese de utilizar herramientas que admitan puntos de interrupción para archivos grandes de 20 GB(IDM, aria2 o el script al final del texto), no hay necesidad de volver a comenzar.
Esta es la estructura de directorios que debe ser. Nota para los usuarios de escritorio: el directorio del modelo puede configurarse en la ruta seleccionada durante la instalación y verificar la ruta del modelo.
5. El pozo que pisé: El descargador me engañó️
Esta sección es la parte más valiosa de este artículo, ya que te hará preguntarte si te equivocaste en alguna parte.
Utilizé el descargador incorporado en la versión de escritorio, la barra de progreso se ejecutó, el panel de descargasCuatro tickets verdes, todos mostrando "Terminado"。Mirando el panel por segunda vez, ve que está mal: DiT Display 3.13 El GB19,53 GB; el codificador de texto muestra 2.67 El GBSería de 14,61 GB.
Es decir,Después de que la descarga se interrumpió, el descargador no informó de error y marcó directamente el archivo truncado como completado.
Pulse Run para informar de error:
RuntimeError: shape '[151936, 5120]' is invalid for input of size 149999876
Este error es muy engañoso. Parece que la versión del modelo no coincide, como ComfyUI tiene errores, como el formato de cuantificación no es compatible, es fácil correr para reinstalar PyTorch, cambiar la versión de cuantificación y voltear el problema.
Pero sólo tiene un significado verdadero: * * *.safetensors El archivo ha sido truncado. * * En el header, se declara que la forma de un tensor es [151936, 5120](151936 × 5120) de la incrustación del codificador de texto, pero el archivo en realidad sólo queda 149999876, una lectura explosiva.
Hay dos maneras de verificar la integridad de los documentos. El primero es el más simple: el tamaño del archivo se compara con el número de bytes del objeto de la página de descarga. Hay otro junto a cada modelo descargado. .safetensors.dl-meta El pequeño JSON, que dice que la autoridad expectedSize y sha256 -No confíes en el gancho verde del panel.
El segundo tipo es más estricto: analizar el encabezado de los safetensores, poner todos los tensores data_offsets al final de tomar el valor máximo, agregar la longitud del encabezado y luego compararlo con el tamaño real del archivo,Debe ser estrictamente igual。Esta prueba le dará la respuesta antes de que pierda dos horas.
No lo repita al reparar, continúe directamente. El punto de interrupción HTTP Range solo reanuda los bytes faltantes, y el núcleo es:
curl -L --fail --retry 8 --retry-delay 5 --retry-all-errors \
--continue-at - --progress-bar -o "$path" "$url"
Lo empaqueté en un script con tamaño y doble verificación SHA256, más -Mirror Los parámetros se muestran en el espejo interno. El mismo comando se ejecutará de nuevo a mitad de camino y continuará automáticamente.
Y lo último que añadí fue 28,34 GB。Las cuatro líneas son verdes, este paso es realmente pasado.
6. El primer video.
Menú superior Flujo de trabajo → Browse Templates → VideoBusca "MiniMax H3" Texto a video / Imagen a video / Referencia a video,api_ Los tres primeros están en la nube y deben recargarse.
Desde Texto a vídeo Vamos a empezar. Después de cargar el lienzo hay una serie de nodos, solo necesita conocer algunos: UNETLoader es responsable de elegir el peso DiT; codificador de texto carga nodo de selección qwen3vl_32b_...Dos cargadores de VAE seleccionan respectivamente el VAE de video y el VAE de audio; el Selector de resolución controla la resolución de salida; el cuadro de palabras de solicitud escribe el contenido; la entrada de duración determina la longitud del video; y SaveVideo es el punto final de la salida MP4.
Si un cuadro desplegable de modelo está vacío o rojo, significa que el archivo no está terminado.
Mi primer argumento es: ResolutionSelector Megapixels = 0.3 → 736 × 416, duración 5 segundosEl punto Run.
Resultados: 292 segundos.
Lo que salió fue unMP4 con audio。Prueba de ffprobe: H.264 + AAC,32000 Hz, dos canalesEs consistente con el estándar oficial de "estéreo de 32 kHz".
