ComfyUI + MiniMax H3 实战教程：全模态视频生成，API 和本地两种玩法

适用版本：ComfyUI 0.30.0+ | 话题：MiniMax H3 · ComfyUI 视频生成 · AI 视频工作流

MiniMax H3 是 MiniMax 于 2026 年 7 月 31 日发布的全模态视频生成模型，开放权重，能在同一上下文中同时接收文本、最多 9 张图片、3 段视频和 3 段音频作为输入，输出最高 2K 分辨率、最长 15 秒的带原生立体声音频视频，人声、音效和音乐在单次前向传播中一并生成，无需后期叠加；在 ComfyUI 中有两条接入路径——通过七牛云 MaaS 调 API（无需本地 GPU）或下载开放权重本地运行，覆盖文生视频、图生视频、参考生视频三种工作流模式。

MiniMax H3 能生成什么

在视频生成模型里，H3 的差异点在于真正的全模态输入——不是单纯的"文生视频"或"图生视频"，而是能把图片、视频片段、音频素材混合给进去，让模型理解它们之间的关系后再生成。

几个关键参数：

输出规格：最高 2K 分辨率，24fps，单次最长 15 秒
原生音频：不是后期配音，是模型生成视频时直接合成立体声（对白 + 音效 + 背景音乐）
文本编码器：Qwen3VL 32B（量化为 nvfp4_awq），具备强大的多语言和视觉理解能力
三种生成模式：文生视频（T2V）、首尾帧生视频（FLF2V）、参考生视频（R2V）

模型以 int8 量化权重（pruned_int8_convrot 格式）开放，本地部署显存要求较高；如果不想买 GPU，走 API 调用是更省心的选择。

两条接入路径对比

维度	API 模式（推荐）	本地权重模式
硬件要求	无，计算在云端	高显存 GPU（Qwen3VL 32B 编码器体量大）
上手难度	低，导入工作流模板即可	需下载多个权重文件并手动配置节点
费用结构	按视频秒数计费	一次下载，本地电费
网络依赖	是	下载后离线可运行
适合场景	快速验证、小批量生成	大批量生产、需要完全控制

方式一：API 模式（零 GPU，七牛云 MaaS 接入）

第一步：获取 API Key

在七牛云 MaaS 平台（sufy.com）注册账户，进入 AI 推理服务，找到 MiniMax-H3 模型（模型 ID：minimax/minimax-h3），在账户中生成 API Key。

平台价格（人民币计费）：

计费类型	单价
视频输出（2K）	¥0.80 / 秒
视频输入（2K 输出）	¥0.80 / 秒
视频输出（768P）	¥0.50 / 秒
视频输入（768P 输出）	¥0.50 / 秒
图片输入	¥0.20 / 张

以一条 10 秒 768P 视频为例，视频输出费用约 ¥5。

第二步：在 ComfyUI 中导入工作流模板

打开 ComfyUI（确保版本 ≥ 0.30.0），在模板库搜索以下关键词，导入对应 JSON：

生成模式	模板搜索词
文生视频	MiniMax H3 T2V
首尾帧生视频	MiniMax H3 FLF2V
参考生视频	MiniMax H3 R2V

也可直接从 Comfy-Org 的 GitHub 仓库下载对应 JSON 文件拖入导入。

第三步：填入 API Key，运行生成

在工作流的 API Key 节点填入从 sufy.com 获取的 Key，配置提示词和参数，点击运行即可。生成在云端完成，本地只收返回的视频文件。

方式二：本地权重模式

本地模式要求 ComfyUI 最低 0.30.0 版本，否则 MiniMax H3 的原生节点不可用。

需要下载的权重文件

从 Hugging Face Comfy-Org/MiniMax-H3 仓库下载，放入对应目录：

ComfyUI/
├── models/
│   ├── diffusion_models/
│   │   └── minimax_h3_fl2va_pruned_int8_convrot.safetensors   # T2V/I2V 用
│   │   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors  # R2V 用（与上面二选一）
│   ├── text_encoders/
│   │   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│   └── vae/
│       ├── minimax_h3_video_vae_fp16.safetensors
│       └── minimax_h3_audio_vae_fp32.safetensors

