MiniMax H3 ComfyUI ワークフロー: T2V & I2V の完全ガイド

ComfyUIでMiniMax H3を実行するには、空間的・時間的グリッドルールを厳格に順守し、テンソル形状エラー、無音のMP4エクスポート、モデルクラッシュを防ぐ必要があります。MiniMax H3は、単一のフォワードパスで2K動画とネイティブ同期ステレオ音声を合成することで、これらのボトルネックを解決します。

重要ポイント：MiniMax H3 ComfyUIワークフロー

• ネイティブマルチモーダルパス： MiniMax H3は、2K動画と同期した32kHzステレオ音声を、ComfyUIの単一の拡散パス内で直接合成します。
• ハードウェア要件： INT8量子化実行には最低16 GB VRAM、ネイティブ2Kレンダリングには24 GB推奨。
• 空間グリッドルール： キャンバスとキーフレームの解像度は、厳密に32で割り切れる必要があります（例：1344×768）。これにより、空間VAEテンソル形状エラーを防ぎます。
• 時間グリッドの式： クリップ長は、Total Frames = 17k + 5の式（24fpsで5、22、39、56、141フレーム）に準拠し、潜在表現の切り捨てを回避します。
• 速度最適化： 公式の8ステップTurbo LoRAをサポートしており、CFGを1.0に固定することでレンダリング時間を約60%削減します。

Text-to-Video（T2V）は純粋なテキスト駆動の潜在表現初期化に依存するのに対し、Image-to-Video（I2V）はfirst_frame、last_frame、またはMiniMaxH3AddGuide条件付けノードを使用して動作軌跡を固定します。以下のセクションでは、両方のパイプラインの完全な環境設定、ノード配線図、トラブルシューティングプロトコルについて詳しく説明します。

必須の前提条件とモデルディレクトリ構造

32Bテキストエンコーダをmodels/text_encodersではなくmodels/checkpointsに配置すると、ComfyUIがグラフコンパイル中にフリーズしたり、役に立たないKeyErrorで失敗したりします。ほとんどのセットアップ失敗は、ファイルが間違ったサブフォルダに配置されたか、標準のQwen重みがMiniMax H3に必要なカスタムビジョンテキストエンコーダに置き換えられているために発生します。

システム互換性要件

モデル重みをダウンロードする前に、インストールが以下のベースラインハードウェアおよび環境仕様を満たしていることを確認してください。

• ComfyUIコア： バージョンv0.30.0以上。
• カスタムノード： ComfyUI-MiniMaxH3-Easy または公式 Comfy-Org パッケージ。
• GPU VRAM： 16 GB（INT8最小）/ 24 GB（2K推奨）。
• ソフトウェアスタック： Python 3.10+、PyTorch 2.4+、CUDA 12.1+。

モデルディレクトリ配置マトリックス

公式のMiniMax H3オープンソースモデル重みをHugging Faceモデルリポジトリからダウンロードし、各ファイルを指定されたターゲットサブフォルダに配置してください。

重要なインストール注意事項

qwen3vl_32b_minimax_h3_nvfp4_awq.safetensorsファイルは、MiniMax H3のプロンプト条件付け用に特別にファインチューニングされたカスタム4ビットAWQ量子化ビジョン・テキストエンコーダ（Qwen3-VLアーキテクチャ）です。text_encodersフォルダ内の標準的な言語トランスフォーマーと置き換えないでください。汎用言語モデルは、潜在動画生成に必要なマルチモーダルビジョンプロジェクションを欠いているためです。

Text-to-Video（T2V）ComfyUIノードグラフの構築

ComfyUIでクリーンなText-to-Video（T2V）ノードグラフを構築するには、テキスト埋め込み、空間解像度設定、潜在フレームテンソルを厳密な線形順序でルーティングする必要があります。

ノードパッケージに関する注意： このワークフローガイド全体で使用するノード名（MiniMaxH3TextToVideoやMiniMaxH3ImageToVideoなど）は、ComfyUI-MiniMaxH3-Easyカスタムパッケージを参照しています。公式のComfy-Orgコアパッケージを使用する場合、これらの操作は個別のMiniMaxH3SamplerノードとMiniMaxH3Conditioningノードに分割されています。

