MiniMax H3 本地實測

ComfyUI 官方文件已經有一份 MiniMax H3 的說明，涵蓋模型介紹、三個範本工作流與模型下載位置：

ComfyUI 官方文件 · MiniMax H3 →

本文不重複官方文件，而是把它實際跑一遍之後的結果補上去。模型配置與工作流骨架都依官方說明；我們調整的是參數、輸入的參考素材與參考音，記錄的是官方沒有列出的部分——實際生成時間、長度與音訊品質的衰減曲線、首格與末格的服從程度差異，以及多段串接的做法。

下面這支是本文全部設定跑出來的最終結果：三段各約 10 秒、接成 27.5 秒的連續自拍鏡頭。人物、服裝、場景在三段之間保持一致，嘴型與語音同步，聲音是預先用本地 TTS 產生後餵進模型的參考音。

ComfyUI 官方模板庫已內建 H3 的工作流，節點也已進主線（本文使用 ComfyUI 0.29.0）。模型放在 ComfyUI/models/ 對應資料夾即可，不需要自訂節點。

兩條工作流共用文字編碼器與兩顆 VAE，所以第一條跑完之後，要加跑另一條只需再下載一個 19.5 GB 的擴散模型。全部備齊約 59 GB。

H3 在 ComfyUI 裡有兩個核心節點，差別不在畫質，而在你能餵給它什麼。這個選擇會直接決定成品能不能用。

兩者都會生出同步的嘴型，但 ImageToVideo 沒有音訊輸入，音色每次都由模型自行決定。若要角色的聲音固定，就必須走 ReferenceToVideo，把預先產生的語音接到 ref_audios。

依官方文件，Reference-to-Video 可接的參考素材上限為 9 張參考圖、3 段參考影片（各可帶自己的音軌）、3 段獨立參考音。另有一個 ref_image_size 參數：match 會把參考圖縮到生成解析度（較快），max 則使用 2048px 短邊以取得更強的身份保真，代價是參考的 token 會參與每一個取樣步，速度慢上數倍。本文全部使用 match。

參考音有兩種用法，由提示詞的措辭決定：寫成音色參考時，模型會借用音色但另外生成台詞；寫成 use <Audio 1> exactly as it is 時，會照著那段語音的內容與節奏生成畫面。後者是「讓角色說出這段話」的做法。

需要留意的是，它並非位元層級的複製——輸出會經過音訊 VAE 重建，高頻略有損失（實測 4 kHz 以上能量佔比由 21.5% 降到 15–18%）。若需要原始音質，可在後製把原音軌換回去；本文成品即採此做法。

這是 H3 與多數影片模型最不一樣的地方：它的提示詞不是一段散文，而是有欄位的結構文件。官方指南定義了六個區塊，其中 subject_definitions 負責宣告每一個參考素材代表什麼——參考圖是誰、參考音屬於誰。

三件實務上會影響成敗的事：

1. 每一個標籤都必須先被定義。提示詞裡出現的 <Picture N>、<Audio N>，都要對應到實際接上的輸入，並在 subject_definitions 裡說明它是什麼。指向不存在的素材時模型不會報錯，只會忽略那個指令。

2. 對白要內嵌在鏡頭敘述裡。官方指南明寫對白應 appear inline within the shot description, not appended separately。附加在段落最後會被當成背景音軌處理。

3. 說話是一個「可見動作」，要寫進去。畫面內說話與旁白的差別，在於前者需要明確描述嘴部動作（嘴唇隨字句開合、下巴與臉頰起伏），後者才使用 says in an off-screen voiceover 並註明雙唇閉合。動作描述位在鏡頭敘述的中段，權重高於段末的通用句——因此描述裡若出現「微笑」「安靜」這類靜態表情，會蓋過說話指令。收尾的表情動作建議寫成「說完最後一個字之後」才發生。

