オンラインではすでにMiniMaxの“ベビーシッターレベル”チュートリアルがありますが、この記事はそのルートを繰り返しません。
この記事は1つのことを行います：最小8GメモリでMiniMax H 3を最初から最後まで実行します。マシンはRTX30608GB +56GBメモリ。どのような仕様を出すことができるか、どれくらい待つか、どのギアが壁にぶつかるか-すべてはこのマシンの測定値であり、公式の推奨表からコピーされたものではありません。
MiniMax H 3は、画像とサウンドです。1回の生成ビデオモデル：環境音、効果音、サウンドトラック、画像が同じ前方伝播で一緒に計算され、口の口と動きが自然に音に合わせられています。ComfyUIはローカルランタイムをネイティブにサポートします。
最初に製品を見る。以下の10 秒のビデオは、入力素材なしで純粋にテキスト生成されています。画像、雨、波の音、サウンドトラック、最後の行のテキストは、すべてモデルから一度に出てきます。（音を忘れないでください）
目次
- 最初の単語を理解する。
- 8Gの最小値：私たちのマシン。
- ComfyUIのインストール
- 下のモデル（4ファイル、39.6 GB）
- ️私が踏んだ穴：ダウンロードは私をだました。
- 最初のビデオを実行します。
- 2つのハードルールフレーム数と解像度
- ヒントワードの3フィールド形式
- エンディングに独自のブランドを追加。
- すべての測定時間
- よくある誤報速報
- スクリプトとワークフロー
1.最初の単語を理解する。
これらの単語を読まなければ、次のエラーは理解できません。
ComfyUI AI 生成モデルを実行するためのフリーでオープンソースのワークベンチです。インターフェイスはノード接続で複雑に見えますが自分の会社は必要ない。公式テンプレートが完成し、パラメータを変更するだけです。
** ワークフロー Workflow ** は線をつないだノードグラフであり、レシピに相当する。テンプレートのロード=既製のフォーミュラをオープンします。
ウェイト/モデルファイルモデルオントロジー、接尾辞“.safetensors”の大きなファイルである。H 3には、DiT（描画）、テキストエンコーダ（キューを読み取る）、ビデオVAE、オーディオVAE（内部データをピクセルと音波に変換する）の4つが必要です。
定量化はモデルを小さくする技術である。“bf16”はフル精度のオリジナル版、“int8”と“nvfp4”は圧縮版で、画質の損失が少なく、メモリ要件が大幅に削減されています。ローカル展開は基本的に定量版です。
T2V /I 2V/ R2Vそれぞれ、プレーンテキスト生成、画像の動き、参照素材の役割やスタイルのロック。この記事はT 2 Vのみです。
2. 8Gの最小値：私たちのマシン。
- CPUはIntel i 7 - 107 00 F（2.90 GHz）
- グラフィックカードカードNVIDIA GeForce RTX 30 6 0 Ti8 GB。
- メモリメモリ56 GB。
- ハードディスクHDD4.56 TB（ダウンロード開始時には223 GB）
すべての時間、実行できるかどうか、どのギアが壁にぶつかるかは、この8Gカードの境界です。24G/48Gマシンの体験ではない。
設定については、本当に重要なことが1つあります。メモリはメモリよりもしきい値です。
H 3の4つのモデルファイルは合計39.6 GBです。ComfyUIが起動すると：
DynamicVRAM support detected and enabled
彼のアプローチは、すべての重量を維持することです。システムメモリSystem Memory計算時には層流方式でメモリを入力します。実行すると、ログは割り当てられた金額を示します。約40.5 GBがメモリ内にあります。
したがって、32 GBのメモリがボトムラインで、64 GBが快適です。メモリが十分ではなく、ロードフェーズで直接死ぬことはありません。重みは固体でなければならず、層状負荷はディスクを繰り返し読み取る必要があるため、機械的なディスク上の各生成は数分待たなければなりません。
ビデオメモリは、“どれくらいのサイズ、どれくらい待つか”であり、“走れるか”ではありません。8Gの最低配分も走ることができ、具体的にはどのギアを開くことができるかはセクション10を参照してください。
3. ComfyUIのインストール
** バージョンは0.30.0以上であること。** H 3のネイティブノードは2026 年 8 月にComfyUIに統合されたばかりで、古いバージョンのワークフローは動作しません。
新しいインストールは、ComfyUI公式サイトのデスクトップ版インストールパッケージに直接行くことをお勧めします。Python、PyTorch、CUDAは独自の処理に依存しており、デスクトップ版は初心者にとって最もフレンドリーな場所です。
