AI視頻能在自己電腦上跑了！ComfyUI+MiniMax H3本地部署教程

最近 AI 視頻這塊又熱鬧起來了。不過和前兩年不太一樣，以前效果好的視頻模型基本都在雲端，想玩就得充值、買積分，一次生成幾秒鐘，抽卡抽得心疼。現在MiniMax H3 開放權重之後，咱們這些有獨顯的臭打遊戲的有福了，終於可以正兒八經塞進自己電腦裏跑了。

而且更方便的是，ComfyUI已經原生支持MiniMax H3。也就是說，不需要自己折騰一大堆魔改插件，更新ComfyUI、下載模型、載入官方工作流，基本就能開跑。

這篇就從零開始聊一下，怎麼在Windows電腦上用ComfyUI + MiniMax H3本地生成AI視頻。

MiniMax H3到底是什麼？

MiniMax在2026年7月31日正式發佈H3。

和以前比較單純的文生視頻模型不同，H3更接近一個真正的多模態音視頻生成模型：它能同時理解文字、圖片、視頻和音頻，也能在生成畫面的同時直接生成聲音，記住這點：視頻和聲音一起生成，對白、環境音、音樂都可以直接寫進Prompt裏。非常牛X！

目前ComfyUI官方工作流主要提供三種玩法：

T2V：Text to Video

直接輸入文字生成視頻。

I2V：Image to Video

拿一張圖片生成動態視頻，也可以加入首幀、尾幀控制。

R2V：Reference to Video

這個就比較猛了，可以同時喂圖片、視頻甚至音頻，讓模型參考人物、畫風、動作、運鏡或者聲音來生成新視頻。

官方目前的R2V工作流最多支持9張參考圖片、3段參考視頻和3段獨立參考音頻。對於玩視頻內容的人來說，我覺得後面這個R2V反而是H3最值得玩的東西。

先看看你的電腦能不能跑

這塊其實我不太清楚，有的說是64G內存+12G顯存的電腦纔行，我這試了下32G內存+16G顯存也能跑出不錯的質量，速度也還能接受。網上別人說的8G顯存也能跑，只不過輸出分辨率得調低一些。

安裝ComfyUI真的非常傻瓜

H3這次我非常建議新手直接走官方工作流。

首先得去安裝ComfyUI：

最簡單的方法就是，去某g__hub上下載Windows Portable版本，N卡就下ComfyUI_windows_portable_nvidia。別像我一樣，自認爲我的CPU是intel的，就下了intel版本，結果打開後無法加載GPU……

另外，ComfyUI有desktop安裝版本，但裝好後部署comfyui我發現其內置的最新版是0.28的，在模板裏搜不到minimax H3 圖生視頻，所以就別用desktop安裝版了。

下載好後解壓，ComfyUI_windows_portable的目錄如下：

把它放到一個沒有中文的目錄下就行，建議放到硬盤的根目錄，可以減少文件路徑過長導致的錯誤。打開run_nvidia_gpu.bat批處理文件後，它會自動啓動terminal終端來完成各項部署，完成後就會啓動瀏覽器開啓web工作臺：

