MiniMax-H3：让视频创作变得超简单，15秒2K大片一键出！文字图片一键生成带声高清视频
MiniMax-H3 是 MiniMax 公司推出的一款通用、全能型（omni-modal）多模态生成模型，可以同时理解和处理文字、图片、视频、音频，并生成带原生立体声音频的视频。
它像一个“全能视频创作助手”：你给它文字描述、参考图片、参考视频，甚至参考音频，它就能生成最长15秒、最高2K分辨率、带立体声的视频。它在预训练阶段就具备很强的多模态理解和复杂指令跟随能力，不只是简单的“文字转视频”。
MiniMax-H3 经过多次权威机构测试，应该是目前开源模型里能力最强的“文字/图片/视频/音频 → 带声音视频”全能生成工具，适合需要高质量、可控、带音频的短视频创作场景。
说两句：下午简单测试了下，应该是目前史上最强开源视频生成模型，甚至超越很多商业闭源模型。在提示词很简单的情况下生成的效果也很惊艳。第一时间做了WebUI和整合包，供大家体验！
感谢KJ大佬第一时间分享量化模型，后期社区会有更多大佬改进和发扬这个牛B的模型，本站也会持续更新！
主要特点
多模态输入输出：支持文字、图片、视频、音频的混合输入，输出同步的视频 + 立体声音频（32kHz）。
灵活的生成模式：
纯文字生成视频（Text-to-Video）
首帧/末帧/首尾帧控制生成
多参考（最多9张图、3段视频、3段音频等）控制生成
画质与规格：默认768p，可通过二次生成达到2K；支持多种宽高比（横屏、竖屏、方形等）；24帧/秒；时长4–15秒。
语言支持：稳定支持11种语言（中、英、日、韩、法、德、西、意、葡、俄、阿），其他语言也有一定支持。
系统架构：分为三个模块——上下文理解与优化（H3-Context-IR）、基础生成（H3-Base，约33B参数）、2K高清再生成。开源的是基础生成部分，完整高清流程可通过官方API使用。
应用领域
内容创作：短视频、广告、宣传片、社交媒体内容快速生成。
影视与动画：预可视化、分镜、特效参考、简单动画片段。
游戏与虚拟现实：角色动画、场景演示、交互内容原型。
教育与培训：教学视频、演示动画。
营销与电商：产品展示视频、个性化广告。
多模态研究与开发：作为开源基座模型进行微调或二次开发。
使用教程：（建议N卡，显存12G起，运存32G起，支持50系显卡）
整合包包含所需所有节点，下载主程序和模型（ComfyUI文件夹），解压主程序一键包，将ComfyUI文件夹移动到主程序目录下即可。
WebUI模式：
双击启动跳转，进入WebUI后，根据需要切换文生视频和首尾帧视频生成选项卡，输入提示词或上传图像，设置相关参数，运行生成即可。
ComfyUI模式：
双击启动ComfyUI，进入WebUI后，点击左侧的 工作流程，选择对应的工作流，根据需要选择文生视频和首尾帧视频生成
输入提示词或上传需要生成的图像，输入提示词，设置相关参数，运行即可。
实测12G显存可以运行，但需要开启共享显存，且运存需要32G起。
百万像素和宽高比 对应参数 供大家参考
| 0.2 | 16:9 | 608 x 352 |
| 0.3 | 16:9 | 736 x 416 |
| 0.4 | 16:9 | 864 x 480 |
| 0.5 | 16:9 | 960 x 544 |
| 0.6 | 16:9 | 1056 x 608 |
| 0.7 | 16:9 | 1152 x 640 |
| 0.8 | 16:9 | 1216 x 672 |
| 0.9 | 16:9 | 1280 x 736 |
| 0.98 | 16:9 | 1344 x 768 |
| 1.0 | 16:9 | 1376 x 768 |
| 1.2 | 16:9 | 1504 x 832 |
| 1.5 | 16:9 | 1664 x 928 |
| 1.8 | 16:9 | 1824 x 1024 |
| 2.0 | 16:9 | 1920 x 1088 |
软件目录结构：
📂 ComfyUI/
├── 📂 models/
│ ├── 📂 diffusion_models/
│ │ └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│ │ └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
│ ├── 📂 text_encoders/
│ │ └── qwen3vl_32b_minimax_h3_int8_convrot.safetensors
│ └── 📂 vae/
│ └── minimax_h3_audio_vae_fp32.safetensors
│ └── minimax_h3_video_vae_fp16.safetensors
📂 deepface/
......
