MiniMax H3 本地部署保姆级教程:从零装机到写出专业提示词,附实测数据

这篇教程的目标：一台只装了系统和显卡驱动的电脑，跟着做完，能跑出带立体声的 AI 视频，并且学会官方提示词语法——H3 出片好坏，大半在这上面。每一步都写清“做什么、怎么做、做完应该看到什么”，不需要任何代码基础。

开始前必须知道的一件事：本地模型的原生画布是 768p 级。 模型只在短边 768 的画布上训练过，官方的 2K 出片属于另一个闭源模块。但 768p 不是本地的天花板：分辨率可以硬开更大（有人在 5090 上原生跑 1920×1088，画质确实更好，代价是 10 秒片等了 58 分钟），社区也已经有现成的本地超分工作流把 768p 拉上 1080p——两条路的取舍文末细算citation。先把三个模块的分工搞清楚，官方只开源了中间那个：

• H3-Context-IR — 提示词理解与编排（把你的描述改写成模型爱吃的格式）。❌ 闭源，仅 API
• H3-Base — 33B 生成主体，输出 768p 级别音视频。✅ 开源，本教程主角
• H3-Regenerate-2K — 把 768p 重生成为 2K。❌ 闭源，仅 API
  

所以“本地跑 H3 完全不花钱”这句话基本成立：草稿、768p 成片免费，1080p 靠社区超分也能本地解决；只有“原汁原味的官方 2K”必须走 API。什么时候用哪边，文末有一笔算清楚的账。

本文实测数据来自一张 RTX 4090 48GB（魔改），但这不是门槛——ComfyUI 官方确认的地板是 3060 12GB + 32GB 内存。从 3060、5070 到 3090、5090，每档显卡怎么选量化、能跑多快，第 0 步有一张表。显存小只影响你能开多大规格、等多久，不影响“能不能跑”。

目录

1. 看懂几个名词（30 秒）
2. 第 0 步：网页版验货 + 硬件自查
3. 第 1 步：安装 ComfyUI
4. 第 2 步：下载模型文件
5. 第 3 步：跑通第一条视频（T2V）
6. 第 4 步：看懂参数——帧数和分辨率的硬规则
7. 第 5 步：图生视频（I2V）
8. 第 6 步：参考生视频（R2V）
9. 第 7 步：提示词完整指南 ★ 全文最值钱的部分
10. 第 8 步：加速——SageAttention 省 24%，叠 Cache 最多再省 58%
11. 常见问题排查
12. 声音效果，提前对齐预期
13. 本地 vs API，一笔账
    

1. 看懂几个名词（30 秒）

• ComfyUI：跑 AI 生成模型的免费开源工作台。界面是“节点连线”式的，但你不需要自己连——官方模板都搭好了，你只改参数。
• 工作流（Workflow）：一张连好线的节点图，相当于“配方”。加载模板 = 打开现成配方。
• 权重 / 模型文件：模型本体，后缀 .safetensors 的大文件。H3 需要 4 个：DiT（画画的）、文本编码器（读懂提示词的）、视频 VAE 和音频 VAE（把内部数据翻译成像素和声波的）。
• 量化：把模型压小的技术。bf16 是全精度原版，int8、nvfp4 是压缩版，画质损失很小、显存需求大降。本地部署基本都用量化版。
• T2V / I2V / R2V：三种生成模式——纯文字生成、给图片让它动起来、给参考素材（图/视频/音频）锁定角色或风格。

2. 第 0 步：网页版验货 + 硬件自查

动手之前：先花 10 分钟在网页上验货

40 GB 的权重先放着。H3 在海螺 AI 网页版（国内 hailuoai.com，海外 hailuoai.video）就能直接试：登录 → 进视频生成 → 模型选 MiniMax H3 → 随便传一张图，写一句“让画面里的人物向镜头挥手，配上街道环境音”，生成。

看三样东西：主体稳不稳、镜头动得自然不自然、声音和画面对不对得上。这三样满意了，再往下走；不满意，这篇教程你也不用读了，省下半天时间。网页版的额度和 API 是两套账，网页额度用完不影响后面走 API。

硬件自查

• 显卡：最低 NVIDIA 12GB 显存，推荐 24GB+。怎么查：Windows 按 Ctrl+Shift+Esc → 性能 → GPU → “专用 GPU 内存”；或命令行输 nvidia-smi。
• 内存：最低 32GB，推荐 64GB。任务管理器 → 性能 → 内存。
• 磁盘空闲：最低 60 GB，推荐 150 GB+。权重约 40 GB，加上生成产物和 R2V 权重会继续涨。
• 系统：Windows 10/11 或 Linux.
• 网络：能访问 Hugging Face 或其镜像，见第 2 步镜像方案。
  对号入座：你的显卡属于哪一档

ComfyUI 核心开发者官方确认的地板线：3060 12GB + 32GB 内存 + 一块不错的 NVMe 固态，就能跑 480p。12GB 有 12GB 的跑法，找到自己那一行citation：

