在本机跑通 MiniMax H3：一个视频生成模型的部署与实测

我想在本地生成视频。理由很朴素：素材不想往别人的服务器上传，模型也不要按次付费。

折腾了几天，把 MiniMax H3 在本机跑通了 —— 文生视频、图生视频，到后来的”视频锁动作 + 图片锁人物”换人，都跑起来了。过程中翻了不少社区教程和官方模板，也踩了足够多的坑。这里把整条流程记下来，省得以后重来一遍。

一、先看硬件能跑哪一档

我的显卡是 RTX 5060 Ti 16GB。这个显存跑视频模型不算宽裕，所以档位选择是第一步。

最后跑的是官方的 int8 档（在这个卡上属于最高可跑画质），要凑齐四个文件：

用途	文件	体积
主模型	`minimax_h3_fl2va_pruned_int8_convrot`	21 GB
文本编码器	`qwen3vl_32b_minimax_h3_nvfp4_awq`	15.7 GB
视频 VAE	fp16	5.2 GB
音频 VAE	fp32	0.6 GB

最后一个要单独说：音频 VAE 必须是 fp32。用 fp16 的话视频能出，但是没有声音 —— 这个坑不踩一次是想不到的。

H3 是音画同时生成的，所以除了视频 VAE，还带一个音频 VAE。两者精度要求不一样。

二、装完怎么启动

环境是独立的一套，不跟系统 Python 混：

目录：D:\ai\ComfyUI
独立 venv，Python 3.12，torch 2.14.0 + cu130
启动：双击 启动H3.bat，然后浏览器开 http://127.0.0.1:8188

ComfyUI 用的是 0.37，内置了 H3 的节点和官方模板 —— 在 Workflow → Browse Templates 里选 video_minimax_h3_t2v 之类（注意不是 api_ 前缀的那些，那是给云端 API 用的）。

三、加速：官方 Turbo LoRA

默认是 20 步采样，出一支 5 秒视频要等到天荒地老。官方给了三个 Turbo LoRA：

文件	用途
`minimax_h3_fl2v_turbo_4step`	文生 4 步
`minimax_h3_fl2v_turbo_8step`	文生 8 步（官方模板默认引用）
`minimax_h3_ref2v_turbo_4step`	图生 / 参考 4 步

各约 2 GB，放在 D:\ai\ComfyUI\models\loras\。

关键在于：官方模板本身就内置了 Turbo 机制，一个布尔开关控制 ——

False：20 步，不用 LoRA
True：6 步 + Turbo LoRA

我把 user/default/workflows/ 下三个工作流的这个开关默认改成了 True。省得每次手动点。

模型在官方仓库 Comfy-Org/MiniMax-H3 里，LoRA 在 loras/ 子目录下。

四、第一次跑通

用官方 t2v 工作流 + 8step Turbo LoRA，出了一支：

5 秒，768p，24fps（1344×768）
H.264 编码 + AAC 32kHz 立体声
音画同步

当时挺意外的是声音部分 —— 没额外配音，模型自己把音轨也生成了。

五、走 API 的两个坑

我不喜欢手动拖节点，想用脚本调 /prompt 接口批量生成。于是撞上两个坑：

坑一：官方模板是 subgraph 格式。

节点藏在 definitions.subgraphs[0].nodes 里，顶层只有一个 UUID 类型的实例节点。要发 /prompt，得手动展开成扁平图。

展开的时候还得知道哪些值藏在实例节点的 widgets_values 里 —— 比如第 9 个是 turbo_mode 布尔、第 12 个是 turbo_steps。

坑二：SaveVideo 节点要显式传参。

format='auto' 和 codec='auto' 两个都得给，不然保存会出问题。

六、进阶：视频锁动作 + 图片锁人物

这是我最想要的功能。

光靠一句提示词，人物的长相、动作都是随机的，同一支片子里前后能换好几张脸。要做到”动作照抄某个视频、人物按某张图”，得用 ref2va（reference-to-video，带参考）。

先补一个模型：minimax_h3_ref2va_pruned_int8_convrot.safetensors（21 GB），跟原来的 fl2va 并存，模板是 video_minimax_h3_r2v.json（这个模板的节点在顶层，不像 t2v 那样藏在 subgraph 里，好办得多）。