ステップバイステップのT2Vノード配線ガイド

T2V潜在生成を設定するには、サンプラーパスを実行する前に、テキスト条件付けと空間パラメータを分離する必要があります。

1. テキストエンコーダ配線： テキストプロンプトノードをQwen3-VLビジョンテキストエンコーダローダーにルーティングします。出力テンソルをMiniMaxH3TextToVideoノードのポジティブプロンプト条件付けポートに直接渡します。
2. 空間次元の計算： ResolutionSelectorからの出力値をImageScaleToTotalPixelsにパイプします。このステップでは、32で割り切れる空間次元を強制しながらピクセル割り当てを計算します。
3. サンプラーと潜在生成： モデル重み、ポジティブ条件付けテンソル、解像度パラメータをMiniMaxH3TextToVideoに直接ルーティングし、生の動画潜在表現を生成します。
4. VAEデコードと動画エクスポート： 潜在テンソルをminimax_h3_video_vae_fp16経由でデコードし、レンダリングされたフレームバッチをSaveVideoに直接パイプします。

T2Vノードルーティングマトリックス

このグラフを依存関係の破綻なく構築するには、以下に示す正確なノードポート接続に従ってください。

MiniMax H3は、Qwen3-VLビジョン・ランゲージモデルが解析する詳細なポジティブプロンプトにほぼ完全に依存するため、従来のネガティブ条件付けノードは出力品質を向上させることなく不要な計算負荷を追加します。SaveVideoを動画VAEデコードノードに直接接続することで、適切な24fps MP4レンダリングが保証され、末尾のフレームが落ちることはありません。

Image-to-Video（I2V）およびFirst/Last Frameワークフローの構築

静止画ポートレートをアニメーション化したり、2つのキーフレームを橋渡ししようとすると、開始画像と終了画像が数ピクセルでも異なる場合、激しい被写体の歪みや即座のテンソル形状クラッシュが発生することがよくあります。標準のテキストパイプラインをImage-to-Video（I2V）ワークフローに変換するには、ベースサンプラーノードを交換し、初期フレームと最終フレーム全体に正確な画像条件付けパイプラインを確立する必要があります。

キーフレーム補間とノード構成

T2VからFirst-Last-Frame（FL2V）動画生成に移行するには、MiniMaxH3TextToVideoをMiniMaxH3ImageToVideoに置き換えます。このノードは、first_frameとlast_frame専用の入力ポートを公開し、開始状態、終了状態、または完全なモーフ遷移を定義できます。

1. Load Imageノード： キャンバスに2つのLoadImageノードを配置し、初期キーフレームとターゲットキーフレームを保持します。
2. 次元一致： 画像出力をGetImageSizeにルーティングし、生の幅と高さの寸法を抽出します。これにより、テンソルがサンプラーに入る前に空間グリッドの不一致を防ぎます。
3. テンソル条件付け： 処理されたピクセルテンソルを、標準の単一画像アニメーションの場合はfirst_frameに、またはキーフレーム補間を実行する場合はfirst_frameとlast_frameの両方に接続します。

I2VおよびFL2Vノード接続マトリックス

MiniMax H3はキーフレーム入力間の厳密な次元パリティを強制します。両方のキーフレームは正確な空間解像度を一致させる必要があります。first_frameとlast_frameのサイズが異なる場合、潜在表現の初期化中にサンプリングが停止します。両方の画像を同じスケーリングノードにルーティングし、同一のピクセル寸法を確保してください。

MiniMaxH3AddGuideによる高度な参照ガイダンス

標準のImage-to-Videoグラフは最初と最後のフレームのみを制御し、中間の動きは固定されません。MiniMaxH3AddGuideノードは、生成タイムライン上の任意の特定のframe_idxで参照画像、マルチフレーム画像バッチ、またはオーディオトラックを固定することで、この問題を解決します。

MiniMaxH3AddGuideのコア機能

参照動画生成のためのアンカーノードの連鎖方法

複数のMiniMaxH3AddGuideノードを連鎖させることで、完全な参照動画生成（R2V）が可能になります。

1. プライマリキャラクターアンカー： ポジティブ条件付けをframe_idx 0に設定したMiniMaxH3AddGuideに接続し、開始時にキャラクターのアイデンティティを固定します。
2. 中期動作キーフレーム： 2番目のMiniMaxH3AddGuideノードを連鎖させ、frame_idx 60にキーフレーム画像を供給し、シーン途中でキャラクターに特定のポーズを強制します。
3. オーディオカップリング： ターゲットサウンドトラックをaudio入力ポートに接続し、audio_vaeを渡して、そのタイムラインオフセットで直接サウンドを同期します。

これらの条件付けガイドを連鎖させることで、拡散サンプラーが潜在表現を再初期化することなく、時間的安定性を維持します。

デュアルVAEルーティングによる同期ネイティブオーディオの統合

クリエイターは、外部の音声トラックを動画編集ソフトウェアで手動で位置合わせするのに何時間も費やすことがよくありますが、その結果、不自然なリップフラップのずれやミスマッチなアンビエントノイズに直面します。MiniMax H3は、真のマルチモーダル生成に依存することで、後処理での音声位置合わせを排除し、単一のフォワードパス内で動画フレームと32kHzステレオ音声を合成します。

