見出し画像

ComfyUIでMiniMax H3の動画生成（T2V）をテスト

まゆひらa

Last update 2026-8-12
※ (2026-8-12) ComfyUI の新規インストールから動画生成までの手順の記事を公開しました。 
※ (2026-8-8) Kijai/MiniMax-H3-experimental に掲載されている、軽量な w4a8 モデルと video_vae_int8 が利用可能になりました（アップデートが必要）。
※ (2026-8-6) MiniMax H3 に関係するバグ修正や機能追加などが随時行われているので、時々アップデートを行ってください。
※ (2026-8-4) ワークフローを修正しました。3-0. および 3-1. を参照してください。
※ 初期リリースのため、随時、記事の修正を行う場合があります。お気づきの点があれば、遠慮無くコメントでお知らせください。
※ 関連記事は、ComfyUI の記事一覧にまとめてあります。
※ noteの質問箱 へ気軽に声をお寄せください。質問以外のメッセージの方が嬉しいかもしれません。回答は気まぐれなのでご了承ください。



■ 0. 概要

▼ 0-0. はじめに

　本記事では Claude Code で調査・作成した内容を含んでいますが、手作業で記事全体を確認・編集・加筆しています。また、動画を生成するプロンプトは Gemini を利用して作成しました。

　本記事は、MiniMax がリリースした動画生成モデル「MiniMax H3」の T2V（Text to Video）のみを ComfyUI で試してみた記録です。今後、I2V（Image to Video）やR2V（Reference to Video）を含む、通常版の記事を改めて公開する予定です。

　ComfyUIのインストール方法は、下記の記事をご覧ください。

▼ 0-1. 関連記事

　ComfyUI の新規インストールから動画生成まで、全ての手順をひとつの記事にまとめました。

　解説記事では書ききれない様々な情報をメモしています。参考になれば幸いです。

▼ 0-2. MiniMax H3について

　MiniMax H3 は、動画生成サービス「Hailuo」を手がける MiniMax が公開した動画生成モデルです。最大の特徴は、映像と音声を1回の推論でまとめて生成する点で、台詞・効果音・BGM が最初から映像に同期した状態で出力されます。公開されているチェックポイントは下記の2種類です。

  • fl2va: テキストから動画（T2V）と、画像から動画（I2V）に使用します。任意で、最初のフレームや最後のフレームが指定できます。

  • ref2va: 参照から動画（R2V）に使用します。人物の同一性・画風・動き・カメラワーク・声などを参照素材から引き継ぎます。

▼ 0-3. 推奨環境

  • ComfyUI: 0.30.0 以降が必須です（最新版を推奨）。

  • 推奨 VRAM: 24GB 以上。

  • 最低 VRAM: 8〜12GB 程度でも、ComfyUI の自動オフロードで動作するとされています（ComfyUI 公式ブログにて RTX 3060 での動作に言及）。

  • メイン RAM: 基本的に 64GB 以上を強く推奨します。

  • RTX 5xxx 系: Text Encoder で使用されている NVFP4 形式にネイティブ対応しています（4xxx 以下でも動作します）。

▼ 0-4. 参考リンク

　公式のモデルへのリンクです。ライセンスについては、ページの最下部にある License の項目を参照してください。

　本記事で使用するモデルの配布先（Comfy Org 版）と、参考にした ComfyUI 向けのワークフローです。

　ComfyUI 公式ブログの、MiniMax H3 に関する情報です。

　

■ 1. 留意事項と使用リソース量

▼ 1-1. 留意事項（お約束）

　ComfyUI を更新していないと、必要なノードや機能が存在しない場合があります。バグフィックスを含むこともあるので、なるべく最新版にしてください。

　状況に応じて、VRAM に読み込んだモデルが自動的にメイン RAM へ待避（オフロード）されることがあります。そのため、メイン RAM が多いとさらに快適に利用できる可能性があります。MiniMax H3 は拡散モデルと Text Encoder だけで 36GB を超えるため、このオフロードが常時発生する前提でお考えください。

▼ 1-2. 必要なリソースと生成時間

　筆者の環境（GeForce RTX 5060Ti 16GB）での、5.17 秒の動画の生成時間です。

  • 194秒（1回目の実行、20 Steps、864x480、、Easy Cache有効時）

  • 185秒（2回目以降の実行、設定は同上）

　 リソースを確認したところ、16GB の VRAM をほとんど消費した状態のまま、メイン RAM の使用量が 20～24GB 上昇したので、VRAM とメイン RAM の消費量の合計は 40GB 近くになると考えられます。