数据出处：5090 与 12GB 卡来自社区实测帖，4090 移动版来自开启 SageAttention 的 20 步实测citation citation citation

两条跨档位的通用提醒：

• 系统内存和固态跟显卡一样重要。 H3 靠“显存装不下就借内存”的分层加载才能在消费级卡上跑，32GB 内存是底线，64GB 才从容——16GB 内存 + 大显存反而跑不动。模型从磁盘进内存那一步，机械硬盘会让每次首跑多等几分钟，权重务必放 NVMe 上。
• 30/40 系和 50 系的一个隐藏差别：NVFP4 只有 50 系（Blackwell）有硬件原生支持。 在 3090/4090 上加载 nvfp4 权重时，ComfyUI 会走“模拟模式”——省磁盘和显存占用，但算之前要解压回高精度，不省时间。所以 50 系用户可以大胆选社区 NVFP4 版 DiT（更小更快），30/40 系用户选 INT8/FP8 系更划算citation。

3. 第 1 步：安装 ComfyUI

版本必须 ≥ 0.30.0，这是硬门槛：H3 的原生支持（4 个专用节点 + 官方模板）于 2026 年 8 月 3 日随 Comfy-Org/ComfyUI #15224 合并，旧版没有这些节点，任何工作流都跑不起来。

情况 A：全新安装（推荐小白）

1. 打开 ComfyUI 官网，下载对应系统的桌面版安装包。
2. 双击安装，一路默认。安装器会自动处理 Python、PyTorch、CUDA 依赖，这正是桌面版对新手友好的原因。
3. 装完启动。第一次启动会做初始化，等它跑完。
   情况 B：已有 ComfyUI

• 桌面版：菜单里检查更新到最新稳定版。
• 手动 git 部署：进入 ComfyUI 目录执行 git pull，再 pip install -r requirements.txt。
• 整合包（秋叶包等）：等整合包作者更新，或在启动器里更新内核。注意：桌面版和整合包跟随稳定版发布，个别 nightly 才有的功能可能晚几天到。
  验证安装成功

启动后浏览器打开 http://127.0.0.1:8188（桌面版直接弹出窗口），看到节点画布。确认版本：设置（左下角齿轮）→ 关于，版本号 ≥ 0.30.0。低于就回去更新，别硬试——“缺少 MiniMaxH3ImageToVideo 节点”这个最高频报错，99% 是版本问题。

4. 第 2 步：下载模型文件

模型托管在 Hugging Face 的 Comfy-Org/MiniMax-H3 仓库。

警告：别 clone 整个仓库。 原始仓库全量约 318 GB，而你只需要 4 个文件。

国内下载提速

把任何 Hugging Face 链接里的 huggingface.co 换成 hf-mirror.com，就是国内镜像，速度差一个量级。20GB 的大文件建议用支持断点续传的下载工具（IDM、aria2、或浏览器自带恢复下载），断了不用重来。

会用命令行的，一条命令精确下四个文件（国内先执行 set HF_ENDPOINT=https://hf-mirror.com, Linux/macOS 用 export）：

T2V / I2V 必需的 4 个文件（约 39.6 GB）

两个 VAE 都必须下——视频 VAE 出画面，音频 VAE 出声音，少了音频 VAE 你会得到一条无声视频。

放完后目录应该长这样：

桌面版用户注意：模型目录可能在安装时自选的路径下，设置里搜 “model paths” 确认。

更懒的办法：跳过手动下载，直接做第 3 步——加载模板时 ComfyUI 会弹窗列出缺失模型并给下载按钮，点击自动下到正确位置。手动下载的价值在于能用镜像和断点续传，网络不稳的人建议手动。

官方全部变体一览（按需选择，多数人用不到）

Diffusion 模型（选一个；想玩 R2V 要多下 ref2va 那份）:

• minimax_h3_fl2va_pruned_int8_convrot（19.5 GB）— ✅ 推荐，T2V/I2V 最佳平衡

• minimax_h3_fl2va_pruned_fp8_scaled（19.5 GB）— 备选量化格式

• minimax_h3_fl2va_int8_convrot（31.7 GB）— 标准 INT8（未剪枝）

• minimax_h3_fl2va_bf16（61.7 GB）— 全精度，微调用

• minimax_h3_ref2va_pruned_int8_convrot（19.5 GB）— R2V 模式专用，第 6 步会用到

• minimax_h3_ref2va_bf16（61.7 GB）— R2V 全精度
  文本编码器（选一个）:

• qwen3vl_32b_minimax_h3_nvfp4_awq（14.6 GB）— ✅ 推荐，任何 GPU 可跑

• qwen3vl_32b_minimax_h3_int8_convrot（25.3 GB）— INT8 版

• qwen3vl_32b_minimax_h3_bf16（48.0 GB）— 全精度
  为什么这么选，两个冷知识（跳过不影响操作）:

