MiniMax H3 T2V ComfyUI: プロンプトからネイティブステレオオーディオ付きビデオへ#
MiniMax H3 T2V ComfyUI は、1つのプロンプトを短いシネマティックビデオに変換し、シンクされたステレオオーディオを提供します。公式の Comfy.org テンプレートとオープンな Comfy-Org MiniMax-H3 の重みから構築されており、FL2VA パスをたどることで、動きと音が一緒に生成され、後からステッチされることはありません。プロンプトのみのシーン、対話または歌唱クリップ、ビジュアルと音を1回で必要とするコンセプトショットの迅速な探索に最適です。
ショット、カメラ、パフォーマンス、オーディオキューを1つのブロックで記述し、サイズと期間を選択してからグラフをキューに入れます。ワークフローは正しい MiniMax-H3 コンポーネントをロードし、ジョイントオーディオビジュアルレイテントをサンプリングし、それらをフレームとステレオオーディオにデコードし、結果をマルチプレックスして完成したビデオファイルを保存します。
Comfyui MiniMax H3 T2V ComfyUI ワークフローの主要モデル#
- MiniMax-H3 FL2VA 拡散モデル。フェーズを合わせた状態で動きと音が維持されるようにジョイントオーディオビデオノイズ除去を行うコア UNet。重みは Comfy-Org により diffusion_models に提供されています。Model files
- MiniMax-H3 ビデオ VAE。視覚的なレイテントを RGB フレームにエンコードおよびデコードし、シネマティックなディテールと動きの連続性を保持します。minimax_h3_video_vae_fp16.safetensors
- MiniMax-H3 オーディオ VAE。オーディオレイテントを各クリップの時間合わせされたステレオ波形にエンコードおよびデコードします。minimax_h3_audio_vae_fp32.safetensors
- Qwen3-VL 32B テキストエンコーダー (MiniMax-H3 用 AWQ)。シーンの意味、タイミング、およびオーディオの意図をカバーする条件にプロンプトを解釈します。qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
オリジナルテンプレートを比較したい場合は、Comfy.org のリファレンスを参照してください。Template JSON
Comfyui MiniMax H3 T2V ComfyUI ワークフローの使い方#
高レベルでは、目標の解像度と期間を設定し、視覚とオーディオの両方を含む1つのプロンプトを書き、オプションで最初と最後のフレームを追加してから実行します。サブグラフ内で、MiniMax-H3 は同期されたビデオとオーディオレイテントを作成し、それらをデコードして 24 fps のムービーに結合し、保存します。
ResolutionSelector (#115)#
width と height を設定するためにアスペクト比とスケールを選択します。セレクターは 32 の効率的な倍数に丸め、これらの値を MiniMax-H3 サブグラフにフィードするので、手動で寸法を計算する必要はありません。プロンプトが正しく読み取れるようになったら、まず中程度のサイズから始めて、次第にスケールアップします。アスペクト比の変更は、トレーラー、縦クリップ、スクエアプレビューの強力なクリエイティブレバーです。
Image to Video (MiniMax H3) (#105)#
このサブグラフは MiniMax H3 T2V ComfyUI パイプラインを編成します。ショット、編集、サウンドトラックを一緒に記述する一貫したプロンプトを貼り付け、オプションで first_frame と last_frame の画像を提供して出入り口を固定します。人間に優しい duration を設定すると、グラフはモデルに対して有効なフレーム数に変換します。サブグラフは同期されたオーディオビジュアルレイテントを返し、それらはデコードとマルチプレックスに進みます。
モデルグループ#
モデルグループはこのワークフローのために正確な MiniMax-H3 コンポーネントをロードします。UNETLoader (#6) は FL2VA 拡散モデルを取り込み、CLIPLoader (#13) は Qwen3-VL エンコーダーをロードし、2つの VAELoader ノード (#11 ビデオ, #24 オーディオ) がデコーダーを準備します。これらは Comfy-Org MiniMax-H3 ファイルに向けられているので、手動配線なしで実行できます。モデルをここに集中させておくことで、将来の交換やアップグレードが簡単になります。
コンディショニンググループ#
MiniMaxH3ImageToVideo (#104) はあなたのプロンプト、オプションの first_frame と last_frame、選択された width、height、length を MiniMax-H3 コンディショニングと初期レイテントに変換します。モデルにシーンのコンテンツとオーディオの意図を一度に読み取らせることが目的で、これによりより緊密な同期が得られます。参照フレームを提供すれば、エントリーとエグジットが連続性のためにガイドされます。空のままにしておくと、生成はコールドスタートします。
サンプリンググループ#
サンプリングは RandomNoise (#15)、KSamplerSelect (#17)、BasicScheduler (#9)、BasicGuider (#16)、およびメインの SamplerCustomAdvanced (#14) によって処理されます。これらは一緒にジョイントレイテントを除去し、絵の動きと音のイベントをロックステップで発展させます。新しいシードで再実行して、同じクリエイティブな方向を保ちながら別のテイクを探求できます。慣れてきたら、サンプラーの選択やスケジュールの実験で動きのエネルギーや音のテクスチャをわずかに変更できます。
