MiniMax H3 本地部署完整指南：从硬件配置到 ComfyUI 工作流实战
MiniMax H3 是 MiniMax 推出的通用全模态生成模型，现已以开放权重形式提供。它能在单一上下文中联合理解文本、图像、视频和音频，并生成带原生立体声音频的视频——语音、音效和音乐在单次前向传播中一并建模，而非事后叠加。
输出最高支持 2K 分辨率、24fps，时长约 15 秒。更重要的是，H3 现已开源，你可以在本地完全控制每个参数。
本文将带你从零开始，完成 MiniMax H3 的本地部署，涵盖硬件配置、ComfyUI 安装、模型下载、三种工作流实战，以及性能优化技巧。
一、硬件配置要求：你的电脑能跑吗？
MiniMax H3 对硬件要求不低，但已进入消费级高端显卡的可触及范围。根据社区实测，以下是不同显卡档位的配置建议：
显卡天梯图
| 显存 | 显卡型号 | 量化方案 | 适用场景 |
|---|---|---|---|
| 24GB+（RTX 5090/4090） | 旗舰级 | FP16 / BF16 | 全质量生成，速度最快 |
| 16GB（RTX 4080 等） | 高端级 | Q5 / Q4 | 兼顾画质与生成速度 |
| 12GB（RTX 3060/4070 Ti 等） | 主流级 | Q4 / pruned INT8 + NVFP4 | 推荐配置，实测可跑 |
| 8GB | 入门级 | 极限量化 | 勉强可跑，但体验较差 |
最低配置建议
- 显卡：NVIDIA RTX 3060 12GB（ComfyUI 官方确认的地板）
- 内存：32GB（必须，16GB 会爆内存）
- 系统：Windows 10/11 或 Linux
- ComfyUI 版本：0.30.0 或更高
推荐配置（流畅体验）
- 显卡：RTX 4080 16GB 或更高
- 内存：32GB DDR4/DDR5
- 硬盘：SSD（模型文件较大，机械硬盘加载慢）
💡 实测数据：RTX 4090 48GB（魔改版）可以流畅运行全精度模型；RTX 4080 16GB 使用量化版本可以兼顾画质与速度；RTX 3060 12GB 配合 32GB 内存可以跑通，但生成时间较长。
二、安装 ComfyUI
ComfyUI 是运行 MiniMax H3 的最佳平台，官方已原生支持 H3 工作流。
2.1 下载 ComfyUI
方式一：官方安装包（推荐新手）
访问 ComfyUI 官网 下载对应系统的安装包：
- Windows：
.exe安装程序 - macOS：
.dmg安装程序 - Linux：AppImage 或手动安装
方式二：从 GitHub 源码安装（推荐进阶用户）
# 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows
# 安装依赖
pip install -r requirements.txt2.2 更新到 0.30.0+
MiniMax H3 需要 ComfyUI 0.30.0 或更高版本。如果你已有旧版本，请更新：
# 源码安装方式
git pull
pip install -r requirements.txt --upgrade如果是官方安装包，启动时会自动检查更新。
2.3 启动 ComfyUI
# 源码安装方式
python main.py
# 或使用启动脚本
# Windows: run_nvidia_gpu.bat
# macOS: run_macos.sh
# Linux: run_nvidia_gpu.sh启动后访问 http://127.0.0.1:8188 即可看到界面。
三、下载 MiniMax H3 模型文件
MiniMax H3 的模型文件托管在 Hugging Face 的 Comfy-Org/MiniMax-H3 仓库。
3.1 模型文件清单
根据你使用的工作流类型，需要下载不同的模型文件：
文生视频（T2V）和图生视频（I2V）工作流
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│ ├── text_encoders/
│ │ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│ └── vae/
│ ├── minimax_h3_video_vae_fp16.safetensors
│ └── minimax_h3_audio_vae_fp32.safetensors参考生视频（R2V）工作流
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └── minimax_h3_ref2va_pruned_int8_convrot.safetensors # 注意：不同的扩散模型
│ ├── text_encoders/
│ │ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors # 共用
│ └── vae/
│ ├── minimax_h3_video_vae_fp16.safetensors # 共用