1. H3 吃显存的大头是编码器，不是 33B 的 DiT。 编码器直接用了 Qwen3-VL-32B 的全量权重（bf16 下 62.13 GiB，比 61.73 GiB 的 DiT 还大），一个 32B 视觉语言模型在这里只是个“读题的”。所以编码器必须选狠量化的 nvfp4 版。网上流传“编码器 51.5GB”是错的，以官方仓库文件大小为准。
2. pruned（剪枝）= 砍掉 13B 的 AdaLN 分支。 61.73 − 37.46 ≈ 24.3 GiB，正好是那 13B。官方确认这部分的调制输出可以预计算缓存，纯推理根本不用加载。结论：只做推理就用 pruned，要微调才需要完整权重。
   按显卡档位选社区量化（可选加餐）

官方那套 pruned_int8 + nvfp4_awq 是通吃组合，任何档位都建议先用它跑通。跑通之后想更快、更省，再来这里按卡换餐。以下均为社区第三方转换（非官方发布，画质和许可自查各仓库 README），原生 ComfyUI 可直接加载：

换社区权重时记住一条：DiT、编码器可以换，两个 VAE 永远用官方原版——它们本来就不大，量化它们只会伤画质和声音。

5. 第 3 步：跑通第一条视频（T2V）

加载官方模板

1. 打开 ComfyUI → 顶部菜单工作流 → 浏览模板 → 视频分类，搜 “MiniMax H3”。
2. 你会看到 6 个模板，认清楚，别点错：

• MiniMax H3 Text to Video — 本地，文生视频，从这个开始
• MiniMax H3 Image to Video — 本地，图生视频（首帧/尾帧）
• MiniMax H3 Reference to Video — 本地，参考生视频，需另下 ref2va 权重
• api_minimax_h3_t2v / r2v / flf2v — API 版，调 MiniMax 云端，要充值 API key，先无视

1. 点开 Text to Video。如果弹窗提示缺模型，按提示下载；第 2 步已手动放好则直接就绪（没识别到就重启一次 ComfyUI——模型列表在启动时扫描）。
   认识工作流里的关键节点

模板加载后画布上有一串节点，你只需要认识这几个：

• UNETLoader：选 DiT 权重，确认下拉框里是 minimax_h3_fl2va_pruned_int8_convrot.safetensors。
• 文本编码器加载节点：确认选中 qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors。
• 两个 VAE Loader：分别选视频 VAE 和音频 VAE。
• Resolution Selector：控制输出分辨率（宽高比、Megapixels 两个参数算出宽高）。模板默认是快速预览规格，第一次先别动。
• 提示词框（正向）：写你要的内容。
• 时长/帧数输入：决定视频长度，规则见第 4 步。
• SaveVideo：输出 MP4 的终点。
  跑

提示词框里写一句英文场景（先不管语法，第 7 步才是正课）:

点 Run（运行）。

你应该看到什么

• 进度条先卡在模型加载（约 34 GB 从磁盘进显存/内存），然后逐步采样。
• 第一次特别慢是正常的：4090 48G 实测首跑 644 秒（含加载），同规格热跑 425 秒；768×432 小规格热跑仅约 99 秒。其他档位对齐预期：5090 出 5 秒片约 108 秒；16GB 卡（如 4090 移动版）960×540 出 5 秒片约 182 秒；12GB 卡靠内存分层加载，864×480 出 90 帧约 6 分钟。首跑都要在这些数字上再加几分钟加载时间，泡杯茶等。
• 结束后 SaveVideo 节点出现视频预览：有画面、有声音。声音和画面是同一次前向传播里一起生成的，这是 H3 区别于“生成后配音”类模型的根本点。
• 控制台如果刷 Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead——这不是报错。官方文档确认这是部分层回退到标准 attention 的正常提示，生成不受影响。
  跑通了，部署阶段结束。接下来是从“能跑”到“会用”。

6. 第 4 步：看懂参数——帧数和分辨率的硬规则

这两条规则直接读 ComfyUI 的 H3 节点源码坐实，不是经验玄学。

规则一：帧数必须落在 17k+5 网格，而且会静默吸附

源码逻辑就一行：

你填的帧数如果不合法，会被向上吸附到最近的合法值，不报错、不提示。实测填 61 帧，拿到 73 帧。

训练区间是 124–362 帧，24fps 下即 5.17 至 15.08 秒；这个区间内的全部合法档位：

填 60 秒也只会得到 15.08 秒，更长的内容要分镜头生成再剪辑。节点 tooltip 原话是 “trained range is ~124-362, longer is untested”——少于 124 帧也能跑（网格从 5、22、39……就开始），但在训练分布外，质量不保证。日常直接从这张表里挑，别让它吸附——你以为的 6 秒和实际的 6.58 秒，在卡口型的场景里就是灾难。

