MiniMax H3 ComfyUI テキストから動画への4ステップターボ: プロンプトからクリップへ、1パスでネイティブオーディオ#
このワークフローは、単一のシネマティックプロンプトをMiniMax H3を使用して、共同生成されるステレオオーディオを伴う短い動画に変換します。Turbo 4ステップ加速LoRAを適用し、ダイアログ、歌、環境シーンを迅速に繰り返し、モーションとサウンドをしっかりと結合します。
プロンプトのみのドラフトを望むクリエイター向けに設計されたMiniMax H3 ComfyUI テキストから動画への4ステップターボワークフローは、手動のオーディオ組み立てなしでクリーンなスピーチまたはボーカル、一貫した環境音、そして一貫したシネマトグラフィーを生成します。グラフは、長さの整列、潜在サンプリング、デコード、マクシングを自動的に処理するので、ストーリーテリングとパフォーマンスのキューに集中できます。
Comfyui MiniMax H3 ComfyUI テキストから動画への4ステップターボワークフローの主要モデル#
- MiniMax H3 拡散モデル (FL2VA UNet)。ピクチャーとサウンドの共有潜在を学習し、同じサンプリングパスから同期されたモーションとオーディオを生み出すコアオーディオビジュアルジェネレーター。重み: Comfy-Org/MiniMax-H3。
- Qwen3-VL 32B テキストエンコーダー for H3 (AWQ/NVFP4 variant)。シーンレイアウト、パフォーマンス、オーディオイベントを駆動するコンディショニングに豊富な複数文プロンプトをエンコードします。Comfy-Org/MiniMax-H3にパッケージ化されています。
- MiniMax H3 Video VAE。サンプルされたビデオ潜在を映画のようなトーンとディテールでフレームにデコードします。ファイル: minimax_h3_video_vae_fp16.safetensors。
- MiniMax H3 Audio VAE。共有された潜在をスピーチ、歌、環境音のために時間整列されたステレオオーディオにデコードします。ファイル: minimax_h3_audio_vae_fp32.safetensors。
- MiniMax H3 Turbo 4-step LoRA。シーンの忠実度を保ちながら非常に高速なサンプリングを可能にする加速レシピを適用します。ファイル: minimax_h3_turbo_4step_pruned_comfyui.safetensors。
Comfyui MiniMax H3 ComfyUI テキストから動画への4ステップターボワークフローの使い方#
高レベルでは、プロンプトがエンコードされ、Turboで強化されたH3モデルが単一のオーディオビジュアル潜在をサンプリングし、ビデオとオーディオVAEがその潜在をデコードし、クリップが再生可能なファイルにマクシングされます。
1) シネマティックプロンプトを書き、持続時間を設定#
easy positive (#147) テキストフィールドを使用して、ルック、アクション、パフォーマンスを記述します。声や音楽をガイドするには、「Audio: middle‑aged male voice delivers the line... rain ambience... low thriller underscore」のような明確なキューを含めてください。Float (duration) コントローラー (#133) はクリップの長さを秒単位で設定します。あなたの持続時間をフレームに変換し、H3の必要なケイデンスに静かに整合させる数学ノードがありますので、フレーム数学を管理する必要はありません。
2) H3、テキストエンコーダー、VAE、Turbo LoRAをロード#
UNETLoader (#127) はMiniMax H3 拡散モデルをロードし、CLIPLoader (#128) はH3用に調整されたQwen3‑VL テキストエンコーダーをロードします。2つのVAELoaderノードがビデオVAE (#119) とオーディオVAE (#120) を持ち込みます。LoraLoaderModelOnly (#153) はMiniMax H3 Turbo 4-step LoRAをモデルに適用し、スケジューラーとサンプラーがオーディオビジュアルの整合性を失わずに高速なレジームで動作します。
3) コンディショニングと初期オーディオビジュアル潜在を構築#
MiniMaxH3ImageToVideo (#131) はプロンプトをポジティブコンディショニングに変換し、選択した幅、高さ、フレーム数に整合させた初期潜在を準備します。後でグラフを拡張する場合、開始または終了画像をアンカーするためのオプションのfirst_frameとlast_frame入力があります。ノードはダウンストリームサンプリングが洗練するコンディショニングと潜在を出力します。
4) Turboでサンプリング#
BasicGuider (#126) はモデルとあなたのコンディショニングをペアにし、KSamplerSelect (#123) はサンプリングアルゴリズムを選択し、BasicScheduler (#124) はTurbo LoRAと連携するステップスケジュールを設定します。RandomNoise (#129) は再現性のために生成をシードします。SamplerCustomAdvanced (#125) はビデオとオーディオの両方をエンコードする最終的な共有潜在を生み出すためのデノイズパスを実行します。
5) 最終クリップをデコードしエクスポート#