ComfyUIがあり、デスクトップ版はメニューで更新をチェックします。手動gitデプロイメントのディレクトリ実行 git pullまた実行する。 pip install -r requirements.txt。
起動後にブラウザが開きます http://127.0.0.1:8188キャンバスを見てください。確認バージョン：設定（左下ギア）→バージョン番号≥ 0.3 0.0。
このバージョンを更新し、試してみません。“MiniMaxH3ImageToVideo Nodeがありません”というエラーは最も頻繁に発生し、99%がバージョンの問題です。
私の環境は、ComfyUI 0.3 1.0/フロントエンド1.4 8.7/ torch 2.1 2.1 +cu130 / Python 3.1 3.12/ CUDA 13.0です。
最初のスタートアップでは、スターターワークフローを選択するよう求められ、MiniMax H 3が推奨されます。ターゲットに注意。 53 GBではない。T 2 V /I 2 Vは本当に4つのファイルを必要とする。39.6 GBは。余分な10 GBは、R 2 Vの別々の重みのセットであり、あなただけが“参考生ビデオ”を行う必要があります。
4.モデル：4ファイル、39.6 GB
モデルはHugging Faceの“Comfy-Org/MiniMax-H 3”リポジトリにホストされている。倉庫全体を閉鎖する。元のリポジトリには数百GBがあり、さまざまな精度バージョンがあり、4つのファイルが必要です。
両方のVAEを下げる必要があります：ビデオVAEは画像から出、オーディオVAEはサウンドから出ます-オーディオVAEがなければ、サイレントビデオが得られます。
選択も非常に簡単です：上記のグループは公式推奨のすべての組み合わせであり、任意のグラフィックスカードは最初にそれを実行します。テキストエンコーダは、10 GB小さいため、より大きな“int8”バージョンではなく“nvfp4”を選択します。メモリ不足のマシンでは、10 GBのメモリを節約することは、少しのコンピューティングを節約するよりもはるかに重要です。
国内でダウンロードする場合は、リンクを使用できます。 huggingface.co 交換する。 hf-mirror.com速度は1級程度。20 GBの大きなファイルは、ブレークポイントの継続をサポートするツールを使用してください。（IDM、aria2、または最後のスクリプト）、再起動する必要はありません。
ディレクトリ構造はこんな感じです。デスクトップ版ユーザーの注意：モデルディレクトリは、インストール時に選択したパスでモデルパスを検索する設定にある場合があります。
5.️私が踏んだ穴：ダウンロードは私をだました。
このセクションは、あなたが間違っているかどうか疑問に思わせるので、この記事の最も貴重な部分です。
デスクトップ版の内蔵ダウンローダーを使用して、プログレスバーが終了し、ダウンロードパネルが終了しました。4つの緑色のチェックはすべて“完了”を示します。。パネルを見つめて二枚目の目で間違っている：DiTディスプレイ 3.13 GBは1 9.53 GBになります。エンコーダは 2.67 GBは約数の和は14.61 GB。
つまり、ダウンロードが中断された後、ダウンローダはエラーを報告せず、切り捨てられたファイルを完了としてマークします。
実行してエラーを返す：
RuntimeError: shape '[151936, 5120]' is invalid for input of size 149999876
この誤りは非常に誤解を招く。モデルのバージョンが一致しない、ComfyUIにバグがある、量子化フォーマットがサポートされていないように見えるので、PyTorchを再インストールしたり、量子化したり、問題を修正したりするのは簡単です。
しかし、本当の意味はただ一つです。.safetensors ファイルが削除されました（*）ヘッダ内のテンソルの形状は [151936, 5120]（テキストエンコーダの埋め込み、151936 × 5120）しかし、ファイルには149，999，876個の要素しか残っておらず、読むと爆発します。
文書の完全性を確認する方法は2つあります。最初のものは最も簡単です：ファイルサイズとダウンロードページのバイト数。ダウンロードしたモデルの隣にもあります。 .safetensors.dl-meta JSONは権威を持っています。 expectedSize sha 256-パネルの緑色のチェックを信じないでください。
2つ目はより厳密です：safetensorsヘッダを解析し、すべてのテンソルを分割します。 data_offsets 最大値の末尾にヘッダの長さを加え、ファイルサイズと比較します。厳密に等しくなければ。このテストは2時間を無駄にする前に答えを教えてくれます