规则二：分辨率的“原生画布”是短边 768

模型按「短边 768、面积上限 768×1344、每轴对齐 32 的倍数」训练。操作建议：

• 试提示词：模板默认的快速预览规格（如 768×432），约 99 秒/条，快速迭代。
• 出正片： Resolution Selector 的 Megapixels 拉到约 1.0,16:9 下得到约 1344×768——正好是原生画布，质量最好。
• 下限 384p:256p 及更低会完全失败，这是官方确认的，不是你的配置问题。
• 超原生画布不是不能，是不划算：模型没在更大画幅上训练过，但实测硬开是可以出片的——有人在 5090 上原生跑 1920×1088 的 10 秒片，画质确实比 768p 好，代价是 58 分钟一条。社区的共识打法是低分辨率生成 + 本地超分：768p 级出片后用 LTX 2.3 或 Wan 2.2 5B 的超分工作流拉到 1080p，同样的 1920×1080 成品耗时从约 700 秒降到 161 秒，快 6 倍、画质接近citation citation。想要官方原味的 2K，走 API 的重生成——三条路的取舍见文末。
  显存和耗时的两条实测规律

显存吃的是模型，不是画幅。 768×432 和 1152×640 的峰值显存几乎一样（实测差 <1%）。进程级细看：采样阶段稳定在 19 GB 上下，编码/解码阶段瞬时冲到 32 GB——这是 48G 卡放开跑的读数，ComfyUI 的动态加载会按空闲显存自适应，小显存卡靠换入换出也能跑，只是更慢。含义：模型装得下，分辨率随便开到原生画布；装不下，降分辨率救不了你，得换更小的量化版。OOM 时别浪费时间调尺寸。

耗时规律：像素维度划算，时长维度贵。 1152×640 相对 768×432 是 2.22 倍像素，只多花 1.86 倍时间，次线性，开大分辨率比直觉上划算；但时长维度相反——attention 对 token 数是超线性的，时长翻倍，耗时比翻倍还多。

规格标度实测（4090 48G,SageAttention cuda++ 加速下）:

读表记三个数就够：5 秒的片等 5 分钟，10 秒等 12 分钟，15 秒满长度一条 19 分钟。另外注意 1536×864 相对 1152×640 是 1.8 倍像素、耗时接近同比翻倍——大画幅下次线性红利就没了，再次印证别超原生画布。数据可复现性验过：同规格隔天重跑，320.11s 对 322.05s，误差 0.6%。

7. 第 5 步：图生视频（I2V）

用途：让一张现成的图动起来，或用首尾两张图让模型补中间的运动。

1. 模板库加载 MiniMax H3 Image to Video。权重和 T2V 完全同一套（fl2va），不用重新下载。
2. 用 LoadImage 节点上传你的图，连到 MiniMaxH3ImageToVideo 节点的 first_frame 输入。
3. last_frame 是可选的：只给首帧 = 从这张图开始往后演；首尾都给 = 模型在两张图之间插出连贯运动（适合产品旋转、姿态变化这类“从 A 到 B”的镜头）；只给尾帧 = 模型倒推一个合理的开场，最后落在你的图上。
4. 提示词按第 7 步的 I2VA 格式写（需要一行首帧对齐指令）。
5. 输入图会被适配到生成分辨率，比例差太多会被处理——上传前先把图裁成和输出一致的宽高比，省得构图被意外切割。

8. 第 6 步：参考生视频（R2V）

用途：锁定一个角色的长相、一种画风、一段动作、一个运镜或一个声音，让它们出现在新视频里。这是 H3 最强也最复杂的模式。

准备

R2V 用另一套权重 ref2va，和 T2V/I2V 的 fl2va 不通用：

1. 回 Comfy-Org/MiniMax-H3 下载 minimax_h3_ref2va_pruned_int8_convrot.safetensors(19.5 GB)，同样放 ComfyUI/models/diffusion_models/。
2. 编码器和两个 VAE 复用，不用重下。
3. 模板库加载 MiniMax H3 Reference to Video，确认 UNETLoader 里切到了 ref2va 权重。
   使用规则

• 数量上限：最多 9 张参考图、3 条参考视频（每条可带自己的音轨）、3 条独立参考音频。
• 按连接顺序用标签引用：第一张图是 <Picture 1>，第二条视频是 <Video 2>，以此类推。提示词里必须用这些标签指名道姓。
• 给每个参考“派活”：明确说哪个参考管什么——长相、画风、动作、运镜还是音色。官方明确表示，显式指派的效果远好于把素材一堆了之。
• ref_image_size 参数：match（默认）把参考图缩到生成分辨率，快；max 保留最高 2048px 短边，角色长相更保真，但参考 token 每一步采样都要完整过一遍，慢好几倍。日常用 match，只有脸锁不住时才换 max。
  R2V 提示词的结构差异

