概要
・中国企業のMiniMaxが開発した動画生成AI
・最大2K解像度で4秒～15秒、24FPS、多彩なアスペクト比の動画が生成可能
・最大15秒の32kHzステレオ音声を同時生成、多彩な言語に対応している
・T2VやI2Vの性能がGemini Omni FlashやSeedance 2.0と同等レベルとされる
機能
・T2V/I2V（開始・終了フレーム）のFL2VAモデル
・動画、音声、最大9枚の画像入力に対応したREF2VAモデル
必要スペック
・高解像度をネイティブで生成するには高いスペックが必要
・高速化を複数導入すればRAM 32G/VRAM 8G(RTX)くらいから実用レベルで生成可能と思われる
導入
・ComfyUIのテンプレートから利用可能（0.30.0以降）
・（推奨）python3.13.x pytorch2.13+cu130
・モデルはComfy-Orgから再配布されている
https://huggingface.co/Comfy-Org/MiniMax-H3
・diffusion_models (DiT)
通常はpruned_int8_convrotタイプで良いだろう
fl2vaとref2vaでそれぞれ21GB
pruned版は単純にモデルの精度を切り捨てたわけではなく、
計算用データをあらかじめ事前計算しておくことで容量を節約してようだ
・text_encoders
余裕があればint8_convrotタイプを選んでおきたいが、
27GBもあるのでnvfp4タイプの15GBでも良いかもしれない
・vae
videoとaudioの２つが必要となる
0.31.0でSupport int8_convrot VAE for MiniMax-H3とあるので、
有志が公開しているものがあるかもしれない
高速化
・SageAttention2.2+triton
・ComfyUI-KJNodes
・turbo lora（lightx2vなど）
・Kijai/MiniMax-H3-experimental at main
w4a8タイプモデル（INT4をINT8相当で計算することで劣化を抑える？）
int8_convrotタイプVAE
※いずれもComfyUI 0.31.0以降が必要
プロンプト
適当な英文でもある程度は生成できるが、
可能な限り制御したいならばプロンプトルールを理解する必要がある
・基本プロンプトガイド
・REF2VAプロンプトガイド
毎回この入力は非常に大変なので、テンプレートを作成したり、
LLMにmdファイルを参照させて、プロンプトを生成させるなどの手段をとる必要がある