│ └── minimax_h3_audio_vae_fp32.safetensors # 共用3.2 下载方法
方式一：使用 Hugging Face CLI（推荐）
# 安装 huggingface_hub
pip install huggingface_hub
# 下载单个文件
huggingface-cli download Comfy-Org/MiniMax-H3 \
minimax_h3_fl2va_pruned_int8_convrot.safetensors \
--local-dir ./ComfyUI/models/diffusion_models/
# 下载文本编码器
huggingface-cli download Comfy-Org/MiniMax-H3 \
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors \
--local-dir ./ComfyUI/models/text_encoders/
# 下载 VAE
huggingface-cli download Comfy-Org/MiniMax-H3 \
minimax_h3_video_vae_fp16.safetensors \
--local-dir ./ComfyUI/models/vae/
huggingface-cli download Comfy-Org/MiniMax-H3 \
minimax_h3_audio_vae_fp32.safetensors \
--local-dir ./ComfyUI/models/vae/方式二：浏览器手动下载
访问 Hugging Face 仓库，点击文件右侧的下载按钮，手动下载到对应目录。
方式三：使用 ComfyUI 自动下载
ComfyUI 0.30.0+ 支持自动下载缺失的模型文件。当你首次运行 MiniMax H3 工作流时，如果检测到模型缺失，会弹出提示框引导你下载。
3.3 模型文件大小参考
- 扩散模型：约 10-15 GB（量化版本）
- 文本编码器：约 20 GB（Qwen3-VL 32B）
- VAE：约 1-2 GB
💡 提示：如果网络较慢，可以使用 Hugging Face 镜像站或下载工具加速。
四、三种工作流实战
ComfyUI 模板库提供了三个 MiniMax H3 示例工作流，覆盖三种生成模式。
4.1 文生视频（T2V）
功能：根据文本提示词生成带原生立体声音频的视频。
使用步骤：
- 打开 ComfyUI，点击顶部菜单 工作流 → 浏览模板
- 在 视频 分类中找到 MiniMax H3 T2V
- 点击加载工作流
- 在 Prompt 节点中输入你的提示词
- 调整 Resolution Selector 节点设置输出分辨率
- 点击 Queue Prompt 开始生成
提示词技巧：
- 描述整个场景：先描述整体场景（地点、人物、正在发生的事情），再按时间拆分为多个镜头
- 镜头、相机和音频：在同一个提示词块中描述镜头、相机运动以及伴随的音频（对话、音效、音乐）
- 分辨率：H3 的原生画布短边为 768px，上限为 768×1344 像素，取整到 32 的倍数
- 时长：时长输入会对齐到模型在 24fps 下的每块 17 帧网格
示例提示词：
一个年轻女孩站在城市天台边缘，夕阳洒在她脸上。她转头看向镜头，微笑着说："你好，世界。"
镜头缓慢推进，背景中城市灯光逐渐亮起。远处传来车流声和微风声。4.2 图生视频（I2V）
功能：根据输入图像生成视频，可选指定首帧/末帧关键帧。
使用步骤：
- 加载 MiniMax H3 I2V 工作流模板
- 在 Load Image 节点中上传你的输入图像
- 可选：在 last_frame 输入连接另一张图像作为末帧
- 输入提示词描述期望的运动和音频
- 调整参数并生成
提示词技巧：
- 关键帧：
first_frame和last_frame输入为可选；模型会生成它们之间的运动 - 提示词：在同一个文本块中描述镜头、动作以及伴随的音频
示例提示词：
相机缓慢环绕产品旋转，展示其 360 度细节。背景保持纯白色，柔和的灯光从上方打下。4.3 参考生视频（R2V）
功能：从参考图像、视频和音频的任意组合中生成视频，锁定角色、风格、动作、相机运镜或声音。
使用步骤：
- 加载 MiniMax H3 R2V 工作流模板
- 在 Picture 输入节点上传角色参考图像（最多 9 张）
- 在 Video 输入节点上传风格/动作参考视频（最多 3 个）
- 在 Audio 输入节点上传声音参考音频（最多 3 个）
- 输入提示词，按标签引用每个输入
提示词技巧：
- 按标签引用：按标签引用每个输入，顺序须与其连接时完全一致，例如
<Picture 1>、<Video 1>、<Audio 1> - 为每个参考分配任务：说明哪个参考负责画面的哪个部分（身份、风格、动作、相机、声音）
示例提示词：
<Picture 1> 中的角色穿着红色斗篷，站在城市屋顶上。<Video 1> 中的相机运动被应用：