参考图怎么给

核心节点是 MiniMaxH3ReferenceToVideo，参考图的输入键名有点讲究：

键是 ref_images.ref_image_0 —— 0 开始、且带前缀
但提示词里引用它要写 <Picture 1> —— 1 开始

这个 0/1 之差不注意就会对着空气调半天。

单图 + 闪身步的提示词 + 4step Turbo，出来是 5 秒竖屏 768×1344，约 6 分钟。比纯文生慢，因为参考图每一步采样都参与计算。

换上自己的素材

后来我改成”视频锁动作 + 图片锁人物”，链路是这样的：

LoadVideo          （读入原视频，输出 VIDEO）
   ↓
GetVideoComponents （把 VIDEO 拆成 IMAGE 帧序列，images 在 output slot 0）
   ↓
MiniMaxH3ReferenceToVideo
   ├─ ref_videos.ref_video_0  ← 视频（锁动作）
   └─ ref_images.ref_image_0  ← 图片（锁人物）

好消息：LoadVideo 和 GetVideoComponents 是 ComfyUI 内置节点（在 comfy_extras/nodes_video.py），不用装 VHS。

原视频是 B 站上下的一段民间舞教学（BV1KrhD6KEwj，86 秒 720p），截了其中 8～13 秒转成 24fps，存进 input/ 当动作参考。

出来的效果对得上：动作跟着原片走，脸是自己的。

代价是时间 —— 双参考 5 秒横屏 1344×768，约 16 分钟。视频参考同样是逐帧参与计算，比单图慢了一倍多。

七、网络与环境：这几关最耗人

模型本身不难，难的是把文件搬下来。

GitHub / HuggingFace 直连不通。 可用的通道是：

要拿的东西	走哪
GitHub 仓库	`git clone https://ghfast.top/https://github.com/xxx`
HuggingFace 模型	换 ModelScope 镜像：`git clone https://www.modelscope.cn/Comfy-Org/MiniMax-H3.git` + `git lfs fetch --include`
pip 包	用 pypi.org 源，并加 `NO_PROXY="*"`

那个 NO_PROXY 不是多此一举：系统里残留着一个死掉的代理端口，不加它 pip 会被自己的代理拦住。

git lfs fetch 报 “Could not scan for Git LFS files”。 解法是改用 git clone --no-checkout（不要带 --filter=blob:none），之后 lfs fetch 就正常了。

ModelScope 的 Python API 不认 Git Bash 路径。 model_file_download 的 local_dir 给它 /d/... 这种写法，它会傻乎乎地建出一个 D:\d\ 目录。老老实实写 Windows 路径 D:\xxx。

npm 也有一关。 全局配置里 proxy / https-proxy 都指向 http://127.0.0.1:7897（Clash 留下的），代理没开的时候 npm install 直接 ECONNREFUSED。装东西之前得先：

npm config delete proxy
npm config delete https-proxy
# 装完再恢复（两条都要恢复）
npm config set proxy http://127.0.0.1:7897
npm config set https-proxy http://127.0.0.1:7897

顺带一提：空字符串绕不过去，npm 会拒绝，必须给一个合法的 http URL。

八、值不值

说实话，本地跑视频模型，快不是它的优点。

一次 5 秒的视频，几分钟到十几分钟 —— 云端服务大概几十秒就好了。它值得的地方在于：

素材不出本机。要换人、要试各种姿势，拿自己或家人的脸去调，本地跑心里踏实。
不按次计费。跑废一百次和跑对一次，成本一样（都是电费）。
可以随便改。节点、LoRA、步数、参考图，全在手里。

不划算的地方也很清楚：16G 显存就是这个量级的天花板。再往上就得换卡了，那是另一个话题。

小结

整条链路是：

部署（int8 四件套 + 音频 VAE 用 fp32）
  → 官方 Turbo LoRA 提速（开关改 True：20 步 → 6 步）
  → 内置模板跑通文生视频（带音轨）
  → 走 API 要展平 subgraph、SaveVideo 补参数
  → ref2va 补上参考能力（图 / 视频都能当参考）
  → 换人：LoadVideo → GetVideoComponents → ReferenceToVideo

最花时间的其实不是模型，是下载和网络。模型本身装完就能跑，官方模板和质量都在那儿摆着。

真要说经验，只有两条：

音频 VAE 必须 fp32，这个错不看日志看不出来。
参考图的键名 0 开始、提示词里 1 开始，别跟自己较劲。

剩下的，交给显存和时间。