MiniMax H3 開源影片模型部署教學：最低 8G 顯示卡也能跑（附完整設定與實測）

重點速讀 - H3 是 MiniMax 開源的全模態影片生成系統，畫面與原生立體聲同步生成。 - 最低 8G VRAM 可跑，但 12G VRAM + 32G 系統記憶體是比較舒服的起點。 - 部署前務必把 ComfyUI 升級到 0.27 以上版本。 - 音訊 VAE 必須使用 fp32，用 fp16 會沒聲音或音畫不同步。 - 提示詞要寫「分鏡」而不是堆關鍵詞，角色一致性交給 Ref2VA。

一、MiniMax H3 是什麼

這兩年玩過的開源影片模型不算少，說實話大部分最後都被我刪掉了：要麼模型太大、一般電腦跑不動；要麼能跑，但畫面容易崩，聲音還得另外處理。這次 MiniMax 開源的 H3，確實讓我改觀。

H3 不是單純的「文生影片」模型，而是把文字、圖像、影片、音訊、角色參考、鏡頭運動整合在同一套工作流裡的全模態生成系統。官方在 8 月 3 日正式開源，架構換成 H3-Context-IR，跟之前的 Hailuo 01、Hailuo 02 完全不是同一套東西。

項目	規格
輸出長度	4 至 15 秒，最高 2K 解析度
音訊	與影片同步生成，32kHz 立體聲
語言	支援中、英、日、韓、法等 11 種語言口型與語音
榜單表現	Artificial Analysis 影片編輯能力第一，文生影片與圖生影片分列第二、第三（依公開資料整理）
角色功能	Ref2VA 角色參考，最多 9 張參考圖

官方開源之外，社群也發布了最佳化版本，自由度更高，適合進階玩家。使用時請注意遵守法律與平台規範，不要用於侵權或違規內容。

二、顯示卡要多少才夠

網路上「8G 也能跑」的說法沒有錯，但要看你想跑到什麼程度。以下整理目前社群公開的實測資料：

配置	實測結果
12G VRAM + 32G 系統記憶體 + NVMe	5 秒 480p、20 步，接近 5 分鐘
雙卡各 32G（合計 64G）+ 約 384G 系統記憶體	5 秒 1344×768、50 步，約 9.3 分鐘

為什麼 12G VRAM 能跑動 40 多 G 的模型？因為 ComfyUI 使用按層動態排程：需要哪一層就把哪一層搬進 VRAM，其餘留在記憶體與硬碟。所以 VRAM 不夠不會直接報錯，只會變慢。

8G 能不能跑？能，但要靠更激進的量化（Q2、Q3）與大量 offload，出片時間明顯拉長，低量化對畫質的損傷也實打實存在。如果你是 8G 卡，建議：系統記憶體 32G 起跳、硬碟必須是 NVMe，並從 480p、20 步、5 秒開始試，不要一上來就衝 720p。

三、部署前準備：升級 ComfyUI

這一步跳過的話，後面全是坑。H3 需要 ComfyUI 0.27 或更高版本，舊版本沒有對應的原生節點。

項目	下載
ComfyUI 最新版	官方下載：【點選前往】
備用整合包	【點選前往】（含社群工作流與節點）

如果你已經安裝 ComfyUI 桌面版，務必升級到最新版，否則看不到 MiniMax H3 開源模型。整合包使用者，直接用啟動器的「更新」功能更新，完成後啟動一次並確認右下角版本號。

四、模型下載與放置

模板中心目前提供 3 種 MiniMax H3 開源模型：文生影片、圖生影片、影片轉影片，可以依需求下載。生成解析度建議先設小一點，速度會快很多；之後可以用高畫質放大工具提升到 1080、2K 甚至 4K。

官方原生路線的模型放置方式：

型別	檔案	放置目錄
主模型	MiniMax-H3-FL2VA-Q4_K_M.gguf（依 VRAM 選量化）	models/unet/
文字編碼器	qwen3vl_32b_minimax_h3_Q4_K_M.gguf	models/text_encoders/
影片 VAE	minimax_h3_video_vae_fp16.safetensors	models/vae/
音訊 VAE	minimax_h3_audio_vae_fp32.safetensors	models/vae/

量化版本怎麼選：

VRAM	建議量化
24G 以上	Q8 或官方 INT8 / NVFP4
16G	Q5 或 Q4
12G	Q4
8G	Q3，或混合精度的 Q2 版本

注意一個細節：音訊 VAE 必須是 fp32 版本，用 fp16 會出現音畫不同步或完全沒聲音。如果你走官方原生路線，模型權重需要同時放在 models/MiniMax-H3/（單檔案）與 models/diffusers/MiniMax-H3/（分片版本，含 config.json）兩個目錄，缺一個都會報錯。

社群最佳化版目前也有 3 個版本，47.97G 是 BF16 滿血版，對 VRAM 要求較高；消費級顯示卡建議選較小的量化版，例如 24.55G 的版本，實測效果也很不錯。另有更小的 NVFP4 量化版，適合 8G VRAM 使用者。

五、載入工作流與第一次生成

GGUF 模型倉庫一般會附帶對應的工作流 JSON（例如 MiniMax FL2V GGUF (WORKFLOW).json），下載後直接拖進 ComfyUI 介面即可載入。官方原生路線則可在模板瀏覽器中直接選 H3 官方工作流。

