MiniMax H3 ComfyUI Workflow: Panduan Lengkap untuk T2V & I2V

Menjalankan MiniMax H3 di ComfyUI memerlukan kepatuhan ketat terhadap aturan grid spasial dan temporal untuk mencegah kesalahan bentuk tensor, ekspor MP4 diam, atau kerusakan model. MiniMax H3 mengatasi hambatan ini dengan mensintesis video 2K dan audio stereo sinkron native dalam satu pass forward.

Poin Penting: Workflow MiniMax H3 ComfyUI

• Pass Multimodal Native: MiniMax H3 mensintesis video 2K dan audio stereo 32 kHz tersinkronisasi langsung dalam satu pass difusi ComfyUI.
• Batas Hardware: Memerlukan minimal VRAM 16 GB untuk eksekusi kuantisasi INT8, 24 GB direkomendasikan untuk rendering 2K native.
• Aturan Grid Spasial: Resolusi kanvas dan keyframe harus habis dibagi 32, misalnya 1344×768, untuk mencegah kesalahan bentuk tensor VAE spasial.
• Rumus Grid Temporal: Panjang klip harus memenuhi persamaan Total Frame = 17k + 5 (5, 22, 39, 56, 141 frame pada 24fps) untuk menghindari pemotongan laten.
• Optimasi Kecepatan: Mendukung Turbo LoRA 8 langkah resmi untuk mengurangi waktu render ~60% dengan CFG terkunci pada 1.0.

Meskipun Text-to-Video (T2V) mengandalkan inisialisasi laten murni berbasis teks, Image-to-Video (I2V) menjangkar lintasan gerakan menggunakan node conditioning first_frame, last_frame, atau MiniMaxH3AddGuide. Bagian berikut merinci pengaturan lingkungan lengkap, diagram koneksi node, dan protokol pemecahan masalah untuk kedua pipeline.

Prasyarat Penting dan Struktur Direktori Model

Menempatkan encoder teks 32B ke models/checkpoints, bukan models/text_encoders, akan menyebabkan ComfyUI macet selama kompilasi grafik atau gagal dengan KeyError yang tidak jelas. Sebagian besar kegagalan pengaturan terjadi karena file berakhir di subfolder yang salah, atau karena bobot Qwen standar digantikan oleh encoder teks visi kustom yang diperlukan oleh MiniMax H3.

Persyaratan Kompatibilitas Sistem

Sebelum mengunduh bobot model, pastikan instalasi Anda memenuhi spesifikasi dasar hardware dan lingkungan berikut:

• Inti ComfyUI: Versi v0.30.0 atau lebih tinggi.
• Node Kustom: ComfyUI-MiniMaxH3-Easy atau paket resmi Comfy-Org.
• VRAM GPU: 16 GB (min INT8) / 24 GB (rek 2K).
• Tumpukan Perangkat Lunak: Python 3.10+ dengan PyTorch 2.4+ dan CUDA 12.1+.

Matriks Penempatan Direktori Model

Unduh bobot model open-source MiniMax H3 resmi dari repositori model Hugging Face dan tempatkan setiap file ke subfolder target yang ditentukan.

Catatan Instalasi Kritis

File qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors adalah encoder teks-visi 4-bit AWQ kuantisasi kustom (arsitektur Qwen3-VL) yang disempurnakan secara khusus untuk pengkondisian prompt MiniMax H3. Jangan menggantinya dengan transformer bahasa standar di folder text_encoders, karena model bahasa umum tidak memiliki proyeksi visi multimodal yang diperlukan untuk pembuatan video laten.

Membangun Grafik Node Text-to-Video (T2V) ComfyUI

Membangun grafik node Text-to-Video (T2V) yang bersih di ComfyUI memerlukan perutean penyematan teks, pengaturan resolusi spasial, dan tensor frame laten dalam urutan linear yang ketat.