シングルパスストリームのアーキテクチャ

テキストから音声へのモデルを動画レンダリング後に連結する従来のパイプラインとは異なり、MiniMax H3はテキスト、画像、時間的手がかりを統合された潜在空間に処理します。ノイズ除去フェーズ中、SamplerCustomAdvancedはビジュアルと音響の両方の特徴マップを含む複合潜在ペイロードを出力します。この共同合成により、画面上のアクションと正確に一致した、ピンポイントのダイアログ同期と有機的な効果音生成が保証されます。

デュアルVAEデコードとノード構成

生の潜在表現を再生可能なメディアに変換するために、グラフは出力をMP4多重化の前に2つの別々のデコードパスに分割します。

テクニカルノード設定

1. デュアルVAEのロード： 2つの別々のVAELoaderノードをキャンバスに追加します。1つ目をminimax_h3_video_vae_fp16.safetensors、2つ目をminimax_h3_audio_vae_fp32.safetensorsに指定します。
2. デュアルVAEデコードの実行： サンプラーからのビジュアル潜在出力をVAEDecodeに、音響潜在チャンクをVAEDecodeAudioにルーティングします。minimax_h3_audio_vae_fp32をFP32精度に保つことで、背景スコアのクリッピングアーティファクトや周波数歪みを防ぎます。
3. SaveVideoによる多重化： デコードされた画像テンソルと非圧縮音声波形をCreateVideoまたはSaveVideoに直接フィードします。ノードは最終的なコンテナパッケージングを処理し、埋め込みステレオ音声を備えた完成した24fps MP4ファイルを書き込みます。

このネイティブデュアルストリームセットアップにより、外部のリップシンクプラグインを必要とせずに、ComfyUI内で位相精度の高いオーディオ実行が実現します。

解像度計算、アスペクト比制約、フレームグリッドスナッピング

標準の1920x1080解像度を入力したり、クリップ長を60フレームに設定すると、テンソル形状エラーでレンダリングキューが即座にクラッシュするか、大きく歪んだエッジのシームが残ります。MiniMax H3は、空間次元とクリップ期間に厳格な数学的境界を課します。これは、その3D VAEアーキテクチャが特定の空間ブロックと時間ストライドにわたって動画潜在表現を圧縮するためです。

空間次元とアスペクト比プリセット

空間VAEは入力を32倍にダウンサンプリングします。ターゲットの幅または高さが厳密に32の倍数でない場合、拡散サンプラーは境界テンソル割り当て中に失敗します。モデルは768pxのネイティブショートエッジをターゲットとしており、ビジュアル品質とターゲットメガピクセルバジェットのバランスを取っています。

標準外のピクセル寸法を使用すると、VAEが特徴マップをパディングまたはストレッチし、細かいテクスチャディテールが劣化します。

17k + 5 フレームグリッドルール

時間次元のスナッピングも同様に厳密な式に従います。MiniMax H3の動画長制限内に収めるために、アーキテクチャは17フレームの潜在チャンクと5フレームのテール初期化で動画シーケンスを処理します。時間的な切り捨てやサイレントVAEデコードクラッシュを回避するには、すべてのレンダリングが17k + 5 フレームグリッドの式を満たす必要があります。ここでkは整数のステップカウンタです。

標準の24fpsフレームレートでは、この計算により正確な時間長が決まります。

• k = 0 （5フレーム）： ~0.21秒（微小な動きまたは静的バースト）
• k = 1 （22フレーム）： ~0.91秒（素早いアクションスライス）
• k = 3 （56フレーム）： ~2.33秒（短いショットシーケンス）
• k = 8 （141フレーム）： ~5.87秒（完全な標準クリップ制限）

ターゲット数を60に設定すると、ComfyUIは4フレームを56（k=3）に強制的にドロップし、サンプリング中にVRAM計算を浪費します。生成バッチをキューに入れる前に、常にノードパラメータを正確な17k + 5ステップ境界にスナップしてください。

速度最適化：8ステップTurbo LoRA実行の有効化

コンシューマーGPUで単一の6秒プレビュー動画のレンダリングに6分以上かかると、迅速なプロンプト反復はほぼ不可能になります。標準サンプリングでは20〜30ステップが必要で、モーションキューを調整したり、カメラムーブメントをテストしたり、キーフレーム遷移を評価する際に深刻な運用ボトルネックが生じます。

蒸留重みの統合

公式のminimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16重みファイルを統合すると、サンプリングパスが8ステップ推論ワークフローに削減されます。この蒸留プロセスは、全体的なビジュアルのまとまりを損なうことなく、大幅な生成速度最適化を実現します。

