Open-Weights Release · ComfyUI Native
MiniMax H3
全模态视频生成系统
33B 参数的 Omni Transformer，一次前向传播同时生成视频与原生立体声音频。文字、图片、视频、音频——统一编码，统一生成。开源地址直达，本地 4090 可跑。
🎬 文生 / 图生 / 参考生
🗣️ 原生音画同步
📦 128GB 量化可装
🌍 11 种语言
发布于 2026-08-04 · Tony's Lab
01三大核心模块
H3-Context-IR
API ONLY
多模态指令理解与预处理——把文字、图片、视频、音频解析成模型能吃的结构化指令。官方 API 已提供，未开源。
H3-Base
✅ 已开源
33B H3-Omni-Transformer——文本 / 图像 / 视频 / 立体声音频统一编码为多模态序列，视频和音频联合生成。提供 FL2VA（首尾帧）和 Ref2VA（参考生）两类 Checkpoint。
H3-Regenerate-2K
开源筹备中
上下文高清再生成——把 768p 结果在原始上下文里重新渲染为 2K 画质。API 已上线，本地开源版本尚未发布。
02核心强悍能力
🎬
生成模式
文生视频 / 首帧 / 尾帧 / 首尾帧生视频 / 多素材参考生成
📦
素材上限
最多 9 张图片 + 3 段视频 + 3 段音频，混合输入合计 12 个
🔊
原生音画同步
VisualVAE / AudioVAE 统一编码，声音与画面同一次生成，非后期合成
🌍
11 种语言
中 / 英 / 日 / 韩 / 法 / 德 / 意 / 西 / 葡 / 俄 / 阿拉伯
输入模式速览
- FL2VA：接受 0 / 1 / 2 张图——无图即文生视频，1 张即首帧或尾帧控制，2 张即首尾帧控制
- Ref2VA：参考生视频——锁定角色 / 风格 / 动作 / 运镜 / 声音，从参考素材里提取
部署兼容
支持 SGLang、vLLM、diffusers、ComfyUI 四种方式本地部署。ComfyUI 提供原生节点与官方工作流模板，开箱即用。
03RTX 4090 本地部署
模型总权重约 42.5GB（量化后），24G 显存放不下全部——ComfyUI 会把部分权重动态卸载到系统内存。官方打包的 pruned INT8 就是为消费级显卡优化的。
模型下载
来源：HuggingFace · Comfy-Org/MiniMax-H3，选 pruned INT8 版本：
| 文件 | 大小 | 放置目录 |
|---|
minimax_h3_fl2va_pruned_int8_convrot.safetensors | 19.5 GB | models/diffusion_models/ |
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 14.6 GB | models/text_encoders/ |
minimax_h3_video_vae_fp16.safetensors | 4.9 GB | models/vae/ |
minimax_h3_audio_vae_fp32.safetensors | 0.6 GB | models/vae/ |
R2V 用户注意
要用参考生视频还需下载 minimax_h3_ref2va_pruned_int8_convrot.safetensors。
部署步骤
- 更新 ComfyUI 到 0.30.0 及以上版本
- 下载模型，按上表放入对应目录
- 打开模板库 → Video → MiniMax H3（T2V / I2V / R2V）
- 设置分辨率：建议 0.4~0.5 百万像素（舒适），0.7 较紧（约 960×540），不建议 1.0+
- 设置时长：5~10 秒稳妥，最长 15 秒
- 写提示词：不需要负面提示词，全部写在一个框里
环境要求
- 显卡：RTX 3060 12G 起（最低 480p），4090 24G 舒适
- 内存：建议 32GB+（权重动态卸载依赖系统内存）
- 硬盘：必须 SSD
Sage Attention 加速
可让生成速度约翻倍，质量损失很小：
- 从 SageAttention Releases 下载对应 PyTorch + CUDA 版本的 wheel，
pip install
- 安装 KJNodes 自定义节点
- 加入
Patch Sage Attention KJ 节点，接在 UNETLoader 和 BasicGuider 之间，设为 auto
- 或启动参数加
--use-sage-attention 全局开启