Aquí hay dos fenómenos normales. En primer lugar, la barra de progreso se detendrá durante mucho tiempo en la etapa de carga del modelo: alrededor de 34 GB deben ingresar a la memoria desde el disco, y la tarjeta de memoria gráfica pequeña debe cambiarse repetidamente. En segundo lugar, el cepillo de la consola no es un error:
Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead
Este es un aviso para que la capa parcial vuelva a la atención estándar sin afectar la generación.
Juzgar a dónde ha ido,Mira el panel de cola SamplerCustomAdvanced El porcentaje de。Este flujo de trabajo es de 20 pasos. No mires. Estimated to finish in- - Calculará valores absurdos cuando la muestra es pequeña. He visto una tarea que se ha ejecutado durante 31 minutos y también muestra "Terminado en aproximadamente 1 segundo".Total: xx% También no solo mire, ese es el progreso a nivel de nodo de todo el gráfico, no es igual al progreso de muestreo.
7. Dos reglas difíciles: número de fotogramas y resolución
Estos dos no son una experiencia, están escritos en el flujo de trabajo.
Regla 1: El número de fotogramas debe caer en una cuadrícula de 17k + 5.
La expresión matemática en la plantilla es:
max(5, round(a*24)) + (5 - (max(5, round(a*24)) % 17)) % 17
Traducirlo:El número de frames debe satisfacer n % 17 == 5Los valores ilegítimos se absorben silenciosamente hacia arriba.- - No se informa de error ni se indica.
La duración de la exportación del objeto oficial es 4 - 15 segundos @ 24fps。Por lo tanto, rellenar 60 segundos solo obtendrá unos 15 segundos, y el contenido más largo debe ser dividido para generar un nuevo clip.
* * Regla 2: El lienzo nativo es el lado corto 768. * * El lado corto por defecto es de 768 píxeles y soporta 21: 9 / 16 / 9 / 4: 3 / 1: 1 / 3: 4 / 9: 16. La plantilla de ComfyUI incluye los siguientes engranajes:
- 0.2por: 608 × 352
- 0.3Es decir, 736 × 416
- 0.4por: 864 × 480
- 0.5por 960 × 544
- 1.0: 1344 × 768 (lienzo nativo)
Mi sugerencia es: * * Use 0.3 (736 × 416) para probar repetidamente la palabra de referencia, finalice y considere subir. * *¿Por qué no un paso al lienzo nativo, la sección 10 tiene respuestas medidas.
8. Formato de tres campos de la palabra de referencia
Esta es la línea de separación de "puede correr " a" puede usar ". La palabra de referencia para H3 está oficialmente definidaFormato estructuradoNo en prosa. Los tres campos están fijos en orden:
integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...
Los dos últimos párrafos no tienen contenido. N/A。Todo escrito en inglés, excepto el diálogo y el texto en la imagen para mantener el idioma original.
[Shot 1] Comienza con una explicaciónEstilo general + composición inicialSin marca de tiempo. Las palabras de estilo se pueden usar Cinematic / live-action / 2D-animated / 3D CG / watercolor / vintage film。
Siguiente Shot BeltStrictly Incremental TimestampPor ejemplo:
[Shot 2] At 00:03.500, the camera cuts to ...
Espejo de movimiento escrito en la lente de la oración natural en inglés, no en el final de la pila de etiquetas:
La cámara empuja con una pequeña amplitud a velocidad lenta hacia el teléfono en sus manos.
La cámara sostiene un disparo estático mientras la onda se desliza hacia el objetivo.
El rango medio y la velocidad normal se omiten directamente. * * Para una composición absolutamente estable, no utilice "Acercamiento pequeño": bloquee el estado estático y haga una lista de lo que desea mantener en la imagen. * * He medido 10 segundos de deriva cero.
Si hay diálogo, asigne un ID estable a los personajes que hablan, como: (S1)、(S2)Las líneas están envueltas <d>[语言] ... </d> por Ri,No cambies ni traduces。Identidad y descripción del tono fuera de la etiqueta:
The young woman with a quiet voice (S1) says: <d>[English] I get off at seven.</d>
Y un accidente:El chino es correcto.