修理中は、直接再送信してください。HTTP Rangeブレークポイントは、補欠バイトのみを送信します。
curl -L --fail --retry 8 --retry-delay 5 --retry-all-errors \
--continue-at - --progress-bar -o "$path" "$url"
私はそれをサイズとSHA256ダブルチェック、プラスでスクリプトにパッケージしました。 -Mirror パラメータは国内ミラーです。途中断了重走同一条命令，会接着下。
私が最後に作ったのは 28.34 GB。緑の4つのラインは、このステップは本当です。
6.最初のビデオを実行します。
トップメニュー TOP ワークフロー →テンプレートの参照→ビデオ“MiniMax H 3”を検索する3つのローカルバージョン（テキストからビデオへ/イメージからビデオへ/リファレンスへ）、api_ 最初の3つは雲の中にあり、お金を稼ぐ。
fromから テキストから動画へ 始めましょう。ロードすると、キャンバスにはノードの列がありますが、知っておく必要があるのはいくつかあります。UNETLoaderはDiT重みを選択し、テキストエンコーダはノードをロードします。 qwen3vl_32b_...2つのVAEローダーは、ビデオVAEとオーディオVAEをそれぞれ選択します。解決セレクタは出力解像度を制御します。キューボックスは内容を書き込みます。時間入力はビデオの長さを決定します。SaveVideoは出力MP 4の終点です。
モデルのドロップダウンボックスが空または赤の場合は、ファイルが終了していないことを意味し、セクション5に戻ります。
最初のパラメータは、 ResolutionSelectorのメガピクセル= 0.3 → 736×416、5 秒走ることができる。
結果は292 秒。
出てきたのはMP 4とサウンド。。H.264 + AAC試験済み。32000 Hz、デュアルチャンネル公式テーマ“32 kHzステレオ”と一致します。
普通は2つあります。まず、プログレスバーはモデルのロードフェーズで長時間停止します。約34 GBのディスクメモリからメモリに移動し、小さなビデオカードは繰り返しスワップアウトします。第二に、コンソールブラシはエラーではありません。
Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead
これは、部分層が標準attentionにフォールバックするヒントであり、生成に影響しない。
どこへ行くかを判断し、パネルを参照。 SamplerCustomAdvanced パーセントの割合です。このワークフローは20ステップです。見ないで Estimated to finish inサンプル数が少ないと馬鹿げた値を計算します私は31分間実行したタスクを見ましたが、“約1 秒で完了”と表示されていました。Total: xx% これはグラフ全体のノードレベルの進行状況であり、サンプリングの進行状況ではありません。
7. 2つのハードルールフレーム数と解像度
これらは経験の話ではなく、ワークフローの中で死んでいます。
ルール1：フレーム数は17k+5グリッドに収まる必要があります。
テンプレート内の数式は：
max(5, round(a*24)) + (5 - (max(5, round(a*24)) % 17)) % 17
翻訳すると：フレーム数を満たすこと n % 17 == 5違法な値は静かに吸着されます。エラーや警告なしで。
公式の輸出期間は 4 15 秒 @ 24fps。したがって、60 秒を埋めると約15 秒しか得られず、長いコンテンツはショット生成のために再クリップされます。
** ルール2：ネイティブキャンバスは短い辺768です。公式説明：デフォルトの短辺768ピクセル、サポート21：9 / 16：9 / 4：3 / 1：1 / 3：4 / 9：16。ComfyUIテンプレートに付属するファイルは：
- 0.260 8 × 35 2
- 0.373 6 ×416
- 0.486 4 × 48 0
- 0.5960× 54 4
- 1.0134 4 × 76 8（ネイティブキャンバス）
私の提案は：** 0.3（736×416）でヒントを繰り返して、最終決定を考えてください。ネイティブキャンバスにステップアップしない理由は、セクション10で測定された答えです。
8.ヒントワードの3フィールド形式
これが“走る”から“使える”への境界線です。H 3のヒントワードは公式に定義されている。構造化フォーマット散文ではない。3つのフィールドの順序は固定です。
integrated_multimodal_description: [Shot 1] ...
overall_soundscape: ...
non_diegetic_music: ...