　高速化の方法は 0-1. の記事を参照してください。筆者の環境では、「ComfyUI MiniMax H3 FirstBlockCache（プリセット H3 Fast）」「Patch Sage Attention」「Patch Sol-attn」の併用で、高速化 LoRA を使わずに半分程度の時間まで短縮できています。

■ 2. モデルの設置

▼ 2-1. Comfy Org 版

　本記事では Comfy Org が配布するバージョンを利用し、最小の容量のものを選択します。下記の URL に掲載されたそれぞれのファイルをダウンロードして、ComfyUI インストール先の内部にある適切なフォルダへ移動します。

　 拡散モデルは fp8_scaled よりも int8_convrot の方が互換性や精度の面で優れているとされるため、こちらのみ掲載しています。また、本記事で紹介していない  `ref2va` の拡散モデルは、R2V（Reference to Video）にて利用されます。

  • Comfy-Org/MiniMax-H3
    https://huggingface.co/Comfy-Org/MiniMax-H3 

    • diffusion_models/
      minimax_h3_fl2va_pruned_int8_convrot.safetensors (19.5GB)
      → models\diffusion_models\

    • text_encoders/
      qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors (14.6GB)
      → models\text_encoders\

    • vae/
      ※ 両方が必要
      minimax_h3_video_vae_fp16.safetensors (4.84GB)
      minimax_h3_audio_vae_fp32.safetensors (577MB)
      → models\vae\

　参考まで、MiniMax H3 等のフォルダを作成して分けておくと、各ファイルがどのアーキテクチャ向けのものか把握しやすくなります。


■ 3. 動画の生成

▼ 3-0. ワークフローの訂正

　記事の公開当初に配布していたワークフローにミスがありましたので、お手数をかけますが、サブグラフ「Sampler for MiniMax-H3」を下記の画像のように修正いただくか、次項の新しいワークフローをダウンロードしてください。

ワークフローの修正箇所

　古いワークフローは「note」が下部に、新しいワークフローは上部に、それぞれ配置されています。

▼ 3-1. ワークフローと動画の生成

　生成用のワークフローを提供しますので、改造、再公開を含め自由にご利用ください。

（Last update 2026-08-4）
※ ワークフローの修正に伴い、ファイル名を「t2v_minimax-h3_test0.json」から「t2v_minimax-h3_test0a.json」に変更しました。

　ワークフローのファイルを ComfyUI の画面にドラッグ＆ドロップして読み込み、「Run」をクリックすると生成が始まります。動画は ComfyUI インストール先の「output」フォルダに保存されます。

　使用するモデル（Diffusion Model、Text Encoder、VAE 2種）の場所や名前が異なる場合は変更してください。

MiniMax-H3 で動画を生成して再生中

　生成した動画は X 上に掲載しています（下記）。

　この動画のプロンプトです。

Magical kids anime style, bright vibrant color palette, sparkling magical girl anime aesthetic, vivid magical effects, sparkling floating stars, clean colorful line art, smooth high-fps glossy animation, warm sunny atmosphere.

Scene overview: In a cheerful amusement park with colorful ferris wheels and fairy-tale decorations in the background, a cheerful anime girl dressed in a sailor uniform with a dark navy pleated skirt and brown leather loafers turns around to the camera and excitedly invites the viewer to play, stepping closer for a dramatic ultra-close-up. A dynamic, upbeat, magical 5-second kids anime scene.

Storyboard:
[0s-1.5s] Shot 1 (Medium shot): The girl in her sailor uniform, navy pleated skirt, and loafers is facing slightly away, looking at the vibrant theme park. Suddenly, she reacts with delight, turning around toward the viewer. The camera quickly zooms in one step to a medium-close-up as she turns with her hair and skirt gracefully fluttering.
[1.5s-3.5s] Shot 2 (Zoomed Close-up): The camera zooms in further to an intense face close-up. She speaks the spoken Japanese dialogue once with precise mouth lip-sync, pointing directly at the camera with a big energetic smile.
[3.5s-5s] Shot 3 (Ultra Close-up / Punch-in): Right after finishing her phrase, she does a playful wink and a cute peace sign next to her face as sparkling magic heart particles burst around her, beaming with enthusiasm.

Camera: Dynamic 2-step fast zoom-in (Step 1 at 0.5s during turn-around, Step 2 at 1.5s pushing into her face). Smooth digital camera tracking with rapid focal length change.