镜头从低角度仰拍，缓慢上升。角色的动作参考 <Video 2>：转身看向远方。
背景音效参考 <Audio 1>：风声和城市远处的交通声。限制：
- 最多 9 张参考图像
- 最多 3 个参考视频（每个可携带自己的配乐）
- 最多 3 个独立的参考音频片段
ref_image_size：match会将参考缩小到生成分辨率以提高速度；max保留短边最长 2048px，获得更强的身份保真度
⚠️ 注意：R2V 使用
ref2va扩散模型，这是一组与 T2V 和 I2V 工作流所用fl2va模型不同的权重。确保下载正确的模型文件。
五、性能优化：使用 Sage Attention 加速生成
默认工作流使用标准注意力实现。使用 Sage Attention 可以将生成速度大约提升一倍，质量损失极小。
5.1 安装 Sage Attention
- 访问 SageAttention releases 页面
- 下载与你 PyTorch 和 CUDA 版本匹配的 wheel 文件
- 安装：
pip install sageattention-<version>+cu<cuda_version>-cp<python_version>.whl5.2 安装 KJNodes 自定义节点
Sage Attention 需要通过 KJNodes 提供的节点使用：
方式一：使用 ComfyUI Manager（推荐）
在 ComfyUI 中打开 Manager，搜索 KJNodes 并安装。
方式二：手动安装
cd ComfyUI/custom_nodes/
git clone https://github.com/kijai/ComfyUI-KJNodes.git
# 重启 ComfyUI5.3 在工作流中使用
- 在工作流中添加 Patch Sage Attention KJ 节点
- 将其连接在 UNETLoader 和 BasicGuider 节点之间：
model输入接收来自 UNETLoader 的模型model输出连接到 BasicGuider 的model输入
- 将
sage_attention设置为auto - 照常运行工作流
全局启用方式：
使用启动参数启动 ComfyUI：
python main.py --use-sage-attention这样无需在每个工作流中添加节点。
💡 提示：Sage Attention 要求 float16 或 bfloat16 张量。MiniMax H3 的部分层使用其他数据类型，因此你可能会在控制台看到警告消息。这是正常现象；受影响的层会回退到标准注意力，生成仍然可以正常工作。
六、常见问题解答
Q1：为什么我的生成速度很慢？
可能原因：
- 显存不足，使用了过度量化
- 内存不足（需要 32GB）
- 没有启用 Sage Attention
- 分辨率设置过高
解决方案：
- 降低分辨率（百万像素设置为 0.5-0.8）
- 启用 Sage Attention
- 关闭其他占用内存的程序
- 考虑升级显卡
Q2：生成的视频没有声音？
检查清单：
- 确保下载了
minimax_h3_audio_vae_fp32.safetensors - 提示词中描述了音频内容（对话、音效、音乐）
- 工作流中音频输出节点连接正确
Q3：RTX 3060 12GB 能跑吗？
可以，但需要注意：
- 使用量化版本（pruned INT8 + NVFP4）
- 内存必须 32GB
- 生成时间较长（可能 5-10 分钟/视频）
- 分辨率不要设置过高
Q4：如何提升视频质量？
建议：
- 使用更高质量的量化方案（Q5 而非 Q4）
- 提高分辨率（百万像素设置为 1.0）
- 精心编写提示词，参考官方提示词指南
- 使用参考生视频（R2V）锁定角色和风格
Q5：可以生成多长的视频？
目前 MiniMax H3 单次生成时长约 15 秒（24fps）。如需更长视频，可以：
- 生成多个片段后拼接
- 使用图生视频（I2V）的末帧作为下一段的首帧，实现连续生成
七、进阶资源
- ComfyUI 官方文档：MiniMax H3 教程
- MiniMax H3 提示词指南：官方文档
- Hugging Face 模型仓库：Comfy-Org/MiniMax-H3
- 社区工作流分享：GitHub - ComfyUI_MiniMaxH3_Director
八、总结
MiniMax H3 的开源为视频生成领域带来了新的可能性。通过 ComfyUI，你可以在本地完全控制生成过程，从硬件配置到提示词编写，每个环节都可以精细调整。
关键要点回顾：
- 硬件要求：RTX 3060 12GB 是最低配置，RTX 4080 16GB 推荐
- 安装步骤：ComfyUI 0.30.0+ → 下载模型文件 → 加载工作流
- 三种工作流：T2V（文生视频）、I2V（图生视频）、R2V（参考生视频）
- 性能优化：启用 Sage Attention 可提速约一倍
- 提示词技巧：描述场景、镜头、音频，按标签引用参考素材
现在，你已经掌握了 MiniMax H3 本地部署的完整流程。开始创作你的 AI 视频吧！
📌 延伸阅读：