VAEDecode (#122) は潜在から画像フレームを再構築し、VAEDecodeAudio (#121) は同期されたステレオオーディオを再構築します。CreateVideo (#130) はフレームとオーディオを単一のストリームにマクシングし、その後、SaveVideo (#92) は設定したファイル名プレフィックスを使用してディスクにファイルを書き込みます。
Comfyui MiniMax H3 ComfyUI テキストから動画への4ステップターボワークフローの主要ノード#
MiniMaxH3ImageToVideo (#131)#
プロンプト、解像度、長さからポジティブコンディショニングを生成し、オーディオビジュアル潜在を初期化します。width、height、またはlengthを調整することで、モーションスケールと画面上のアクションのフィット量を変更できます。後でグラフを拡張する場合、first_frameとlast_frameを使用してショット間の連続性をロックできます。
LoraLoaderModelOnly (#153)#
ロードされたH3モデルにTurbo 4-step LoRAを適用します。低ステップレジームでスケジューラーを維持し、Turboのメリットを享受してください。ステップを大幅に増やすと、意図された高速反復動作から見た目が離れます。このLoRAはMiniMax H3専用に設計されており、H3リポジトリ内のメインの重みと共に存在します。
BasicScheduler (#124)#
サンプラーが従うデノイズスケジュールを制御します。速度と忠実度をバランスさせながら、Turbo LoRAと互換性を保つために使用します。サンプラーアルゴリズムを変更する場合、安定したモーションとクリーンなオーディオを維持するためにスケジュール選択を再検討してください。
SamplerCustomAdvanced (#125)#
ノイズ、ガイダー、サンプラー、シグマ、初期潜在を与えて実際のデノイズを実行します。テクスチャー、タイミング、オーディオビジュアルのシャープネスの最終的な仲裁者です。同じシードを使用してプロンプトの微調整を比較することで、ノイズではなくテキストの変更による違いを帰属させることができます。
PathchSageAttentionKJ (#150)#
大解像度でのスループットを向上させるためにLoRA注入前にアテンション最適化を適用します。ComfyUIのためのパフォーマンスヘルパーを提供するKJNodesによって提供されています。リポジトリ: ComfyUI-KJNodes。
CreateVideo (#130)#
デコードされたフレームとデコードされたオーディオを同期されたクリップに結合します。配信仕様に一致させる必要がある場合、フレームレートやビット深度をここで変更できます。ノードは共有潜在から派生したオーディオビデオ同期を維持します。
SaveVideo (#92)#
選択したファイル名プレフィックス、コンテナ、コーデックを使用してレンダリングされたクリップをディスクに書き込みます。同じシーンとシードの反復を追跡するために一貫した命名を使用してください。
オプションの追加#
- スピーチ用のプロンプト: 「Audio:」の後に正確な行を入れ、声の年齢、性別、トーン、ペースを記述します。歌の場合、スタイルとテンポを指定します。環境音の場合、ソース、強度、アンダースコアのみが必要かどうかをリストします。
- 解像度と持続時間のトレードオフ: 高いピクセル数と長いクリップは、より多くのサンプリング時間を要します。多くのテイクが必要な場合、最初は小さく始め、タイミングとデリバリーが正しく感じられたらアップスケールまたは延長します。
- 再現性: テキストを微調整するだけの場合、同じシードを保持して、A/Bテストで小さなプロンプト編集を行ってください。
- 長さの整合は自動的: グラフは秒をフレームに変換し、H3の内部ケイデンスにカウントを整合させ、安定したオーディオビジュアル合成を行います。
- 連続性オプション: モデルノードはオプションの
first_frameとlast_frameを公開しています。後でワークフローを拡張する場合、編集間でショットの開始または終了を一致させるために画像をそこに接続します。 - 安全性: 著作権で保護されたキャラクター、同意なしの実在の人物の肖像、画面上のロゴや字幕をプロンプトに含めないでください。
謝辞#
このワークフローは、以下の作品とリソースを実装し、構築しています。MiniMax H3のマルチモーダル生成モデルと発表、Comfy.orgのComfyUI MiniMax H3ワークフローチュートリアル、Comfy-OrgのMiniMax-H3モデルウェイトに感謝します。権威ある詳細については、以下のリンクされた元のドキュメントとリポジトリを参照してください。
リソース#
- MiniMax/MiniMax H3: タスクとモダリティの境界を破るオープンモデル
- GitHub: MiniMax-AI/MiniMax-H3
- Hugging Face: MiniMaxAI/MiniMax-H3
- Docs / リリースノート: MiniMax H3公式発表
- Comfy.org/MiniMax H3: ComfyUIワークフロー例
- GitHub: Comfy-Org/docs
- Docs / リリースノート: Comfy.org MiniMax H3チュートリアル
- Comfy-Org/MiniMax-H3
- Hugging Face: Comfy-Org/MiniMax-H3
注意: 参照されたモデル、データセット、およびコードの使用は、それぞれの著者とメンテナーによって提供されたライセンスと条件に従います。