Al final, le dije que renderizara una línea de eslogan chino. La escritura es poner el texto original entre comillas dobles en inglés y no traducirlo. Originalmente estaba preparado para pegar, escribir mal y falta de trazos. El modelo de video generalmente no renderiza los caracteres chinos. El resultado es que una palabra es correcta. Los trazos están completos, centrados y se detienen de manera constante hasta el final. En el video de arriba, el producto terminado.
9. Añadir su marca al final
El modelo de eslogan puede escribir correctamente,Pero no puede dibujar su imagen de IP exclusiva.- - Sólo dibujará algo que "pensará". No cuentes con la palabra de referencia.
La práctica correcta es usar ffmpeg para la síntesis precisa después de la generación. Pre-render el logotipo (y el texto requerido) en una hoja PNG con alfa, apilarse y desvanecerse;-c:a copy Copiar directamente la pista de audio y el estéreo generado por el modelo no se mueve en absoluto.
Aquí hay tres detalles prácticos. En primer lugar, si las cuatro esquinas de la imagen original son negras (RGB no tiene canal alfa), la superposición directa resultará en un cuadrado negro.
En segundo lugar, la ubicación debe ser determinada por la pieza. Al principio puse la parte inferior en el centro, y descubrí que el cuerpo de la imagen finalmente se detuvo justo en el centro inferior, con el logotipo presionado sobre él; poner el centro también bloqueó el cuerpo. Por último, coloque la parte superior porque ese cielo está vacío y agregue una capa de gradiente superior para garantizar que las letras en blanco sean legibles.Primero, extraiga el último marco para probar tres posiciones, que es más fácil de adivinar directamente.
En tercer lugar, el tiempo de permanencia debe comprarse por Zheng Zheng, no por adelantado. Deje que la actuación se complete y luego congele el último fotograma:
[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]
El último fotograma de la clonación de video se detiene durante 1,8 segundos, la sincronización de audio se completa y se desvanece durante los últimos 0,9 segundos. combinado con 2,2 segundos de adelantado para comenzar a desvanecer,La exposición total es de aproximadamente 4 segundos.- - suficiente permanencia visual sin perder ningún contenido de imagen.
10. Tiempo total medido: 8G mínimo
Todos los datos en esta tabla de abajo son RTX 3060 Ti de 8GB Realmente salió corriendo.
Dos conclusiones se pueden tomar directamente: * * I, I2V no es más caro que T2V. * * Casi el mismo precio bajo la misma especificación, un mapa de entrada más no tiene cargo adicional. * * La dimensión del tiempo es superlineal. * * 5 segundos 292 segundos, 10 segundos 773 segundos: la duración se duplica y toma 2,6 veces, lo que se ajusta a la complejidad de la atención sobre el número de tokens.
El verdadero punto es el golpe de la pared.
Sólo me tomó 5 minutos correr a través de 736 × 416. Pensé: un poco más de píxeles debería ser una docena de veinte minutos. Pulse Megapixels 1.0 (1344 × 768) durante 10 segundos.
Después de 31 minutos, progreso del muestreador: 5%.
Acabo de hacer uno de los 20 pasos. Un paso de 20 minutos, 20 pasos de alrededor de 10 horas, simplemente me detuve.
La clave es este contraste: los píxeles aumentaron 3,4 veces, el número de fotogramas se duplicó y la cantidad de cálculo aumentó 6,7 veces en total.El tiempo se ha multiplicado por 125 veces.
Enviado 20 veces, no es que no hay suficiente poder de cálculo, sino queMuro de memoria。Volviendo a la sección 2: los pesos se transfieren a la memoria visible, dejando un margen delgado para el valor de activación. y el conjunto de trabajo de los valores de activación y la atención aumenta con "píxeles x fotogramas". Después de romper ese margen, cada paso tiene que mover alrededor de 20 GB de peso de la memoria a la memoria gráfica, de "computación lenta" directamente a "casi todo el proceso en espera de PCIe".
Esto es un acantilado, no una suavidad que se ralentiza.
Así que en su máquina, primero encuentre la zona de postres y no lo tome por sentado. El método es simple: en marcha, corra durante 2 minutos, ve cuánto avanza el porcentaje del muestreador, retroceda la duración total; algo no va bien y detenga inmediatamente.
