MiniMax H3 ComfyUI Workflow: Hướng dẫn đầy đủ cho T2V & I2V

Thực thi MiniMax H3 trong ComfyUI yêu cầu tuân thủ nghiêm ngặt các quy tắc lưới không gian và thời gian để tránh lỗi hình dạng tensor, xuất MP4 im lặng hoặc sập mô hình. MiniMax H3 giải quyết các nút thắt này bằng cách tổng hợp video 2K và âm thanh nổi đồng bộ gốc trong một lượt truyền tới duy nhất.

Những điểm chính: Quy trình làm việc MiniMax H3 ComfyUI

• Lượt đa phương thức gốc: MiniMax H3 tổng hợp video 2K và âm thanh nổi 32 kHz đồng bộ trực tiếp trong một lượt khuếch tán ComfyUI duy nhất.
• Ngưỡng phần cứng: Yêu cầu tối thiểu 16 GB VRAM cho thực thi lượng tử hóa INT8, 24 GB được khuyến nghị cho kết xuất 2K gốc.
• Quy tắc lưới không gian: Kích thước canvas và keyframe phải chia hết cho 32, ví dụ: 1344×768, để tránh lỗi hình dạng tensor VAE không gian.
• Công thức lưới thời gian: Độ dài clip phải tuân theo phương trình Tổng số khung hình = 17k + 5 (5, 22, 39, 56, 141 khung hình ở 24fps) để tránh cắt ngắn tiềm ẩn.
• Tối ưu hóa tốc độ: Hỗ trợ Turbo LoRA 8 bước chính thức để giảm thời gian kết xuất ~60% với CFG khóa ở 1.0.

Trong khi Chuyển văn bản thành video (T2V) dựa vào khởi tạo tiềm ẩn thuần túy dựa trên văn bản, thì Chuyển hình ảnh thành video (I2V) neo quỹ đạo chuyển động bằng các nút điều kiện first_frame, last_frame hoặc MiniMaxH3AddGuide. Các phần sau đây trình bày chi tiết thiết lập môi trường hoàn chỉnh, sơ đồ kết nối nút và quy trình khắc phục sự cố cho cả hai pipeline.

Điều kiện tiên quyết thiết yếu và cấu trúc thư mục mô hình

Đặt bộ mã hóa văn bản 32B vào models/checkpoints thay vì models/text_encoders sẽ khiến ComfyUI bị treo trong quá trình biên dịch đồ thị hoặc thất bại với lỗi KeyError khó hiểu. Hầu hết các lỗi thiết lập xảy ra do tệp nằm sai thư mục con hoặc do trọng số Qwen tiêu chuẩn được thay thế cho bộ mã hóa văn bản thị giác tùy chỉnh mà MiniMax H3 yêu cầu.

Yêu cầu tương thích hệ thống

Trước khi tải trọng số mô hình, hãy xác nhận cài đặt của bạn đáp ứng các thông số kỹ thuật phần cứng và môi trường cơ bản sau:

• ComfyUI Core: Phiên bản v0.30.0 trở lên.
• Nút tùy chỉnh: ComfyUI-MiniMaxH3-Easy hoặc gói Comfy-Org chính thức.
• GPU VRAM: 16 GB (tối thiểu INT8) / 24 GB (khuyến nghị 2K).
• Ngăn xếp phần mềm: Python 3.10+ với PyTorch 2.4+ và CUDA 12.1+.

Ma trận vị trí thư mục mô hình

Tải trọng số mô hình mã nguồn mở MiniMax H3 chính thức từ kho lưu trữ mô hình Hugging Face và đặt từng tệp vào thư mục con đích được chỉ định.

Lưu ý cài đặt quan trọng

Tệp qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors là bộ mã hóa văn bản-thị giác lượng tử hóa AWQ 4-bit tùy chỉnh (kiến trúc Qwen3-VL) được tinh chỉnh đặc biệt cho điều kiện lời nhắc MiniMax H3. Không thay thế nó bằng các bộ biến đổi ngôn ngữ tiêu chuẩn trong thư mục text_encoders, vì các mô hình ngôn ngữ chung thiếu phép chiếu thị giác đa phương thức cần thiết cho tạo video tiềm ẩn.

Xây dựng đồ thị nút Chuyển văn bản thành video (T2V) trong ComfyUI

Xây dựng một đồ thị nút Chuyển văn bản thành video (T2V) sạch sẽ trong ComfyUI yêu cầu định tuyến các nhúng văn bản, cài đặt độ phân giải không gian và tensor khung hình tiềm ẩn theo một chuỗi tuyến tính nghiêm ngặt.