Catatan Paket Node: Nama node yang digunakan di seluruh panduan workflow ini, seperti MiniMaxH3TextToVideo dan MiniMaxH3ImageToVideo, merujuk pada paket kustom ComfyUI-MiniMaxH3-Easy. Jika Anda menggunakan paket inti resmi Comfy-Org, operasi ini dipecah menjadi node MiniMaxH3Sampler dan MiniMaxH3Conditioning yang terpisah.

Panduan Perutean Node T2V Langkah demi Langkah

Menyiapkan generasi laten T2V memerlukan isolasi pengkondisian teks dan parameter spasial sebelum menjalankan pass sampler.

1. Perutean Encoder Teks: Arahkan node prompt teks Anda ke loader encoder teks visi Qwen3-VL. Berikan tensor output langsung ke port pengkondisian prompt positif dari node MiniMaxH3TextToVideo.
2. Perhitungan Dimensi Spasial: Salurkan nilai output dari ResolutionSelector ke ImageScaleToTotalPixels. Langkah ini menghitung alokasi piksel sambil mempertahankan dimensi spasial yang tetap habis dibagi 32.
3. Sampler & Generasi Laten: Arahkan bobot model, tensor pengkondisian positif, dan parameter resolusi langsung ke MiniMaxH3TextToVideo untuk menghasilkan laten video mentah.
4. Decoding VAE & Ekspor Video: Kirim tensor laten melalui minimax_h3_video_vae_fp16 untuk decoding, lalu salurkan batch frame yang dirender langsung ke SaveVideo.

Matriks Perutean Node T2V

Untuk membangun grafik ini tanpa dependensi yang rusak, ikuti koneksi port node yang tepat seperti yang diuraikan di bawah ini:

MiniMax H3 hampir sepenuhnya bergantung pada prompt positif terperinci yang diurai oleh model visi-bahasa Qwen3-VL, yang berarti node pengkondisian negatif tradisional menambah beban komputasi yang tidak perlu tanpa meningkatkan kualitas output. Menghubungkan SaveVideo langsung ke node decoding VAE video memastikan rendering MP4 24fps yang tepat tanpa frame trailing yang hilang.

Membangun Workflow Image-to-Video (I2V) dan First/Last Frame

Mencoba menganimasikan potret statis atau menjembatani dua keyframe sering kali menghasilkan distorsi subjek yang hebat atau kerusakan bentuk tensor langsung ketika gambar awal dan akhir Anda berbeda bahkan beberapa piksel. Mengubah pipeline teks standar menjadi workflow Image-to-Video (I2V) memerlukan penggantian node sampler dasar dan membangun pipeline pengkondisian gambar yang tepat di seluruh frame awal dan akhir Anda.

Interpolasi Keyframe dan Konfigurasi Node

Untuk bertransisi dari T2V ke pembuatan video First-Last-Frame (FL2V), ganti MiniMaxH3TextToVideo dengan MiniMaxH3ImageToVideo. Node ini mengekspos port input khusus untuk first_frame dan last_frame, memungkinkan Anda menentukan status awal, status akhir, atau transisi morph lengkap.

1. Node Muat Gambar: Tempatkan dua node LoadImage di kanvas Anda untuk menampung keyframe awal dan target Anda.
2. Pencocokan Dimensi: Arahkan output gambar melalui GetImageSize untuk mengekstrak dimensi lebar dan tinggi mentah. Ini mencegah ketidakcocokan grid spasial sebelum tensor memasuki sampler.
3. Pengkondisian Tensor: Hubungkan tensor piksel yang diproses ke first_frame untuk animasi gambar tunggal standar, atau isi first_frame dan last_frame untuk menjalankan interpolasi keyframe.

Matriks Koneksi Node I2V dan FL2V

MiniMax H3 memberlakukan kesetaraan dimensi yang ketat antara input keyframe. Kedua keyframe harus cocok dengan resolusi spasial yang tepat. Jika first_frame dan last_frame berbeda ukuran, sampling akan berhenti selama inisialisasi laten. Arahkan kedua gambar melalui node penskalaan yang sama untuk memastikan dimensi piksel identik.