Tampoco espere que el nodo de aceleración salve esto. Los nodos de la clase Cache ahorran cálculos y pasos, mientras que lo que realmente está atascado aquí es el ancho de banda de la memoria visual, y el poco de tiempo ahorrado no tiene sentido frente a este orden de magnitud. Si la calidad de la imagen no es suficiente, busque en las palabras de referencia y la composición, no tire de la resolución.736 × 416 es suficiente para verlo en un teléfono móvil, y ya has visto el precio de tirar del lienzo nativo.
Si su tarjeta es más grande, el límite es naturalmente más alto; esta tabla es simplemente 8G Mínimo Los límites, el método puede ser copiado.
11. Comprobación rápida de errores comunes
P: Falta de información MiniMaxH3ImageToVideo ¿Esperar nodos?
A: ComfyUI versión inferior a 0.30.0, actualización. Esto es el problema de la frecuencia más alta.
¿Q:RuntimeError: shape '[...]' is invalid for input of size ...？
R: El archivo del modelo está truncado, no es una cuestión de versión o cuantificación. Compruebe el tamaño de la sección 5 y continúe completando.
P: ¿Cuda está fuera de memoria?
A: En orden: 1 confirmación de que se utiliza la versión cuantitativa (pruned_int8 + nvfp4_awq¡No te pierdas! bf162) cierre otros programas de almacenamiento de visibles,Incluye el navegador(La aceleración de hardware representa 1 - 2 GB); 3 La memoria se extrae a más de 32 GB NOTA: Bajar la resolución no salvará la memoria de explosión, ya que la cabeza de la memoria es el modelo en sí; pero reducir la resolución salvará la "inmovilidad", ver Sección 10 - estas son dos cosas diferentes.
P: ¿No hay sonido en el video de salida?
R: Se deben cargar ambos VAE y verificar que el enlace entre el VAE de audio y SaveVideo en el flujo de trabajo esté completo. El uso de plantillas oficiales generalmente no está mal, es más fácil perder esta línea al cambiar su propio flujo de trabajo.
P: ¿La duración del video es diferente de la que llena?
A: El número de fotogramas se ha absorbido en la malla 17k + 5, ver sección 7. Copiar directamente de la tabla de fotogramas válidos.
P: ¿Console Brush dtype advertencia?
A: Fenómeno normal, parte de la capa regresa a la atención estándar, no afecta la generación.
P: La barra de progreso no se mueve, ¿está atascada?
A: Mira el panel de cola SamplerCustomAdvanced Porcentaje, no lo mires. Estimated to finish inY va a ser ciego. La fase de carga en sí es lenta, y el modelo es más lento para poner el disco mecánico.
12. Scripts y flujos de trabajo
Hay tres cosas en el paquete:
- Scripts de reanudación de puntos de interrupciónCompletar el archivo de modelo truncado con tamaño + verificación doble SHA256,
-MirrorVea el espejo interno. - Flujo de trabajo: T2V (5 segundos / 10 segundos, 736 × 416), los parámetros están bien ajustados.
- Guión de composición final: logotipo + eslogan + <unk>
En el área de comentarios, pregunta cómo conseguirlo.
Por último
La configuración mínima de 8G puede correr, lo que no significa que cualquier especificación se puede abrir: el postre es 736 × 416, el lienzo nativo es un acantilado en esta máquina.
Lo que realmente vale la pena localmente es la etapa de prueba y error: una API de 5 segundos cuesta dinero, y solo la electricidad local. El costo es casi cero cambiando repetidamente las palabras de sugerencia, la composición de la pantalla y el espejo de prueba. Después de finalizar el proyecto, considere si desea usar la API para producir alta resolución, esa cuenta es rentable.
Comentarios directos si tienes preguntas -La 8G que hemos corrido, puedo responder a todos.
En general, hice tres cosas principales:Combinar fragmentos, reducir el ritmo de "frase por párrafo" y volver a colocar la interpretación continua en la misma unidad de información.。Los datos técnicos, los comandos, los mensajes de error y las conclusiones clave no fueron eliminados.