載入後檢查以下節點：

Unet Loader (GGUF)：選擇你下載的主模型
CLIP Loader (GGUF)：選擇 qwen3vl 文字編碼器
VAE Loader：注意有兩個，影片 VAE 與音訊 VAE 分別對應，不要接反
解析度與幀數：第一次先設 480p、5 秒

節點全部變綠、沒有報紅，就可以點生成。第一次跑會很慢，因為要從硬碟載入權重，8G 到 12G VRAM 的機器做 5 秒 480p、20 步，先做好等 8 到 15 分鐘的心理準備；第二次開始會快很多，因為部分權重已快取在記憶體中。

六、實測技巧：怎麼把片子拍好看

跑通只是開始，真正決定出片品質的是提示詞。H3 跟以前的模型不一樣，它真的能聽懂鏡頭語言。

提示詞要寫「分鏡」，不要寫「標籤」。以前 SD 那套關鍵詞堆砌在 H3 上效果很一般，H3 更吃完整的場景描述加鏡頭排程。

不好的寫法：

一個女人，咖啡館，下雨，電影感，8k，高質量

好的寫法：

黃昏的咖啡館靠窗位置，窗外下著小雨。一位穿米色針織衫的女性正低頭攪拌咖啡，鏡頭從她的手部特寫緩慢上搖至面部，她抬頭看向窗外，嘴角微微上揚。暖色調室內燈光，窗外冷色調環境光形成對比。背景音：雨聲、咖啡杯輕碰聲、隱約的爵士樂。

差別在於第二種把畫面、動作、鏡頭運動、光線、聲音全部交代清楚。H3 的音訊與畫面一起生成，你不寫聲音，它就自己猜，猜出來的往往不是你要的。

鏡頭運動直接使用術語：推、拉、搖、移、跟、升降，H3 都能理解；英文的 dolly in、pan left、crane shot、handheld 也支援。想要穩定的運鏡就寫明白，別指望它讀心。

角色一致性靠 Ref2VA。在 Ref2VA 區塊餵入同一個角色的多張參考圖（最多 9 張，建議 3 到 5 張不同角度），再配一段語音參考，就能做出跨鏡頭同一個人、同一個聲音的連續片段。實測下來，參考圖的品質比數量重要，5 張清晰的正側面照，效果遠好過 9 張模糊圖。

單次最長 15 秒是硬限制。想做長片就用尾幀接首幀的方式串接：第一段的最後一幀匯出，作為第二段的首幀輸入，配合 Ref2VA 鎖定角色，就能做出連貫的多鏡頭內容。

七、常見問題排查

問題	解法
報錯找不到節點	ComfyUI 版本太舊，或沒有安裝 ComfyUI-GGUF
載入模型時爆 VRAM 崩潰	換更低的量化版本，並在啟動參數加上 –lowvram
生成出來沒有聲音	檢查音訊 VAE 是否用了 fp16，必須改用 fp32
畫面有了但音畫不同步	多半是影片 VAE 與音訊 VAE 接反，回到工作流檢查連線
速度慢到無法接受	確認模型放在 NVMe 固態硬碟；機械硬碟會讓 offload 慢十倍
畫面崩壞、人物變形	多半是量化太狠，Q2、Q3 的畫質損傷客觀存在，建議加 VRAM 或降解析度

八、資源下載

項目	說明	下載
ComfyUI 最新版	需 0.27 以上	【官方下載】/【備用】
H3 官方模型	文生影片、圖生影片、影片轉影片	【模板中心】/【備用】
社群最佳化版	BF16 滿血版與量化版	【Hugging Face】/【整合包】/【網盤】
最佳化版工作流	節點與工作流 JSON	【點選下載】/【網盤】/【備用】
NVFP4 量化版	適合 8G VRAM	【Hugging Face】/【整合包】
影片高畫質放大工具	提升到 1080 / 2K / 4K	【網盤下載】/【備用下載】

九、常見問題 FAQ

Q：8G 顯示卡真的能跑嗎？

A：能跑，但要使用 Q2、Q3 量化並搭配大量 offload。建議系統記憶體 32G 起跳、使用 NVMe，並從 480p、20 步、5 秒開始測試。

Q：為什麼音訊 VAE 一定要用 fp32？

A：fp16 音訊 VAE 會造成音畫不同步或完全沒有聲音，這個坑踩過一次就會記住。

Q：沒用過 ComfyUI 可以入門嗎？

A：可以，但建議先把 ComfyUI 升級到 0.27 以上，並依工作流檢查 Unet、CLIP 與兩個 VAE 節點是否正確。

Q：一次只能生成 15 秒嗎？

A：單次最長 15 秒是硬限制，可以用尾幀接首幀搭配 Ref2VA，串接出多鏡頭且角色一致的更長影片。

總結

H3 讓開源影片模型第一次在可控性上追平閉源產品，音畫同步生成與跨鏡頭角色一致是最有感的升級。
12G VRAM 是比較舒服的起點，8G 能跑但需要耐心，先從低解析度與少步數開始。
三個最容易踩雷的地方：ComfyUI 版本、音訊 VAE 用 fp32、提示詞寫分鏡。