Panduan Referensi Lanjutan dengan MiniMaxH3AddGuide

Grafik Image-to-Video standar hanya mengontrol frame pertama dan terakhir, meninggalkan gerakan menengah tanpa jangkar. Node MiniMaxH3AddGuide memecahkan masalah ini dengan menjangkar gambar referensi, batch gambar multi-frame, atau trek audio pada frame_idx tertentu di sepanjang garis waktu generasi.

Kemampuan Inti MiniMaxH3AddGuide

Cara Merantai Node Jangkar untuk Pembuatan Video Referensi

Merantai beberapa node MiniMaxH3AddGuide bersama-sama memungkinkan pembuatan video referensi (R2V) penuh:

1. Jangkar Karakter Utama: Hubungkan pengkondisian positif Anda ke MiniMaxH3AddGuide dengan frame_idx diatur ke 0 untuk mengunci identitas karakter di awal.
2. Keyframe Gerakan Pertengahan Urutan: Rantai node MiniMaxH3AddGuide kedua, berikan gambar keyframe pada frame_idx 60 untuk memaksa karakter mencapai pose tertentu di tengah adegan.
3. Penggandengan Audio: Hubungkan soundtrack target ke port input audio dan berikan audio_vae Anda untuk menyinkronkan suara langsung pada offset garis waktu tersebut.

Merantai panduan pengkondisian ini mempertahankan stabilitas temporal tanpa memaksa sampler difusi untuk menginisialisasi ulang laten.

Mengintegrasikan Audio Native Tersinkronisasi dengan Perutean VAE Ganda

Kreator biasanya menghabiskan waktu berjam-jam menyelaraskan trek ucapan eksternal secara manual di perangkat lunak pengeditan video, hanya untuk menghadapi pergeseran bibir yang tidak alami atau kebisingan ruangan yang tidak cocok. MiniMax H3 menghilangkan penyesuaian audio pasca-pemrosesan dengan mengandalkan generasi multimodal yang sebenarnya, mensintesis frame video dan suara stereo 32 kHz bersama-sama dalam satu pass forward.

Arsitektur Aliran Satu Pass

Tidak seperti pipeline tradisional yang merantai model text-to-speech yang berbeda setelah rendering video, MiniMax H3 memproses teks, gambar, dan isyarat temporal ke dalam ruang laten terpadu. Selama fase denoising, SamplerCustomAdvanced mengeluarkan payload laten komposit yang berisi peta fitur visual dan akustik. Sintesis bersama ini menjamin sinkronisasi dialog yang tepat dan generasi efek suara organik yang selaras dengan aksi di layar.

Decode VAE Ganda dan Konfigurasi Node

Untuk mengubah laten mentah menjadi media yang dapat diputar, grafik membagi output menjadi dua jalur decoding terpisah sebelum multipleks MP4.

Pengaturan Node Teknis

1. Muat VAE Ganda: Tambahkan dua node VAELoader berbeda ke kanvas Anda. Arahkan yang pertama ke minimax_h3_video_vae_fp16.safetensors dan yang kedua ke minimax_h3_audio_vae_fp32.safetensors.
2. Jalankan Decode VAE Ganda: Arahkan output laten visual dari sampler ke VAEDecode dan potongan laten audio ke VAEDecodeAudio. Menjaga minimax_h3_audio_vae_fp32 dalam presisi FP32 mencegah artefak clipping dan distorsi frekuensi pada skor latar belakang.
3. Multipleks melalui SaveVideo: Berikan tensor gambar yang didekode dan bentuk gelombang audio tidak terkompresi ke CreateVideo atau langsung ke SaveVideo. Node menangani pengemasan kontainer akhir, menulis file MP4 24 fps yang sudah jadi dengan audio stereo tertanam.

Pengaturan aliran ganda native ini memberikan eksekusi audio yang akurat fase langsung di dalam ComfyUI tanpa memerlukan plugin sinkronisasi bibir eksternal.