性能参考
| 配置 | 分辨率 | 时长 | 耗时 |
|---|
| RTX 4090 Laptop（16G） | 960×540 | 5 秒 | 约 182 秒 |
| 桌面 RTX 4090（24G） | — | — | 更快 |
04DGX Spark 能跑吗？
能跑，但别期待速度。内存容量是强项，带宽是硬伤。
DGX Spark · GB10
- 内存容量128GB 💪
- 内存带宽273 GB/s
- GPU 算力≈ 5070 / 3090
- 架构Blackwell · aarch64
- 全精度装得下✅ 110GB
vs
RTX 4090
- 内存容量24GB
- 内存带宽1008 GB/s 🚀
- GPU 算力强于 Spark
- 架构Ada · x86
- 全精度装得下❌ 需量化
结论
- ✅ Spark 能装下一切：量化版 ~40GB、BF16 全精度 ~110GB 都能塞进 128GB 统一内存
- ❌ 但跑得慢：33B 权重在 273GB/s 带宽下每步搬运就比 4090 慢近 4 倍——生成 5 秒视频粗估 15~30 分钟（4090 约 3 分钟）
- ⚠️ 软件折腾：aarch64 环境，社区有 comfyui-dgx-spark 兼容补丁，Sage Attention 可能编译不过去
最佳姿势
4090 出草稿验证提示词 → 满意后丢给 Spark 出全精度精修版。Spark 是容量怪兽，4090 是速度选手，各取所长。
05消费级显卡选型指南
视频生成是带宽密集型任务——每一步采样都要重新搬运全部权重。所以选卡看两件事：显存装得下多少、带宽跑得有多快。
| 显卡 | 显存 | 带宽 | H3 表现 | 参考价格 * |
|---|
| RTX 5090 🏆 |
32GB GDDR7 |
1.79 TB/s |
pruned INT8 全套 ~34GB 基本装得下，少 swap；FP4 硬件加速 |
¥16,499 起
(市场价 ¥17,200-19,500+) |
| RTX 4090 💰 |
24GB GDDR6X |
1.01 TB/s |
pruned INT8 默认 T2V 约 100 秒/条，有 swap 但可接受 |
¥13,000-16,000
(已停产，存量/二手) |
| RTX 5080 ⚖️ |
16GB GDDR7 |
960 GB/s |
能跑但 offload 多，速度明显慢于 4090 |
¥8,299 起
(市场价 ¥11,200-12,800) |
| RTX 5070 Ti |
16GB GDDR7 |
896 GB/s |
能跑，低分辨率迭代可用 |
¥6,999 起
(市场价涨幅大) |
| RTX 3060 12G 🎯 |
12GB GDDR6 |
360 GB/s |
FP8/INT8 + 动态卸载，最低 480p 可玩 |
¥1,500-2,000 |
* 价格说明
2026-08 市场参考价，人民币。受 AI 需求与显存紧缺影响，50 系普遍溢价 16%~38% 且仍在上涨（台湾市场 5070 Ti 已涨 67%）；4090 停产，价格看存量。建议以当日电商报价为准。
怎么选
- 不差钱 / 批量出片 → 5090：32GB 正好卡在 "H3 全套基本装得下" 的甜蜜点，带宽碾压 4090 77%，唯一消费级满血体验
- 已有 4090 → 继续用：24GB 是消费级"够用"门槛，pruned INT8 + 动态卸载已能顺畅迭代，没必要为 H3 专门换卡
- 预算有限 → 5080 / 5070 Ti：能跑但别指望速度，适合偶尔玩
- 只想体验 → 3060 12G 或更低：8GB 显存配量化也能出 480p，"能玩"级别
一句话
5090 是消费级满血，4090 是性价比甜点（尤其你已经拥有时）。显存决定能不能装，带宽决定快不快——H3 两个都要。
06提示词写作建议
把提示词当导演脚本写，四个模块：
- 角色分工：明确每个参考素材的职责——"图 1 定胶片质感，图 2 锁定女主的脸，图 3 锁定酒瓶"
- 时间线：15 秒一般 1~3 个节拍，如 "0-5s 沿长凳走，5-10s 举起酒瓶逆光，10-15s 放下"
- 镜头：焦距、运镜、颗粒、布光、景深——别只写"电影感"
- 声音：环境声 / 拟音 / 音乐 / 对白各自写清入场时机
官方指南：Base 版 · Reference 版
07为什么说这是"掀桌子"
一个月前想本地生成这个级别的视频几乎是做梦——只能花钱玩闭源模型，忍受抽卡和无底洞式的按次计费。现在 33B 开源权重 + ComfyUI 原生支持，一张消费级 4090 就能跑，还自带立体声。