ComfyUIでこの蒸留設定を構成するには：

1. モデル重みの配置： minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensorsをComfyUI/models/loras/ディレクトリに移動します。
2. LoraLoaderノードの配線： プライマリ拡散モデルテンソルをサンプラーにフィードする前に、LoraLoaderノード経由でルーティングします。turbo_model_strengthを1.0に設定します。
3. ステップ数の調整： MiniMaxH3Samplerノードのstepsパラメータを標準の20から正確に8に下げます。
4. CFGスケールの固定： 分類器フリーガイダンススケールパラメータを1.0に強制し、過飽和を防ぎます。

パフォーマンスベンチマーク：標準 vs ターボ実行

minimax_h3_fl2v_turbo_8stepを実行する際、CFGを1.0以上に設定すると、不要な二重条件付けパスが強制され、高モーションフレームで極端なカラーバーニング、コントラストの吹き飛び、空間的な裂け目が発生します。turbo_modeを固定のTurbo LoRA強度1.0でアクティブにすることで、クリエイターは複雑なカメラムーブメントを3分以内に検証し、その後フル20ステップのプロダクションレンダリングにコミットできます。

一般的なComfyUI MiniMax H3グラフエラーのトラブルシューティング

MiniMax H3グラフでの運用上の失敗のほとんどは、軽微なテンソルアライメントの不一致、リンクされていない音声デコーダ、またはモデルロード中のGPUメモリボトルネックに起因します。

診断ガイドとクイックフィックス

1. CUDAメモリ不足（OOM）

   1. 主な原因： メモリオフロードなしで、16GB VRAM GPUに32Bテキストエンコーダとint8拡散重みをロードする。
   2. ステップバイステップの修正： ComfyUI起動スクリプトに--lowvramまたは--medvramフラグを追加します。タイトなGPUメモリ設定の場合は、GGUF量子化でComfyUIでMiniMax H3を実行することを検討し、ベースラインメモリ要件を下げます。qwen3vl_32b_minimax_h3_nvfp4_awq.safetensorsが厳密にmodels/text_encoders/内に配置されていることを確認し、テキスト解析とサンプリングパスの間でVRAMオフロードを可能にします。

2. 形状不一致エラー

   1. 主な原因： カスタムの幅/高さの値または入力キーフレーム画像が、必要な32ピクセル空間分割グリッドに違反している。
   2. ステップバイステップの修正： サンプラーの前にResolutionSelectorまたはImageScaleToTotalPixelsノードを挿入し、すべてのキャンバスと画像の寸法を最も近い32の倍数に強制します。

3. エクスポート時にオーディオトラックがない

   1. 主な原因： 音声VAEパスウェイがグラフ実行中にリンクされていない、またはバイパスされている。
   2. ステップバイステップの修正： minimax_h3_audio_vae_fp32をVAEDecodeAudioノードに接続し、デコードされた音声潜在表現を動画ストリームとともにSaveVideoノードのaudioポートにパイプします。

4. GetImageSizeノードの失敗

   1. 主な原因： キーフレームのアスペクト比の不一致、または無効なマルチフレーム画像バッチがI2Vサンプラー入力に供給されている。
   2. ステップバイステップの修正： 初期画像と終端画像の両方を統一されたImageScaleToTotalPixelsノードに通し、潜在表現の初期化前にキーフレームを同一の寸法に固定します。

5. ComfyUI Managerのノード欠落警告

   1. 主な原因： 必要なMiniMax H3カスタムノードパッケージがインデックス化されていないか、ローカル環境にない。
   2. ステップバイステップの修正： ComfyUI Managerを開き、「Install Missing Custom Nodes」を選択し、ComfyUI-MiniMaxH3-Easyを検索してインストールし、ComfyUIを再起動します。

メモリ低下とノードレジストリ競合の解決

多くのチュートリアルでは、ComfyUIが連続生成間でVRAM割り当てをどのように管理するかを見逃しています。最初のパスが成功したにもかかわらず、2回目または3回目のレンダリング試行で突然のCUDAメモリ不足エラーが発生した場合、ComfyUIがテキストエンコーダをVRAMに保持していることが原因です。起動スクリプトに明示的なオフロードフラグを設定することで、サンプラーステップ間で割り当てられたメモリを解放します。

コミュニティJSONファイルを開く際、ComfyUI Managerのノード欠落警告は通常、古いノードレジストリを示しています。ComfyUI-MiniMaxH3-Easyをインストールすると、これらの欠落した依存関係が直接修正されます。I2Vパイプラインの場合、GetImageSizeの失敗や形状不一致エラーの解決には、初期キーフレームと終端キーフレームの両方の画像がターゲットピクセル境界と一致することを確認する必要があります。