Matematika Resolusi, Kendala Rasio Aspek, dan Penjepretan Grid Frame

Memasukkan resolusi standar 1920x1080 atau mengatur panjang klip Anda ke 60 frame di ComfyUI akan langsung menyebabkan kerusakan antrean render Anda dengan kesalahan bentuk tensor atau meninggalkan Anda dengan jahitan tepi yang sangat terdistorsi. MiniMax H3 memberlakukan batasan matematika yang kaku untuk dimensi spasial dan durasi klip karena arsitektur VAE 3D-nya mengompresi laten video di seluruh blok spasial tertentu dan langkah temporal.

Dimensi Spasial dan Prasetel Rasio Aspek

VAE spasial menurunkan sampel input dengan faktor 32. Jika lebar atau tinggi target Anda bukan kelipatan 32, sampler difusi gagal selama alokasi tensor batas. Model menargetkan tepi pendek native 768px, menyeimbangkan fidelitas visual terhadap anggaran megapiksel targetnya.

Menggunakan dimensi piksel non-standar memaksa VAE untuk melakukan padding atau meregangkan peta fitur, menurunkan detail tekstur halus.

Aturan Grid Frame 17k + 5

Penjepretan dimensi temporal mengikuti formula yang sama ketatnya. Untuk tetap berada dalam batas panjang video MiniMax H3, arsitektur memproses urutan video dalam potongan laten 17 frame dengan inisialisasi ekor 5 frame. Untuk menghindari pemotongan temporal atau kerusakan decoding VAE diam, setiap render harus memenuhi persamaan grid frame 17k + 5, di mana k mewakili pencacah langkah bilangan bulat.

Pada frame rate 24fps standar, matematika ini menentukan durasi temporal yang tepat:

• k = 0 (5 Frame): ~0,21 detik (gerakan mikro atau semburan statis)
• k = 1 (22 Frame): ~0,91 detik (potongan aksi cepat)
• k = 3 (56 Frame): ~2,33 detik (urutan bidikan pendek)
• k = 8 (141 Frame): ~5,87 detik (batas klip standar penuh)

Mengatur jumlah target ke 60 memaksa ComfyUI menjatuhkan 4 frame menjadi 56 (k=3), membuang komputasi VRAM selama sampling. Selalu jepret parameter node Anda ke batas langkah 17k + 5 yang tepat sebelum mengantrekan batch generasi.

Optimasi Kecepatan: Mengaktifkan Eksekusi Turbo LoRA 8 Langkah

Menghabiskan lebih dari enam menit menunggu satu video pratinjau 6 detik untuk dirender membuat iterasi cepat hampir tidak mungkin dilakukan pada GPU konsumen. Sampling standar memerlukan 20 hingga 30 langkah, menciptakan hambatan operasional yang parah saat menyesuaikan isyarat gerakan, menguji pergerakan kamera, atau mengevaluasi transisi keyframe.

Mengintegrasikan Bobot Distilasi Turbo

Mengintegrasikan file bobot resmi minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16 mengurangi pass sampling menjadi workflow inferensi 8 langkah. Proses distilasi ini mencapai optimasi kecepatan generasi yang signifikan tanpa mengorbankan kohesi visual secara keseluruhan.

Untuk mengonfigurasi pengaturan distilasi ini di ComfyUI:

1. Tempatkan Bobot Model: Pindahkan minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors ke direktori ComfyUI/models/loras/ Anda.
2. Hubungkan Node LoraLoader: Arahkan tensor model difusi utama melalui node LoraLoader sebelum memberi sampler. Atur turbo_model_strength ke 1.0.
3. Sesuaikan Jumlah Langkah: Turunkan parameter steps di node MiniMaxH3Sampler Anda dari standar 20 menjadi tepat 8.
4. Kunci Skala CFG: Paksa parameter skala panduan bebas pengklasifikasi ke 1.0 untuk menghindari saturasi berlebih.

Tolok Ukur Kinerja: Eksekusi Standar vs. Turbo

Saat menjalankan minimax_h3_fl2v_turbo_8step, mengatur CFG di atas 1,0 memaksa pass pengkondisian ganda yang tidak perlu, menyebabkan pembakaran warna ekstrem, ledakan kontras, dan robekan spasial di seluruh frame gerakan tinggi. Mengaktifkan turbo_mode dengan kekuatan Turbo LoRA tetap 1,0 memungkinkan kreator memvalidasi pergerakan kamera yang kompleks dalam waktu kurang dari tiga menit sebelum berkomitmen pada render produksi 20 langkah penuh.

