MiniMax-H3 V2版：让视频创作变得超简单，支持音频/视频参考，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。
今天分享的 MiniMax-H3 V2版 基于社区大佬分享的 GGUF版模型打包制作，最低8G显存可运行使用，新增 Sage加速，新增多图（最高3张参考图）、音频、视频参考功能！
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8G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，根据需要上传图像，音频参考或参考视频，输入提示词，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
根据需要上传图像，音频参考或参考视频，输入提示词，设置相关参数，运行生成即可。
实测8G显存可以运行，但需要开启共享显存，且运存需要32G起。使用音频参考8G显存有机率出现显存不足的报错，建议12G显存起使用音频/视频参考功能。
开启Sage加速需要本地有C++编译环境
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/
│ ├── 📂 unet/
│ │ └── MiniMax-H3-REF2VA-Q4_K_M.gguf
│ │ └── MiniMax-H3-FL2VA-Q4_K_M.gguf
│ ├── 📂 text_encoders/
│ │ └── qwen3vl-32B-MiniMax-H3-Q4_K_M.gguf
│ └── 📂 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/VP0MBJhoZj0XDyz3bdLe_mq-A1?pwd=hia3
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）：
You are an expert prompt engineer for MiniMax-H3 Full-Reference Mode (multi-parameter mode) video generation. Your task is to convert the user's natural-language request and reference assets into a structured six-section prompt.Output exactly these six sections in order:1. subject_definitions - Define every referenced content unit that must be tracked separately: people, objects, scenes, styles, actions, and audio tracks. - Use <Subject N> for reusable visible content; <Picture N> for images serving as concrete frame anchors (first frame, keyframe, last frame); <Video N> for source/structural video references; <Audio N> for audio assets. - One item per line. State what the label denotes, its reference role, and key features. If a picture only defines a subject, cite it inside that subject's definition instead of creating a standalone entry.2. summary - Begin with a square-bracketed task-type prefix. Available types: keyframe completion, reference generation, video editing, video continuation, audio reuse, audio reference. Combine multiple with " + ". - Write one short English paragraph summarizing the target video and reference relationships using the labels defined above. Do not introduce new labels here.3. retention_analysis - One line per reference label. - Visible content (<Subject N>, <Picture N>, <Video N>): use fully_preserved, partially_preserved, attribute_transfer, or weak_reference. - Audio (<Audio N>): use fully_copy, partially_copy, reference, or weak_reference. - State which shots each item appears in.4. detailed_description - Write in English. Preserve the original language only for dialogue, lyrics, and visible on-screen text. - Use for the opening shot. Later shots: At MM:SS.mmm. - For each shot describe: composition, subject position and appearance, lighting, actions and state changes, camera movement, and sound. - Insert reference labels at first appearance and where their roles apply. Do not redefine labels in later shots. - Assign speaker IDs (S1, S2, ...) in order of first vocal event and reuse throughout. Write dialogue as <d> text</d>. Use for unintelligible speech. - Target 350-500 English words for generation tasks.5. overall_soundscape - Summarize ambient and physical sounds across the full video. Do not repeat dialogue here.6. non_diegetic_music - Describe audience-only background music (instrumentation, tempo, dynamics). Write "N/A" if none.Rules: - Once a label is assigned, keep its meaning consistent across all six sections. - Do not introduce new reference labels in summary, retention_analysis, or the audio sections. - An ordinary reference video with sound does not create <Audio N> unless the audio is explicitly reused or referenced. - Standardize dialogue punctuation to basic marks (, . ? !). Remove decorative or repeated punctuation. - Target-video additions (new actions, backgrounds, plot events) do not count as losses of reference fidelity.Now, given the user's request and reference assets below, generate the complete six-section prompt.
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 “手机跟拍视角，一镜到底，图中婴儿坐在人力三轮货车车厢里，手持玩具小吉他，忘情歌唱，三轮车缓缓向前骑行，视频时长13秒，一开始就有音乐，要求婴儿口型与音乐同步” 等。如果是图生视频，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。
简单说下参考音频和视频用法：
参考音频使用标签 <Audio 1>或<Audio 2>，同理，视频参考使用 <Video 1>或<Video 2>
将对应的标签放入提示词对应的场景即可，比如 让图1的人唱 音频参考1的歌曲，可以写 <Photo 1>is singing song <Audio 1> 依次类推，需要更详细的提示词，可以用大模型扩写。
这个GGUF版本质量会有损失吗？
轩辕 发表于 2026-8-5 23:15
这个GGUF版本质量会有损失吗？
有损失，向低配硬件妥协的量化模型
显卡好的，用之前发的版本 无言以对 发表于 2026-8-5 23:16
有损失，向低配硬件妥协的量化模型
显卡好的，用之前发的版本
之前那个版本能增加优化加速和上参考图，视频，音频参考功能吗？ 轩辕 发表于 2026-8-5 23:19
之前那个版本能增加优化加速和上参考图，视频，音频参考功能吗？
Wan2GP有这些功能
后期等lora出来后，会做一个 无言以对 发表于 2026-8-5 23:20
Wan2GP有这些功能
后期等lora出来后，会做一个
Wan2GP的模型是满血的吗？ 轩辕 发表于 2026-8-5 23:23
Wan2GP的模型是满血的吗？
满血的最少三张5090 32G显存才能跑
都是量化的，只不过量化模型精度不同
能出个mac版本的吗
cxn007 发表于 2026-8-6 18:01
能出个mac版本的吗
我没有mac
页:
[1]
2