Audio: High-pitched, super energetic young female anime voice clearly speaking exactly once in Japanese: "ミニマックス エイチスリーで遊んでみない？" (Pronounced: MiniMax H3). Upbeat pop synth fantasy BGM with a sparkling magic wand chime sound at 0.5s (during turn) and a bright "ping!" SFX at 3.5s (during wink).

No repeating dialogue, no overlapping speech, no dark lighting, no realistic live-action look, no gritty textures, no indoor bedroom setting, no English text overlays, no watermarks, keep the glossy 2D magical kids anime visual style.

▼ 3-2. ワークフローおよび MiniMax-H3 の補足

　前項のワークフローは、Comfy Org（ComfyUI の開発元）が提供するものを少しだけ改造しています。

  • Easy Cache のノードを導入（生成の高速化、設定値はデフォルト）。

  • 生成実行時に、動画の解像度と長さを表示（下記画像）。

出力の解像度と秒数が表示されるようにした

　動画の解像度は、上記画像中の「Set resolution」にて、アスペクト比（aspect_ratio）と画素数（megapixels）を用いて設定します。解像度は 32 の倍数としています（multiple の値は変更しないこと）。大量のリソースと時間を消費するため、画素数の値は 0.3～0.4 程度から始めてください。

　動画の長さは、上記画像中の「Set length」にて秒単位で設定します。ただし、24fps（1 秒あたり 24 フレーム）かつフレーム数が 5+17n と決められているため、このルールに合う値に補正されます。最小で 0.21 秒（5フレーム）、以降は 0.92秒（22フレーム）、1.63秒（39フレーム）…と増えていき、画像では 5.17秒（124 フレーム）となっています。最大は 15 秒とのことです。

　Easy Cache は、高速化の代償として品質の劣化を伴います。明確に悪化する場合もあり得るので、気になる場合はバイパス（無効化）を試してください。ノードをクリック（選択）して、バイパスの有無を切り替えることができます。

Easy Cache のノードをバイパスしたところ


■ 4. プロンプトの作成（暫定版）

▼ 4-1. Gemini を利用する手順

　自由な内容で動画を生成するために、 Gemini（https://gemini.google.com/）を利用してプロンプトを作成してみます。他の AI チャットでも構いませんが、Web へのアクセス機能が必須です。

　ここでは、下記のプロンプトガイドを利用させてもらうことにします。

　Gemini のモデルは、デフォルトの Flash で構いません。

Gemini のモデル選択

　最初に、下記の文章をそのまま入力欄へコピー＆ペーストして送信します。

  • https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md や https://fal.ai/learn/devs/minimax-h3-prompting-guide を参照してt2vのプロンプトの書き方を学び、1行で応答してください

　次に、プロンプトの作成指示を出します。下記は一例です。

  • アニメ調でアイドルの女の子が日本語で挨拶をする5秒間の動画のプロンプトを考案してください

　下記の画面のようにプロンプトが出力されるのでコピーして、ワークフローのプロンプト欄にペーストします。

MiniMax-H3 向けのプロンプトが出力された

　下記は実際に生成された動画です。

　あまり考えずに動画を生成しても楽しめますが、静止画とは違い時間軸の変化があるので、ズームインやシーンの変化などの指示を適宜盛り込むことをおすすめします。


■ 5. おまけ

▼ 5-1. 作例

　Xに投稿した動画を載せておきます。長さはいずれも 5.17 秒です。


■ 6. 最後に

▼ 6-1. 筆者より

　筆者は動画生成 AI についてまったく詳しくありませんが、MiniMax H3 は驚くほど高品質な音声込みの動画が家庭用の PC で比較的手軽に生成できる、とても優れたアーキテクチャであると感じました。

　筆者の環境では 5 秒間の動画を作るのに 3 分間もかかります。ただし、オンラインサービスのようにクレジットや使用量の消費が無いことを考えると、検討に値する選択肢であると思います。

　一方で、決して万能というわけではないとも考えられるので、得意な内容を探り当てる利用方法になるかもしれません。また、性能次第では I2V や R2V が強力な武器となるかもしれません。


■ 7. その他

　私が書いた他の記事は、メニューよりたどってください。

　ComfyUIに限定した記事の一覧もあります。

　記事に関することで何かありましたら、Xの@riddi0908までお願いします。

いいなと思ったら応援しよう！