單段長度有上限（見下節），所以較長的影片必須分段。分段的關鍵在於每一段要從什麼起跑。

可行的做法是先產生數張彼此連貫的參考圖，再讓它們同時擔任「上一段的末格」與「下一段的首格」：

這樣安排的好處是每一段都從原始畫質起跑，段與段之間不會互相影響。實測首格與末格的服從程度並不對稱：

首格是硬約束，末格是軟約束。模型幾乎完美地從指定圖起跑，但結尾只是往指定方向靠近。因此接縫的品質上限由末格決定：實務上可把交界處當成一個剪接點，或加上約 0.2 秒的交叉淡入；交界用的參考圖，也建議選動作幅度小、姿勢中性的構圖。

在只給一張參考圖的情況下，測試人物原地轉一整圈——中途完全背對鏡頭、臉部消失數秒——再轉回正面，檢查是否仍是同一個人。攝影機全程固定，以便確認旋轉來自人物而非運鏡。

髮飾位置、指甲顏色、頸部小痣等細節在旋轉前後一致。進一步讓人物轉完後走到不同位置、改用不同姿勢收尾（脫離參考圖的姿態），臉部特徵同樣保持——顯示一致性並非只是「回到參考姿勢時看起來像」。

H3 的畫布有明確限制：短邊最大 768、長邊最大 1344，且兩邊都必須是 32 的倍數。因為 720 不是 32 的倍數，直式 720P 實際要取 736。

幀數不是任意值，必須落在 17k + 5 的網格上（24 fps）：

官方標註的訓練區間是 124–362 幀（5.17–15.08 秒）。最後那個 while 迴圈很重要：只做網格吸附時，算出來的長度可能比語音短零點幾秒，尾音會被截掉且不會有任何錯誤訊息。

測試環境：RTX 5090（32 GB VRAM）· ComfyUI 0.29.0 · 480P · 24 fps · steps 20 · res_multistep 取樣器。實際峰值顯存使用在 30 GB 以內。

成本是超線性的，解析度與長度都是。畫布由 480×864 放大到 736×1312（像素 ×2.33）時，生成時間變為 ×3.32；同一解析度下，每幀成本也隨序列變長而上升（209 幀 1.11 秒／幀 → 362 幀 1.45 秒／幀）。因此估算時程時，不能只用面積比或幀數比線性外推。

本文成品的實際數字：

依實測的每幀成本（平均 1.156 秒／幀）推估其他規格：

「端到端」另外包含備料時間：三張參考圖約 4 分鐘、三段語音約 1.5 分鐘。這兩項不吃影片模型的顯存，可與其他工作並行。

把上面的實測整理成幾條可以直接拿去用的結論：

影音同源是這個模型的核心價值。畫面與立體聲在同一次前向裡生成，省掉「先生語音、再做對嘴」的第二段流程，也不會有兩段之間的時間軸漂移問題。代價是音色由模型決定，需要固定聲音時必須走 Reference-to-Video 餵參考音。

構圖限制比上一代寬鬆很多。手持自拍視角、邊走邊說、原地旋轉這類過去容易導致「身體凍結、只有嘴在動」的構圖，在 H3 上可以正常運作，不需要為了防止崩壞而遷就第三人稱固定機位。

提示詞的結構比詞彙重要。H3 讀的是有欄位的結構文件，素材要先宣告、對白要內嵌、說話要當成可見動作寫出來。這三點沒做到時模型不會報錯，只會安靜地產出一支看起來正常、但缺了關鍵行為的影片。

10 秒是目前的實用單位。模型上限 15 秒，但語音在後段會瓦解；以 10 秒為一段、用連貫的參考圖串接，是現階段兼顧品質與效率的做法。

本文所有數據皆為單機實測，環境為 RTX 5090 + ComfyUI 0.29.0，測試日期 2026 年 8 月 3 日。生成時間會隨顯示卡、驅動與取樣器設定而異。

模型說明、範本工作流與模型下載位置，均以 ComfyUI 官方文件為準；本文的角色是在其之上補上實測數據與參數調整的結果。

ComfyUI Docs · MiniMax H3 →

模型權重來自 Hugging Face 上的 Comfy-Org/MiniMax-H3；提示詞結構依 MiniMax 官方的 video prompt writing guide。