Pemecahan Masalah Kesalahan Grafik ComfyUI MiniMax H3 Umum

Sebagian besar kegagalan operasional dalam grafik MiniMax H3 berasal dari ketidakcocokan penyelarasan tensor kecil, dekoder audio yang tidak terhubung, atau hambatan memori GPU selama pemuatan model.

Panduan Diagnostik & Perbaikan Cepat

1. CUDA Kehabisan Memori (OOM)

   1. Penyebab Utama: Memuat encoder teks 32B bersama bobot difusi int8 pada GPU VRAM 16 GB tanpa offloading memori.
   2. Perbaikan Langkah demi Langkah: Tambahkan flag startup --lowvram atau --medvram ke skrip startup ComfyUI Anda. Untuk pengaturan memori GPU yang ketat, pertimbangkan menjalankan MiniMax H3 di ComfyUI dengan kuantisasi GGUF untuk menurunkan kebutuhan memori dasar. Pastikan qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors ditempatkan secara ketat di dalam models/text_encoders/, memungkinkan offloading VRAM antara parsing teks dan pass sampling.

2. Kesalahan Ketidakcocokan Bentuk

   1. Penyebab Utama: Nilai lebar/tinggi kustom atau gambar keyframe input melanggar grid keterbagian spasial 32 piksel yang diperlukan.
   2. Perbaikan Langkah demi Langkah: Masukkan node ResolutionSelector atau ImageScaleToTotalPixels sebelum sampler untuk memaksa semua dimensi kanvas dan gambar ke kelipatan 32 terdekat.

3. Trek Audio Hilang di Ekspor

   1. Penyebab Utama: Jalur VAE audio tidak terhubung atau dilewati selama eksekusi grafik.
   2. Perbaikan Langkah demi Langkah: Hubungkan minimax_h3_audio_vae_fp32 ke node VAEDecodeAudio, lalu salurkan laten audio yang didekode ke port audio node SaveVideo bersama streaming video.

4. Kegagalan Node GetImageSize

   1. Penyebab Utama: Rasio aspek keyframe yang tidak cocok atau batch gambar multi-frame tidak valid yang dimasukkan ke input sampler I2V.
   2. Perbaikan Langkah demi Langkah: Jalankan gambar awal dan akhir melalui node ImageScaleToTotalPixels terpadu untuk mengunci keyframe ke dimensi identik sebelum inisialisasi laten.

5. Peringatan Node Hilang ComfyUI Manager

   1. Penyebab Utama: Paket node kustom MiniMax H3 yang diperlukan tidak diindeks atau hilang dari lingkungan lokal.
   2. Perbaikan Langkah demi Langkah: Buka ComfyUI Manager, pilih Install Missing Custom Nodes, cari ComfyUI-MiniMaxH3-Easy, klik Install, dan mulai ulang ComfyUI.

Mengatasi Penurunan Memori dan Konflik Registri Node

Banyak tutorial melewatkan bagaimana ComfyUI mengelola alokasi VRAM di seluruh generasi berurutan. Jika Anda mengalami kesalahan CUDA Kehabisan Memori secara tiba-tiba pada upaya render kedua atau ketiga meskipun pass awal berhasil, ComfyUI telah menyimpan encoder teks di VRAM. Mengatur flag offload eksplisit di skrip startup Anda akan membebaskan memori yang dialokasikan di antara langkah-langkah sampler.

Saat membuka file JSON komunitas, peringatan node hilang ComfyUI Manager biasanya menunjukkan registri node yang sudah usang. Menginstal ComfyUI-MiniMaxH3-Easy memperbaiki dependensi yang hilang ini secara langsung. Untuk pipeline I2V, menyelesaikan kegagalan GetImageSize atau kesalahan ketidakcocokan bentuk memerlukan memastikan bahwa gambar keyframe awal dan akhir cocok dengan batas piksel target.