ComfyUIでMiniMax H3のMotion-Contextカスタムノードを試してみた

インプットの動画の終わり際の数フレームから数十フレームを参照して、続きとしてできるだけ自然な動画を生成するためのカスタムノードですね。
動画の延長技術って感じですかね。

これまでにもMiniMax H3については何度か解説しているので、興味があればご覧ください。

環境

OS:Windows 11
GPU:GeForce RTX 4090
CPU:i9-13900KF
memory:128G

構築手順

CUDA13は必須ですので、こちらの手順などを参考に、CUDAのバージョンを更新してください。

以下のカスタムノードをインストールして、ComfyUIを最新化してください。

cd ComfyUI\custom_nodes
git clone https://github.com/NikoDemon80/ComfyUI-H3-Motion-Context.git
git clone https://github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3.git

モデル

minimax_h3_fl2va_pruned_int8_convrot.safetensorsをダウンロードして「ComfyUI\models\diffusion_models」に配置qwen3vl_32b_minimax_h3_nvfp4_awq.safetensorsをダウンロードして「ComfyUI\models\text_encoders」に配置
minimax_h3_audio_vae_fp32.safetensorsをダウンロードして「ComfyUI\models\vae」に配置

minimax_h3_video_vae_int8_convrot.safetensorsをダウンロードして「ComfyUI\models\vae」に配置

minimax_h3_fl2v_lightx2v_turbo_4step_v0.1_comfy_resized_avg_rank_21_bf16.safetensorsをダウンロードして「ComfyUI\models\loras」に配置

ワークフロー

左のノードでアップロードした動画から延長するような動画を生成します。
画像は、延長として生成する動画のI2V用の画像です。

生成結果

生成結果は以下です。
生成時間は48秒、CPUメモリは63GB、GPUメモリは59GB（VRAM21GB+共有メモリ38GB）でした。

感想

音声は完璧ではないですね。
歌声は反映されてそうなので、もう少しコンテキストを長くすれば、もっとうまくいく気がしますね。

LTX-2.3にあるような動画延長だと、だいたい後ろの動画は最終フレームを指定できないので、この機能自体もある程度使い道がある気がしますね。