R2V 的完整提示词是六段式（比 T2V 的三字段多了三段），顺序固定：subject_definitions（给每个参考内容定义标签和特征）→ summary（方括号任务类型开头的一段总结）→ retention_analysis（逐标签声明保留程度）→ detailed_description（主体，350–500 英文词，风格开场句放在 [Shot 1] 之前）→ overall_soundscape → non_diegetic_music。

四种标签各管各的：

• — 要在成片里复用的内容：人、场景、服装、风格、动作
• — 一张图直接当某一帧或构图锚点
• — 整片级关系：被编辑的源片、续写起点、剪辑节奏来源
• — 被复制或被参考的音频
  最容易搞错的一条：图片只是用来定义角色或风格的话，不建 ，把图的来源写进 定义里。 留给“这张图就是第几帧”的场合。

另外两段的填法：summary 开头用方括号打任务类型，多个用 + 连——keyframe completion / reference generation / video editing / video continuation / audio reuse / audio reference。判断题：参考视频只提供运镜和节奏 = reference generation，真的在改那条片子才是 video editing。retention_analysis 给每个标签一个固定关系词：可见内容用 fully_preserved / partially_preserved / attribute_transfer / weak_reference，音频用 fully_copy / partially_copy / reference / weak_reference。

这套格式第一眼劝退，但它就是官方付费模块 Context-IR 的输出格式——你手写等于白嫖。新手不必一上来背全六段：先用模板自带的示例提示词替换素材跑通，再对照 官方 R2V 指南 里的完整案例逐段仿写，写一次存成模板，后面每次改几个词。记住一句就够：每个参考素材在 subject_definitions 里领一个标签和一份特征描述，后面所有段落都用这个标签称呼它，并说清它被保留了多少。

9. 第 7 步：提示词完整指南 ★

H3 的提示词是一套官方定义的结构化格式（官方指南原文)。随手一句话也能出片，但多镜头、角色对白、指定运镜、卡时间点，必须按格式来。除对白和画面文字保留原语言外，全部用英文写。

9.1 骨架：三个字段

• integrated_multimodal_description — 主体。按时间线写画面、动作、镜头、说话人、对白、画内声音。
• overall_soundscape — 1–4 句，全片的环境音和动作音效（风雨、脚步、衣料摩擦、呼吸、笑声）。别写：对白、唱歌、画内音乐（它们属于上面）。
• non_diegetic_music — 1–3 句，配乐（角色听不到、只有观众听到）：乐器、速度、节奏、强弱变化。别写：情绪词（“悲伤的”“史诗感的”）、解释音乐的作用。
  后两个字段没有内容就写 N/A(soundscape 只有用户明确要求全片静音时才 N/A)。

9.2 镜头：[Shot N] 与切换时间

• [Shot 1] 开头交代整体风格 + 初始构图，不带时间戳。风格词：Cinematic、live-action、2D-animated、3D CG、claymation、watercolor、vintage film。
• 后续镜头带严格递增的切换时间：[Shot 2] At 00:03.500, the camera cuts to…
• 切换动词：the camera cuts to / the shot transitions to / the shot switches to；用户明确要求时才用 cross-dissolve、fade、wipe.
• 什么时候切镜头：切换应引入新信息（新主体、新空间、新视角、新时间）。只想拉近拉远或微调角度，用运镜，别切。
  9.3 运镜：类型 + 幅度 + 速度

写成镜头内自然的英文句子，不要在句尾堆标签。

幅度：with small amplitude / with large amplitude；速度：at slow speed / at fast speed。中等幅度、正常速度直接省略不写。

9.4 对白：说话人 ID + 标签

规则清单：

1. 会出声的角色分配稳定 ID:(S1)、(S2)；多人齐声用 (S1,S2)；跨镜头 ID 不变；从不出声的角色不编号。
2. 说话人首次出场，给足身份锚点：角色类型、年龄、性别、是否在画面内、音高、音色、语速、口音。
3. 身份描述、ID、动作、语气放在 外面； 里只放语言标记和台词本身，一字不改、不翻译、保留原标点。
4. 画外音必须用固定短语 says in an off-screen voiceover，且紧跟一句声明画面上的人嘴唇没动：
5. 台词跨越剪辑点：在两段的连接处都放 ，并明确写音频连续（如 carries over from the previous shot)；台词被片尾截断用 。
6. 画面内文字（招牌、字幕、霓虹灯）：放英文双引号里，原文保留不翻译——A red neon sign reading “营业中” glows above the doorway.
   9.5 一个完整可抄的例子（官方 T2VA 案例）