Lưu ý về gói nút: Tên nút được sử dụng trong toàn bộ hướng dẫn quy trình làm việc này, chẳng hạn như MiniMaxH3TextToVideo và MiniMaxH3ImageToVideo, tham chiếu đến gói tùy chỉnh ComfyUI-MiniMaxH3-Easy. Nếu bạn đang sử dụng gói lõi Comfy-Org chính thức, các thao tác này được chia thành các nút MiniMaxH3Sampler và MiniMaxH3Conditioning riêng biệt.

Hướng dẫn kết nối nút T2V từng bước

Thiết lập tạo tiềm ẩn T2V yêu cầu cô lập điều kiện văn bản và tham số không gian trước khi thực hiện lượt lấy mẫu.

1. Kết nối bộ mã hóa văn bản: Định tuyến nút lời nhắc văn bản của bạn vào bộ nạp bộ mã hóa văn bản thị giác Qwen3-VL. Chuyển tensor đầu ra trực tiếp vào cổng điều kiện lời nhắc tích cực của nút MiniMaxH3TextToVideo.
2. Tính toán kích thước không gian: Chuyển các giá trị đầu ra từ ResolutionSelector vào ImageScaleToTotalPixels. Bước này tính toán phân bổ pixel đồng thời thực thi các kích thước không gian vẫn chia hết cho 32.
3. Bộ lấy mẫu & tạo tiềm ẩn: Định tuyến trọng số mô hình, tensor điều kiện tích cực và tham số độ phân giải trực tiếp vào MiniMaxH3TextToVideo để tạo tiềm ẩn video thô.
4. Giải mã VAE & xuất video: Gửi tensor tiềm ẩn qua minimax_h3_video_vae_fp16 để giải mã, sau đó chuyển lô khung hình đã kết xuất trực tiếp vào SaveVideo.

Ma trận định tuyến nút T2V

Để xây dựng đồ thị này mà không bị phụ thuộc hỏng, hãy làm theo các kết nối cổng nút chính xác được nêu dưới đây:

MiniMax H3 phụ thuộc gần như hoàn toàn vào các lời nhắc tích cực chi tiết được phân tích bởi mô hình thị giác-ngôn ngữ Qwen3-VL, nghĩa là các nút điều kiện tiêu cực truyền thống thêm tải tính toán không cần thiết mà không cải thiện chất lượng đầu ra. Kết nối SaveVideo trực tiếp với nút giải mã video VAE đảm bảo kết xuất MP4 24fps thích hợp mà không bị rơi khung hình cuối.

Xây dựng quy trình làm việc Chuyển hình ảnh thành video (I2V) và Khung hình đầu/cuối

Cố gắng tạo hoạt ảnh cho một bức chân dung tĩnh hoặc kết nối hai keyframe thường dẫn đến biến dạng chủ thể dữ dội hoặc sập tensor ngay lập tức khi hình ảnh bắt đầu và kết thúc của bạn khác nhau dù chỉ vài pixel. Chuyển đổi một pipeline văn bản tiêu chuẩn thành quy trình làm việc Chuyển hình ảnh thành video (I2V) yêu cầu hoán đổi nút lấy mẫu cơ sở và thiết lập các pipeline điều kiện hình ảnh chính xác trên các khung hình ban đầu và cuối cùng của bạn.

Nội suy keyframe và cấu hình nút

Để chuyển từ T2V sang tạo video Khung hình đầu-cuối (FL2V), hãy thay thế MiniMaxH3TextToVideo bằng MiniMaxH3ImageToVideo. Nút này hiển thị các cổng đầu vào chuyên dụng cho first_frame và last_frame, cho phép bạn xác định trạng thái bắt đầu, trạng thái kết thúc hoặc chuyển đổi biến dạng hoàn chỉnh.

1. Nút Load Image: Đặt hai nút LoadImage trên canvas của bạn để giữ keyframe ban đầu và mục tiêu.
2. Khớp kích thước: Định tuyến đầu ra hình ảnh qua GetImageSize để trích xuất kích thước chiều rộng và chiều cao thô. Điều này ngăn chặn sự không khớp lưới không gian trước khi tensor vào bộ lấy mẫu.
3. Điều kiện tensor: Kết nối các tensor pixel đã xử lý vào first_frame để tạo hoạt ảnh hình ảnh đơn tiêu chuẩn hoặc điền cả first_frame và last_frame để thực hiện nội suy keyframe.