最後の2段落は書かない。 N/A。台詞と画面内のテキストを除き、すべて英語で書かれています。
[Shot 1] はじめに告白全体的なスタイル+初期構成タイムスタンプなしで。スタイルは使えます。 Cinematic / live-action / 2D-animated / 3D CG / watercolor / vintage film。
後続のカメラ。厳密にインクリメントされたタイムスタンプ例えば、以下の通り。
[Shot 2] At 00:03.500, the camera cuts to ...
レンズ内の自然な英語の文を書き、文の最後にラベルを付けないでください。
The Camera Pushes in a small amplitude at slow speed toward the phone in his hands.（カメラは手の中にある）
The Camera hold a static shot as the wave slides toward the lens.
中程度、通常速度はそのまま省略して書かない。***絶対的に安定した構図を作りたい場合は、“小さなプッシュ”を使用しないでください。静的にロックし、画面に残したいものをリストします。10 秒ゼロドリフトを測定しました。
有的话，给会出声的役割割割割安定ID， (S1)、(S2)ラインが詰まっている。 <d>[语言] ... </d> リー、変更なし、翻訳なし。。ラベル外のアイデンティティとトーンの説明：
The young woman with a quiet voice (S1) says: <d>[English] I get off at seven.</d>
もう一つの事故中国語では正しく書かれている。
鏡の最後に中国語のスローガンをレンダリングさせましたが、原文を英語の二重引用符で囲み、翻訳せずに書きました。私はペースト、タイプミス、ストロークの欠如の心理的な準備をしていました-ビデオモデルレンダリング漢字は一般的に失敗し、結果は単語が正しく、ストロークは完全で、中央に、着実に最後まで停止しました。上の完成したビデオです。
9.エンディングに独自のブランドを追加。
モデルモデルは正しく書けます。しかし、IPイメージは描けません。それは“自分が考える”ものを描くだけです。ヒントを期待しないでください。
正しい方法は、生成後にffmpegで正確に合成することです。ロゴ（および必要なテキスト）をアルファ付きのPNGにプリレンダリングし、フェードインします。-c:a copy トラックを直接コピーすると、モデルによって生成されたステレオはまったく動かない。
3つの詳細がある。まず、ロゴ画像の4隅が黒い場合（RGBにアルファチャンネルがない）、直接黒い正方形が積み重ねられ、最初に円または元の輪郭でアンチエイリアシングアルファマスクを行う必要があります。
第二に、場所は別の場所に依存する。最初に底を中央に置きましたが、画面本体は下部中央で止まり、ロゴが上に押され、中央も被写体をブロックしました。最後に、空が空なので、上部にグラデーションを追加して、白い文字が読めるようにします。最初の3つの位置を試してください。直接推測するよりも簡単です。
第三に、滞在時間は事前フェードではなく、凍結フレームの購入に依存します。ショーを完了し、最後のフレームを凍結します。
[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]
ビデオクローンの最後のフレームは1.8 秒停止し、オーディオは最後の0.9 秒でフェードアウトします。2.2 秒早くフェードインを開始し、約4秒間露出する。- 画像内容を失うことなく十分な視覚的滞在。
10.すべての測定時間：最低8G
以下の表のデータは、すべてです。 RTX 30 60 Ti 8 GB 本当に逃げ出した。
2つの結論はすぐに引き出すことができます：** I 2 VはT 2 Vよりも高価ではない。同じ仕様でほぼ同じ価格で、追加の入力画像は追加料金なし。**（2）時間次元は超線形である。5 秒、292 秒、10 秒、773 秒-長さが2倍、2.6 倍かかり、トークン数に対する注意の複雑さと一致します。
本当に重要なのは壁です。
736×416を実行するだけ5分、私は思った：ピクセルは10分以上にする必要があります。Megapixels 1.0（1344×768）を押し、10秒間実行します。
31分後、サンプラー進行：5%。
20歩のうち1歩を終えた。1歩20分、20歩10時間ほどで、私はまっすぐに停止します。
ポイントはこのコントラストです。ピクセルは3.4 倍、フレーム数は2 倍、計算量は6.7 倍になります。約125 倍になりました。