替换成你的场景，就是一条合格的 H3 提示词。

9.6 带图的三种变体：开头多一行对齐指令

I2V 家族（I2VA / FL2VA / L2VA）在三字段之前多一行固定格式的对齐指令，然后空一行：

只给首帧（I2VA）——固定写法：

描述结构：先锚定图里的风格、主体、构图，再写动作如何展开（首帧锚点 → 动作发端 → 持续发展 → 结果）。角色衣着、颜色、关键物件、空间关系要和图保持一致。

首尾帧都给（FL2VA）——声明两张图各对齐哪个时间点：

正文别把两张图各描述一遍——写连接它们的运动路径（首帧状态 → 可见的中间变化 → 差距逐步收窄 → 尾帧状态）。FL2VA 尽量单镜头，让模型连续插值。

只给尾帧（L2VA）——图对齐片尾：

描述结构：推断一个合理的先前状态 → 明确的动作与过渡路径 → 最后一镜逐步收敛 → 落在图上。

时间 S.SS 必须精确到两位小数，且和你的实际视频时长一致（对照第 6 步帧数表换算）。

9.7 提示词偷懒法

官方就是这么设计的：H3 的 API 版有个闭源的 Context-IR 模块专门干“把人话改写成上述格式”这件事，本地没有它，但你可以让任何一个 LLM 代劳。把官方指南链接和你的想法一起丢给它：

生成结果检查三处：台词是否被改写（必须原文）、镜头时间戳是否递增且在总时长内、配乐字段有没有混进情绪词。

不想依赖 LLM 的手感，还有个更正统的偷懒路径：花几分钱调一次官方 Context-IR API（¥5.80/百万 token 输入），把你的大白话和素材丢进去，它返回的增强提示词就是标准格式——这本来就是 API 版里帮你重写提示词的那个闭源模块。拿返回结果存成模板，后面每次改几个词，比从零学快得多，本地 ComfyUI 也认这种格式。

10. 第 8 步：加速——SageAttention 省 24%，叠 Cache 最多再省 58%

先跑通再折腾这步。加速分两层，可以叠加：SageAttention 把每一步算得更快，Cache 类节点直接跳过没必要算的步。 先上第一层——同 seed 同工作流（1152×640/124 帧）A/B 实测省 24%：

1. 装 SageAttention：从 SageAttention releases 下载和你的 PyTorch / CUDA 版本匹配的 wheel（文件名里写着 torch 和 cu 版本，对准了再下），然后 pip install <wheel文件名>。桌面版用户在其内置终端里执行，保证装进 ComfyUI 用的那个 Python 环境。版本认准 2.x——后面的 fp8 系模式只在 2.x 里有，1.x 根本没有对应内核；这些 wheel 都是 2.x 预编译版，直接装最省事。真要从源码自己编，有个硬门槛：sm_89（40 系）要求 CUDA ≥ 12.4（写在 setup.py 里），我们在 12.0 环境下编不过去，升到 12.8 才搞定。

2. 装 KJNodes 节点包： ComfyUI Manager 里搜 ComfyUI-KJNodes 安装；或手动 git clone https://github.com/kijai/ComfyUI-KJNodes 到 ComfyUI/custom_nodes/，重启。

3. 接线：工作流里加 Patch Sage Attention KJ 节点，插在 UNETLoader 和 BasicGuider 之间——UNETLoader 的 model 输出 → Patch 节点 model 输入，Patch 节点 model 输出 → BasicGuider 的 model 输入。只有 guider 需要打补丁，scheduler 不用动。
   

4. 选模式：直接用 auto 就行。它会按显卡架构自动落到最快路径——4090 上 auto 就等于 qk_int8_pv_fp8_cuda++（查过源码：sm89 分支返回的正是同一个 fp8 内核，手动选没坏处但没必要）；30 系卡（3090/3060 等 Ampere）没有 FP8 硬件单元，auto 会落到 Ampere 可用的 int8 路径，仍有可观提速。真要手动锁定 qk_int8_pv_fp8_cuda++，前提是第 1 步装的确实是 SageAttention 2.x——1.x 没有这个内核，选了也是报错或静默回退。

5. 正常 Run。懒人替代：不想接节点，启动 ComfyUI 时加 –use-sage-attention 参数全局开启（桌面版在设置的启动参数里加）。两个坑必须说清：这个参数和 KJ 节点二选一，千万别同时开——两边会重复打补丁，社区有反馈反而变慢；而且启动参数没法选模式，只能走默认路径。要控制力就接节点，要省事就用参数，别混着来。
   第二层：Cache 类节点，跳步不硬算

SageAttention 是把每一步算得更快，Cache 类节点是另一个思路：扩散采样的相邻步输出经常几乎一样，变化小到一定程度就直接复用上一步的结果，整步跳过不算。两层叠加，同一条 362 帧满长度片（1152×640，4090 48G）的实测：