注意：R2V 模式（参考生视频）使用 ref2va 扩散模型，与 T2V/I2V 使用的 fl2va 不同，需单独下载；文本编码器和 VAE 两种模式共用。

核心节点说明

ComfyUI 节点名	对应功能
MiniMaxH3TextToVideo	文生视频
MiniMaxH3ImageToVideo	图生视频（支持首帧 / 尾帧输入）
MiniMaxH3ReferenceToVideo	参考驱动生成
Resolution Selector	选择宽高比和分辨率
Patch Sage Attention KJ	可选，需 KJNodes 插件，加速推理

三种生成模式详解

文生视频（T2V）

最简单的模式，一段提示词出一段视频。提示词建议按"整体场景 → 分镜头描述 → 音频期望"的结构写，H3 会根据对音频的描述自动合成立体声。

宽高比预设：16:9（横屏）、9:16（竖屏）、1:1，时长 5–15 秒可调，分辨率最高 2K。

首尾帧生视频（FLF2V）

给定首帧图片（必填）和尾帧图片（可选），让模型补全中间的运动过程。

图片尺寸限制：宽高均在 256–5760 px 之间，宽高比在 2:5 到 5:2 之间；两帧需保持一致的宽高比，否则会强制裁切。

参考生视频（R2V）

最强大也最复杂的模式，可以混合多个视觉和音频参考源，让模型理解它们之间的关系后生成新视频。

输入上限：

参考图片：最多 9 张
参考视频：最多 3 段（每段 2–15 秒，总长 ≤15 秒，帧率需在 23.976–60 FPS 之间）
参考音频：最多 3 段（总长 ≤15 秒，至少需要搭配一张图片或一段视频）

提示词中引用参考素材的格式：

 是主角，穿蓝色上衣，表情自然。

编号严格对应节点连接顺序，从 1 开始，不可跳号。

提示词写作要点

H3 的音频生成质量高度依赖提示词中对声音的描述，很多人忽略这一点导致输出音频平淡。建议每段视频的提示词包含三类声音描述：

对白或人声：说了什么、语气、情绪
环境音效：场景中应有的自然声音
背景音乐：风格、节奏、情绪基调

分辨率设置：短边建议 768px，推荐全质量设置在 16:9 比例下约 100 万像素（1344×768），分辨率数值须为 32 的倍数。

时长注意：H3 的时长参数会吸附到模型内部的帧块网格（24fps 下每块 17 帧），填入的秒数会自动取最近的有效值，不是所有整数秒都有效。

常见问题

Q：ComfyUI 用了 API 模式，生成结果保存在哪里？

API 模式下生成在 MiniMax 的云端服务器执行，结果以视频文件形式返回到本地 ComfyUI 的输出目录，与本地生成结果存放路径相同。

Q：本地模式至少需要多大显存？

官方文档未给出明确数值，但文本编码器 Qwen3VL 32B（量化为 nvfp4_awq）体量较大，加上扩散模型和两个 VAE，建议至少 24GB 显存，实际需求以社区测试为准。目前已有 RTX 4080（16GB）搭配 int8 量化权重运行的案例，但需要启用显存优化选项。

Q：通过七牛云 MaaS 调 API，模型 ID 怎么填？

在 API 请求中model 字段填 minimax/minimax-h3，接口端点参考 sufy.comapidocs.qnaigc.comigc.com）。

Q：R2V 模式的参考视频需要什么格式？

帧率在 23.976–60 FPS 之间，单段时长 2–15 秒，三段合计不超过 15 秒。格式建议 mp4，分辨率建议与目标输出分辨率接近。

小结

MiniMax H3 是目前少数真正实现"输入什么模态都能理解、输出带原生音频"的开放权重视频生成模型。ComfyUI 提供了两条接入路径：API 模式适合快速出片，不需要本地 GPU，通过七牛云 MaaS 按秒计费，门槛极低；本地权重模式适合需要完全控制的场景，但对硬件要求较高。三种生成模式中，R2V 的多参考融合能力是 H3 最有价值的差异化功能，值得重点探索。

本文数据基于 MiniMax 2026 年 7 月 31 日发布的模型权重和 ComfyUI 0.30.0 版本，如遇界面差异以官方最新文档为准。