この20 倍は十分ではない。メモリの壁。セクション2に戻ります：重みはメモリにストリーミングされ、アクティベーション値の残りのマージンは薄くなります。活性化値と注意のワーキングセットは“ピクセル×フレーム数”で増加します。そのマージンを突破した後、各ステップで約20 GBの重みをメモリからビデオメモリに再移動し、“遅い計算”から“ほぼ完全にPCIeを待っている”に直接変更します。
これは崖であり、ゆっくりとしない。
だから、あなたのマシンでデザートエリアを見つけ、当然のことながら上に押さないでください。方法は簡単です。1速をオンにして2分間走り、サンプラーのパーセンテージがどれだけ進んでいるかを確認し、合計時間を逆にプッシュします。
これを救うために加速を期待しないでください。キャッシュクラスノードは計算とステップ数を節約しますが、ここで本当に立ち往生しているのはメモリ帯域幅であり、節約された時間はこのレベルでは意味がありません。画質が十分ではない、ちょうどヒントと構図を探し、解像度をハードに引っ張らないでください。736 x 416は携帯電話で十分ですが、ネイティブキャンバスに引っ張るコストはすでに見てきました。
カードメモリが大きい場合、上限は当然高くなります。この表は 8Gの最小値 境界線はコピーできます。
11.よくある誤報速報
Q：不在の証拠 MiniMaxH3ImageToVideo Nodeを待つ？
A：ComfyUIのバージョンは0.3 0.0以下です。これは最も高い頻度の質問です。
Q：はい。RuntimeError: shape '[...]' is invalid for input of size ...？
A：モデルファイルは切り捨てられており、バージョンや数量化の問題ではありません。第 5節に照らしてサイズを確認し、補完する。
Q：メモリの外のCUDA？
A：順番に並べて：①確認用に定量版（pruned_int8 + nvfp4_awq（誤解しないでください。 bf16他のプログラムを削除します。ブラウザも含む。（ハードウェアアクセラレーションは1 ~ 2 GBを占めます）、メモリは32 GB 以上になります。注：メモリの大部分はモデル自体であるため、解像度を下げることはできません。しかし、解像度を下げることは“実行不能”を救うことができます。セクション10を参照してください。
Q：音声がないの？
A：両方のVAEをロードし、ワークフロー内のオーディオVAEとSaveVideo間のリンクが完全であることを確認します。公式テンプレートは一般的に間違っていませんが、ワークフローを変更するとこの行を見逃しやすくなります。
Q：動画の長さは私と違いますか？
A：フレーム数は17k+5グリッドに吸着されています。合法的な数字から直接コピーします。
Q：コンソールブラシDtype 警告？
A：正常な現象、一部の層は標準的な注意に戻り、生成に影響しません。
Q：進捗バーが動かないのですか？
A：画面を見てください。 SamplerCustomAdvanced パーセンテージは見ないでください Estimated to finish inそれは盲目です。ロードフェーズ自体は遅く、モデルは機械盤をより遅く置きます。
12.スクリプトとワークフロー
パッケージには3つのものがあります。
- ブレークポイントの再送信スクリプト切り捨てられたモデルファイルをサイズ+ SHA256ダブルチェックで補完する。
-Mirror国内鏡を参照。 - ワークフローワークフローT 2 V（5 秒 / 10 秒、736×416）、パラメータが調整されています。
- エンド·シンセシス·スクリプト：ロゴ+スローガン+凍結フレーム、1つのコマンドがフィルムに表示されます。
必要に応じて、コメント欄で入手方法を尋ねます。
最後に、
8Gの最小容量は、すべての仕様を開くことができるという意味ではありません。デザートは736×416で、ネイティブキャンバスはこのマシン上の断崖です。
ローカルの本当の価値は、試行錯誤の段階です。クラウドAPIを歩く5 秒のスライスはお金がかかり、ローカルの電気料金のみがかかります。プロンプト、スクリーン構成、テストミラーを繰り返し変更し、コストはほとんどゼロです。最終決定後、APIを高解像度に使用するかどうかを検討し、そのアカウントは費用対効果があります。
直接コメントすること-8Gで走ったので、全部答えられます。
私は主に3つのことをしました：断片をマージし、“文ごと”のリズムを減らし、連続した説明を同じ情報単位に戻す。。技術データ、注文、エラー、主要な結論は削除されません。