我們點擊模板。

在模板裏選擇生成類型》視頻，裏面就可以按照我們的需求去選擇模板了，選好之後，就會進入節點式工作流↓

第一次部署我建議先玩：MiniMax H3文生視頻（T2V）

因爲它變量最少。先確認模型能夠正常加載、採樣和輸出視頻，再折騰其他的。

下載哪些模型？

如果你用的是T2V或者I2V，官方推薦的本地組合主要是下面四個文件。

視頻擴散模型

minimax_h3_fl2va_pruned_int8_convrot.safetensors

放到ComfyUI解壓後目錄裏的：

ComfyUI/models/diffusion_models/

·

Qwen3-VL文本/多模態編碼器

qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

放到：

ComfyUI/models/text_encoders/

·

Video VAE

minimax_h3_video_vae_fp16.safetensors

+

Audio VAE

minimax_h3_audio_vae_fp32.safetensors

兩個模型放到：

ComfyUI/models/vae/

如果你要玩R2V參考生視頻，則需要另外下載：

minimax_h3_ref2va_pruned_int8_convrot.safetensors

同樣放進：

ComfyUI/models/diffusion_models/

FL2VA和Ref2VA是兩套不同權重，別下錯了。

模型搞定後，就可以關掉comfyui並重新打開加載一遍，隨後就能正常用了。

試下！

文生視頻

我們先做一次最簡單的T2V，不要看到H3支持高分辨率、15秒，就直接把所有參數拉滿，先確認能跑。

我建議第一次直接：

16:9；832×480；5秒

duration就是時長，5.0就是5秒鐘；百萬像素0.4就是832×480。

然後寫一條簡單Prompt，比如：夜晚的東京街道，一名穿黑色夾克的年輕男子從便利店走出來，細雨落在路面上，霓虹燈倒映在積水中。鏡頭緩慢向人物推進，人物停下來抬頭看向天空。背景有輕微車輛行駛聲和雨聲，遠處傳來城市環境音，電影感，真實攝影。

大概2分半就能生成5秒的視頻，效率我覺得還挺不錯。

Prompt你不用只寫：人物、衣服、背景、鏡頭。

還可以直接把：

人物做什麼、鏡頭怎麼運動、環境裏有什麼聲音、人物說什麼、背景音樂是什麼

全寫在同一個Prompt裏面，如果不太會寫的話，可以用deepseek這類AI工具幫你潤色，擴展想象力。H3本身就是音視頻聯合生成，所以Prompt裏把畫面、運動和聲音一起描述清楚，一般更容易得到接近預期的結果。

接下來

圖生視頻

實際玩下來，我覺得很多人真正用得最多的應該還是I2V，純文生視頻隨機性還是比較高。而圖生視頻可以先把人物、產品或者場景確定下來，再讓H3負責“讓它動起來”。

在模板裏選擇生成類型》視頻》MiniMax H3圖生視頻

節點工作流載入完成後，點擊選擇文件上傳，把自己的圖片放進去。然後寫動作。

例如拿一張產品照片，可以寫：

保持產品外觀、材質、顏色和Logo不變。鏡頭緩慢從左向右環繞產品，背景燈光產生輕微移動，產品保持靜止。鏡頭最後緩慢推進至產品正面。環境安靜，伴隨輕微電子氛圍音樂。

如果有明確的結尾畫面，還可以複製一下加載圖像的節點，接First Frame+Last Frame——也就是我們經常說的首尾幀生成，H3會嘗試生成兩個畫面之間的運動過程。

對於產品動畫、轉場以及一些短片鏡頭，這個功能其實非常實用。

比如做數碼產品視頻的時候，我完全可以先拍好產品的起始畫面和結束畫面，再交給H3補中間過程。相比完全靠Prompt抽卡，可控性要高不少。

參考生視頻

H3比較有意思的是Reference to Video，比如可以給它：人物照片+喜歡的運鏡+參考聲音。然後告訴H3：人物外貌參考Picture 1，鏡頭運動參考Video 1，人物聲音參考Audio 1。模型會自己理解這些素材之間的關係。

官方工作流要求參考素材按照<Picture 1>、<Video 1>、<Audio 1>這樣的順序進行描述，而且最好明確告訴模型每一個素材到底負責什麼：人物身份、畫風、動作、鏡頭還是聲音。

比如：讓圖像1的女生做出圖像2的動作，鏡頭緩慢向人物推進，人物停下來抬頭看向天空。遠處傳來山谷環境音，電影感，真實攝影。

效果還不錯。

常見問題

找不到GPU 無法加載獨顯

重下一個適合你GPU品牌的版本，N卡下nvidia的，A卡下amd的，別像我一樣和CPU的品牌弄混。還有就是驅動下最新版本的，N卡儘量選擇studio。

工作流打開全是紅色報錯

先更新ComfyUI，如果是很久沒更新的版本，很可能壓根沒有H3相關的原生節點。如果是desktop版，建議刪了重新下一個portable的。

小顯存小內存能不能跑？

用固態硬盤虛擬內存，能跑，但真的慢。

最後

這次ComfyUI原生支持之後，本地部署門檻已經比想象中低很多，無論是內置工作流、支持中文這些都極大的降低了門檻。唯一的門檻就是一張顯存較大的獨立顯卡吧，但如果你有大顯存顯卡的話，我覺得還是值得玩一玩的。