下载地址：
迅雷云盘：https://pan.xunlei.com/s/VP0MBXM5P383BFgxhv3Ft4wBA1?pwd=f363
夸克网盘：
**** 本内容需购买 ****
百度网盘：
**** 本内容需购买 ****
MiniMax H3提示词生成技巧（模板来自“超级面爸”公众号）：
你是一个 MiniMax-H3 视频生成提示词专家。你的任务是根据用户的描述，生成符合 MiniMax-H3 格式要求的视频提示词。## 任务类型 根据用户提供的素材判断任务类型： - T2VA：纯文本生成视频，无参考图。提示词直接从三个核心字段开始。 - I2VA：一张首帧参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。 - FL2VA：首帧+尾帧两张参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。 - L2VA：一张尾帧参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。## 对齐指令模板 - I2VA： For the target video, at 0.00 seconds into the target video, <Picture 1> (from ) is fully referenced.- FL2VA（N 为实际最后一个镜头编号，S.SS 为视频时长，保留两位小数）： How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.- L2VA（N 为实际最后一个镜头编号，S.SS 为视频时长，保留两位小数）： How the reference pictures align with the target video — <Picture 1> (from ) aligns with the S.SS-second mark of the target video.## 三个核心字段 1. integrated_multimodal_description：沿时间线描述画面风格、构图、人物、动作、镜头运动、对白和现场声音。 2. overall_soundscape：1-4 句英文，概括全视频的环境音、动作音和非语言人声。对白和唱歌不写这里。 3. non_diegetic_music：1-3 句英文，描述只有观众能听到的背景音乐，聚焦乐器、速度、节奏和动态变化。无配乐写 N/A。## 写作规则 1. 开头先定风格（Cinematic/live-action/2D-animated/3D CG/claymation/watercolor/vintage film）和初始构图。 2. 第一个镜头不加时间戳；后续镜头用 At MM:SS.mmm, the camera cuts to... 格式，时间严格递增。 3. 镜头运动写成自然英文动作句，格式为：运动类型 + with small/large amplitude + at slow/fast speed。中等幅度和正常速度可省略。可用类型：Zoom In/Out, Push In/Pull Out, Pan Left/Right, Truck Left/Right, Tilt Up/Down, Pedestal Up/Down, Arc Shot, Tracking Shot, Static Shot, Shake Slightly/Strongly, POV, Roll Clockwise/Counterclockwise。 4. 说话人用稳定 ID (S1)(S2)，多人同说用 (S1,S2)。首次出场需描述年龄、性别、音色等身份信息。对白格式：<d>[语言] 原文内容</d>，原文一字不改不翻译。 5. 旁白用 says in an off-screen voiceover，其后必须写明画面中人物嘴唇保持闭合。 6. 对白跨镜头用 <scenetrans> 标记并写明声音延续；被结尾截断用 <cutoff>。 7. 画面内可见文字（招牌、字幕、标签）用英文双引号包裹，保留原文不翻译。 8. I2VA：Shot 1 须声明人物外貌、服装、位置、场景与 Picture 1 保持一致，然后从首帧发展动作。结构：首帧锚定→动作起始→连续发展→结果或反应。 9. FL2VA：通常用单镜头，写从首帧到尾帧的运动路径。结构：首帧状态→中间变化→差异缩小→尾帧状态。末尾须明确对齐到 Picture 2。 10. L2VA：反推兼容的前情状态，让动作逐步收敛到尾帧。结构：合理前情→动作和过渡→逐步收敛→尾帧着陆。末尾须明确对齐到 Picture 1。 11. 整个提示词用英文撰写（<d> 内的对白原文和画面内文字保留原始语言）。## 输出格式 直接输出完整提示词，不要加任何解释、注释或 markdown 代码块标记。格式如下：[对齐指令——仅 I2VA/FL2VA/L2VA 需要，T2VA 跳过]integrated_multimodal_description: ...overall_soundscape: ...non_diegetic_music: ...## 用户输入 {用户会在这里描述想要的视频内容、提供参考图信息、指定视频时长等}
1、复制上面的提示词模板，发给大模型，比如豆包，deepseek，千问等
2、输入你需要生成的视频内容主题，比如 “生成一段美女热舞的视频，美女一边跳舞，一边冲着镜头说” 等。如果是文生视频，带上图片，输入主题内容
3、等待大模型生成提示词，复制到提示词即可。 终于等到了，H3真的强！这个星期估计H3的生态要雨后春笋那样出来了要！;P;P 看了B站的评测，这个真的是史上最强开源视频模型了，等wan2gp版出来我也该续会员了，本来觉得最近没啥好用的模型了，没想到来了这么强的，这是我续费的动力哈哈，一年到期了，去年这个时候wan2.2横空出世，果断充电。一年过去了，发展速度太快了，坛主持续对wan2gp的汉化和整合比其它家的要准确好用，希望这个月为了这个NB的模型提前破例更新wan2gp，感谢！ 215069003 发表于 2026-8-3 19:59
看了B站的评测，这个真的是史上最强开源视频模型了，等wan2gp版出来我也该续会员了，本来觉得最近没啥好用 ...
新模型只会越来越多，越来越强！ 我觉得H3也没必要整合进wan2gp了，这一个就可以抵所有视频模型了。
大哥要不专门针对h3出个系列吧，加入视频和音频参考功能，再开放个API，嗲！ 效果炸裂，有些效果甚至比sd2都要好 nevets 发表于 2026-8-3 23:01
我觉得H3也没必要整合进wan2gp了，这一个就可以抵所有视频模型了。
大哥要不专门针对h3出个系列吧，加入视 ...
当然需要，一个comfyui，一个webui，工作台形式不一样，这么好的模型理应百花齐放，有各种操作流程适应不同偏好的人群，而且wan2gp是目前最顶级的webui了，不过有一点你说的对，wan2gp这次我准备只留H3视频模型哈哈 nevets 发表于 2026-8-3 23:01
我觉得H3也没必要整合进wan2gp了，这一个就可以抵所有视频模型了。
大哥要不专门针对h3出个系列吧，加入视 ...
智能机时代，功能机依然有很多人在用
同样的道理，H3也会被后来者淘汰，但考虑到成本，依然会有人用。 百度下载模型包遗漏📂 vae/
页:
[1]
2