• 仅 SageAttention — 1183.6s（对无加速基线省 21.9%；和第 4 步表里的 1158s 是不同批次实测，2% 的批间波动属正常）
• Sage + EasyCache — 899.5s（在 Sage 基础上再省 24.0%）
• Sage + TeaCache — 500.5s（在 Sage 基础上再省 57.7%，比只开 Sage 快一倍还多）
  EasyCache 是 ComfyUI 原生内置节点，不用装任何第三方包：画布上加一个 EasyCache 节点，串进 model 链路（和 Sage 补丁节点前后排开即可），关键参数是 reuse_threshold（另有 start_percent / end_percent / verbose 三个，一般不用动），默认 0.2 可以直接用。注意上面的 899.5s 是在更保守的 0.1 下测得——阈值越大跳得越多越快，124 帧短片实测 0.2 跑 215.7s、0.1 跑 260.0s，用默认值会比文中数字更快、损失也略大citation citation。TeaCache 认准 H3 专用的节点包——本文 500.5s 用的是 Icyoung/ComfyUI-MiniMaxH3-TeaCache（节点名 MiniMaxH3TeaCache），另一个可选是 lihaoyun6/ComfyUI-MiniMaxH3-Cache（节点名 MiniMaxH3Cache）。别装 Manager 里那个通用的 ComfyUI-TeaCache（welltop-cn）——它的支持列表停在 FLUX / HiDream 那一代，没有 H3，装完你会发现根本没有能接进 H3 链路的节点。关键参数是 rel_l1_thresh，越大跳得越狠越快。

天下没有免费的午餐——Cache 的加速来自跳过真实计算，但代价要看对地方。我们在 R2V 参考图模式下逐帧核对过：人脸身份并不漂移（同一张脸、同一发型、同一裙装结构从头稳到尾），真正掉的是画面的“活性”——近似静止的“发呆”帧占比从 13.8% 翻到 41.5%，细节也更容易糊。所以检查 Cache 成片时别盯着脸看，看画面发不发呆、细节糊不糊。

另一条要想在前面：Cache 改变的是生成结果本身，不是“同一条片跑快点”。 同 seed 实测，TeaCache 输出对无 Cache 基线的 SSIM 只有 0.78（EasyCache 是 0.96）——所以“草稿开 TeaCache 挑片、正片换配置复现”这个直觉打法不成立：换了配置，你挑中的那条画面就变了。正确用法二选一：跑量筛提示词、筛创意，全程开 Sage + TeaCache，别指望草稿画面能原样复现；对画面有要求的正片，从选片到定稿用同一套保守配置（Sage + EasyCache 或干脆只开 Sage）。阈值往小调，跳得保守些，损失也小些。

11. 常见问题排查

Q：提示缺少 MiniMaxH3ImageToVideo / EmptyMiniMaxH3LatentAV 等节点 A:ComfyUI 版本 < 0.30.0，升级。最高频问题。桌面版/整合包跟随稳定版发布，更新后重启再试。

Q：爆显存（OOM / CUDA out of memory） A：按顺序排查——① 确认用的是 pruned_int8_convrot DiT + nvfp4_awq 编码器这对最小官方组合，不是误下了 bf16;② 关掉其他吃显存的程序（游戏、另一个 ComfyUI、跑着模型的浏览器标签）;③ 系统内存拉到 32GB 以上，12GB 卡靠内存分层加载；④ 还不行，换社区 INT4 量化（第 2 步末尾）。记住实测规律：降分辨率救不了 OOM，显存大头是模型本身。

Q：输出视频没有声音 A：两个 VAE 必须都加载——video_vae_fp16 和 audio_vae_fp32，并确认工作流里有 VAEDecodeAudio 节点连到 SaveVideo。用官方模板一般不会缺，自己改工作流时最容易删错。

Q：生成完全失败，分辨率开得很小 A:H3 最低 384p,256p 及以下必然失败。用官方模板的分辨率预设。

Q：视频时长和我填的不一样 / 卡不上音乐节拍 A：帧数被吸附到 17k+5 网格（第 6 步），单次上限 15.08 秒。从合法帧数表里直接挑，别填任意值。

Q:R2V 模板报“找不到模型” A: R2V 用 ref2va 权重，和 T2V/I2V 的 fl2va 是两套，单独下载（第 6 步）。

Q:R2V 特别慢 A：检查 ref_image_size 是否选了 max——参考 token 每步采样都要过一遍，max 慢好几倍。日常用 match。

Q：参考视频/输入图出来变形、裁切 A：参考视频会被压到「短边 768、面积上限 768×1344、对齐 32」的画布，和输出分辨率是两套规则。素材先自己裁成目标宽高比。

Q：控制台刷 dtype 警告 A：正常现象（第 5 步），部分层回退标准 attention，不影响生成。

Q：我的 3090 比别人的 4090 慢好几倍，显存还用不满 A：两个原因叠加——① 3090 是 Ampere 架构，没有 FP8 硬件单元，INT8/FP8 权重要在计算前转回高精度，同代对比天然慢；② 社区多人观察到 H3 的动态显存调度偏保守，24GB 卡可能只用到 18GB 左右，显存利用率不满是已知现象，不是你的配置错了。能做的：开 SageAttention（auto 模式）、用质量取向的 INT8 Lean 权重、把内存加到 64GB 减少分层等待citation