デコードとビデオ作成グループ#
VAEDecode (#10) はビデオレイテントからフレームシーケンスを再構築し、VAEDecodeAudio (#23) はオーディオレイテントからステレオ波形を再構築します。CreateVideo (#91) はフレームとオーディオを 24 fps で完成したクリップにマルチプレックスします。プロンプトで指定されたクリーンなカットとビートがタイムラインで一緒に組み合わされる場所です。出力は保存に進みます。
SaveVideo (#92)#
最終ビデオを ComfyUI の出力に video/MiniMax_H3 に書き込みます。ノードは自動命名を使用しているので、迅速に反復できます。パスを変更して異なるプロジェクトを分離しておくことができます。出力には生成された画像とステレオオーディオの両方が含まれています。
Comfyui MiniMax H3 T2V ComfyUI ワークフローの主要ノード#
MiniMaxH3ImageToVideo (#104)#
MiniMax-H3 のコアコンディショニングノードで、prompt、オプションの first_frame と last_frame、width、height、length を受け入れます。プロンプトは簡潔でシネマティックに保ち、環境音、SFX、対話、音楽のヒットのようなオーディオキューを同じテキストブロックに含めます。特定の出入り口が必要な場合は参照フレームを使用し、自由なステージングを求める場合は省略します。
ComfyMathExpression (#107)#
秒単位の人間が読みやすい duration をモデルが期待する整数 length にマップし、モデルのフレームグリッドにスナップしてクリーンなタイミングを実現します。意図したクリップの長さを設定し、ノードに変換を任せます。わずかに短いクリップは、高解像度でのシャープな動きと音の同期を維持する傾向があります。
SamplerCustomAdvanced (#14)#
選択したサンプラーとスケジュールに基づいてノイズ除去プロセスを駆動します。比較のためにテイクをロックするには固定 noise_seed を使用し、新しいバリエーションを探求する際にはシードのみを変更します。動きがあまりにもカオスまたは硬すぎると感じた場合は、KSamplerSelect (#17) で別のサンプラーを試したり、BasicScheduler (#9) でスケジュールを調整します。
CreateVideo (#91)#
デコードされたフレームとステレオオーディオを選択したフレームレートで1つのビデオストリームに結合します。リズム主導の編集のために、プロンプトで説明したリズムに合わせて fps を設定します。ノードは、遅いまたはスナッピーな感じを求める場合に fps を変更する場所でもあります。
ResolutionSelector (#115)#
アスペクト比と全体のピクセル数の両方に1つのコントロールを提供し、モデルに優しいサイズに自動的に丸めます。まずアスペクトを選択し、次にスケールを調整して速度と忠実度のバランスを取ります。より大きなキャンバスは、注意深いプロンプトと短い期間を報います。
SaveVideo (#92)#
ディスクにクリップを最終化します。実験を整理しておくためにプロジェクトのサブフォルダーを指し、キーパーを見つけたときに賢く名前を付け直します。
オプションのエクストラ#
- プロンプトをミニストーリーボードとして、時間のキューと明示的なオーディオビートを含めて信頼性のある同期を得ます。
- サウンドトラックを誘導するために、風、足音、群衆、リバーブ、特定の楽器のようなオーディオ意図の言葉を含めます。
- プロンプトに直接対話や歌唱の行を追加し、話者のトーンを記載します。
- プロンプトの微調整を比較する際に
noise_seedをロックし、代替テイクを探求する際にはシードのみを変更します。 - カット間の連続性が必要な場合や正確な最終ポーズが必要な場合に
first_frameとlast_frameを使用して動きを括ります。
謝辞#
このワークフローは、以下の作品やリソースを実装し、構築しています。MiniMax H3 T2V ワークフローテンプレートと MiniMax-H3 モデルの重みを提供している Comfy-Org、MiniMax H3 チュートリアルを提供している Comfy.org、公式 MiniMax H3 発表を行っている MiniMax の貢献と維持に感謝いたします。権威ある詳細については、以下にリンクされたオリジナル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#
- Comfy-Org/MiniMax H3 T2V ワークフローテンプレート
- GitHub: video_minimax_h3_t2v.json
- Comfy.org/MiniMax H3 チュートリアル
- Docs / Release Notes: MiniMax H3 チュートリアル
- MiniMax/MiniMax H3 公式発表
- Docs / Release Notes: MiniMax H3 公式発表
- Comfy-Org/MiniMax-H3 モデルの重み
- Hugging Face: Comfy-Org/MiniMax-H3
注: 参照されるモデル、データセット、コードの使用には、それぞれの作成者および管理者によって提供されるライセンスと条件が適用されます。