Q:16GB 卡（5070 Ti / 4080）启动就崩，报 “Device memory is nearly full” A：这是加载阶段显存 + 内存双双吃紧的表现。按顺序试：① 系统内存 32GB 是底线，加到 64GB 最有效；② 加启动参数 –cache-none –disable-smart-memory 强制模型完全卸载；③ 关掉浏览器硬件加速（浏览器本身会占 1–2GB 显存）；④ 换第 2 步末尾的 INT4/NVFP4 小权重。另有 5070 Ti 用户报告速度异常波动的案例，若明显慢于同档卡，先更新到最新稳定版 ComfyUI 和显卡驱动再对比citation

Q：生成的人物说中文口型对不上 / 台词被改 A：检查 标签——语言标记写对（[Chinese])，台词原文放标签内，身份和语气描述放标签外。台词被模型改写通常是因为写在了 外面。

12. 声音效果，提前对齐预期

官方宣传“原生 32kHz 立体声”，实测拆解：32kHz、双声道属实，左右声道确实不同（L/R 差 0.2–0.9 dB，差信号比主信号低 14–24 dB），不是单声道复制两份糊弄人。但预期放对：这是“有空间感”的窄声场立体声，不是强声像分离，别指望左右横穿的音效定位。它最值钱的一点：对白、音效、配乐和画面在一次前向传播里同时生成——唇形同步是天生的，不是后期对上去的。

13. 本地 vs API，一笔账

官方 API 刊例价（人民币）:2K ¥0.80/秒，768P ¥0.50/秒，768P→2K 再生成 ¥0.30/秒；音频输入免费，图片 5 张内免费（超出 ¥0.20/张）。

注意 0.50 + 0.30 = 0.80——先出 768p 草稿再升 2K，和直接出 2K 一个价，官方定价没给“云端草稿”留任何便宜。这正好框定了本地部署的位置：

• 迭代试错、跑量出草稿 → 本地。 一条 5 秒 768p 走 API 要 ¥2.5，本地电费忽略不计，试 50 版提示词就省 100 多块。
• 定稿要高清，两条路。 路线 A：本地超分到 1080p，免费。社区已有调好参数的 ComfyUI 工作流，用 LTX 2.3 或 Wan 2.2 5B 把 768p 成片拉上 1080p——注意选调低了 sigmas 的版本，参数过高会换脸、毁口型；早期流传的一些版本就栽在这上面citation。路线 B：API 升 2K，¥0.30/秒，15 秒成片 ¥4.5。它和普通超分不是一回事——重生成带着原始上下文重画一遍，小字和细节是还原不是猜，交付级项目值这个钱。ComfyUI 里就有现成的 API 模板（第 3 步表格里那三个 api_ 开头的），不用离开工作台。
• 没有 12GB+ 的 N 卡、或一年用不了几次 → 直接 API，别为几条视频折腾 40 GB 权重。
  本地省下的主要是试错阶段那笔最大的浪费；定稿阶段，1080p 够用就连高清的钱也省了，只有非要官方 2K 才掏 ¥0.30/秒。想清楚这个定位，一张消费级的卡不只是草稿机，是台能出片的主力机。

最后按四类人把路线判断说死：

• 只是想玩玩 → 第 0 步的网页版就够了，别往下走。
• 做产品接生成能力、要 2K、赶交付 → 直接 API，一条 5 秒 2K 四块钱，别折腾本地。
• 有 12GB+ 的 N 卡、出片量大、爱折腾 → 本地部署 + 上面的混合打法，这篇教程就是为你写的。
• 想微调、做研究 → 下完整 bf16 权重（AdaLN 那 13B 也在里面），官方推荐 SGLang 多卡起步，超出本文范围。
  附：决定走 API 的话，这段脚本直接抄

去 platform.minimaxi.com（海外 platform.minimax.io）注册，用户中心充值，账户管理里创建 API key。然后三步：提交任务 → 轮询状态 → 下载视频：

图生视频只需在 content 里加一项 {“type”: “image_url”, “image_url”: {“url”: “https://你的图片地址.png”}, “role”: “first_frame”}，加了首帧图之后把 ratio 删掉（会自动按图片比例来）。

四条新手墙，提前告诉你：

1. duration 只收 4 到 15 的整数（注意和本地的 17k+5 帧数网格是两套规则）。
2. 素材单个限制：视频 50MB、图 30MB、音频 15MB；请求体总共 64MB，超了就传 URL 别传 base64。
3. 音频不能单独作为输入，必须搭一张图或一段视频。
4. 任务记录只保存 7 天，视频链接有时效，出片就下载。
   

实测环境：RTX 4090 48GB（魔改）/ ComfyUI 0.30.0 / torch 2.11 + cu128。文中耗时、显存、可复现性数据均为该环境实测；权重大小以 Hugging Face 官方仓库为准；提示词语法以 MiniMax 官方指南为准。

---

来源：@servasyy_ai · 发布于 2026-08-06 14:28:24 · 原文链接