Ma trận kết nối nút I2V và FL2V

MiniMax H3 thực thi tính chẵn lẻ kích thước nghiêm ngặt giữa các đầu vào keyframe. Cả hai keyframe phải khớp với độ phân giải không gian chính xác. Nếu first_frame và last_frame khác nhau về kích thước, quá trình lấy mẫu sẽ dừng lại trong quá trình khởi tạo tiềm ẩn. Định tuyến cả hai hình ảnh qua cùng một nút chia tỷ lệ để đảm bảo kích thước pixel giống hệt nhau.

Hướng dẫn tham chiếu nâng cao với MiniMaxH3AddGuide

Các đồ thị Chuyển hình ảnh thành video tiêu chuẩn chỉ kiểm soát khung hình đầu tiên và cuối cùng, để lại chuyển động trung gian không được neo. Nút MiniMaxH3AddGuide giải quyết vấn đề này bằng cách neo các hình ảnh tham chiếu, lô hình ảnh đa khung hình hoặc bản nhạc âm thanh tại bất kỳ frame_idx cụ thể nào dọc theo dòng thời gian tạo.

Khả năng cốt lõi của MiniMaxH3AddGuide

Cách xâu chuỗi các nút neo để tạo video tham chiếu

Xâu chuỗi một số nút MiniMaxH3AddGuide với nhau cho phép tạo video tham chiếu đầy đủ (R2V):

1. Neo nhân vật chính: Kết nối điều kiện tích cực của bạn vào MiniMaxH3AddGuide với frame_idx được đặt thành 0 để khóa danh tính nhân vật khi bắt đầu.
2. Keyframe chuyển động giữa chuỗi: Xâu chuỗi một nút MiniMaxH3AddGuide thứ hai, cung cấp hình ảnh keyframe tại frame_idx 60 để buộc nhân vật đạt đến một tư thế cụ thể ở giữa cảnh.
3. Kết hợp âm thanh: Kết nối một bản nhạc nền mục tiêu với cổng đầu vào âm thanh và chuyển audio_vae của bạn để đồng bộ hóa âm thanh trực tiếp tại độ lệch dòng thời gian đó.

Xâu chuỗi các hướng dẫn điều kiện này duy trì tính ổn định thời gian mà không buộc bộ lấy mẫu khuếch tán phải khởi tạo lại tiềm ẩn.

Tích hợp âm thanh gốc đồng bộ với định tuyến VAE kép

Người sáng tạo thường dành hàng giờ để căn chỉnh thủ công các bản nhạc giọng nói bên ngoài trong phần mềm chỉnh sửa video, chỉ để đối mặt với hiện tượng trôi môi giả hoặc tiếng ồn xung quanh không khớp. MiniMax H3 loại bỏ việc căn chỉnh âm thanh hậu kỳ bằng cách dựa vào tạo đa phương thức thực sự, tổng hợp các khung hình video và âm thanh nổi 32 kHz cùng nhau trong một lượt truyền tới duy nhất.

Kiến trúc của luồng một lượt

Không giống như các pipeline truyền thống xâu chuỗi các mô hình chuyển văn bản thành giọng nói riêng biệt sau khi kết xuất video, MiniMax H3 xử lý các tín hiệu văn bản, hình ảnh và thời gian thành một không gian tiềm ẩn thống nhất. Trong giai đoạn khử nhiễu, SamplerCustomAdvanced xuất ra một tải trọng tiềm ẩn tổng hợp chứa cả bản đồ đặc trưng thị giác và âm thanh. Sự tổng hợp chung này đảm bảo đồng bộ hóa hội thoại chính xác và tạo hiệu ứng âm thanh hữu cơ phù hợp chính xác với hành động trên màn hình.

Giải mã VAE kép và cấu hình nút

Để biến các tiềm ẩn thô thành phương tiện có thể phát được, đồ thị chia đầu ra thành hai đường dẫn giải mã riêng biệt trước khi ghép kênh MP4.

Thiết lập nút kỹ thuật

1. Tải VAE kép: Thêm hai nút VAELoader riêng biệt vào canvas của bạn. Trỏ cái đầu tiên đến minimax_h3_video_vae_fp16.safetensors và cái thứ hai đến minimax_h3_audio_vae_fp32.safetensors.
2. Thực hiện giải mã VAE kép: Định tuyến đầu ra tiềm ẩn thị giác từ bộ lấy mẫu vào VAEDecode và phần tiềm ẩn âm thanh vào VAEDecodeAudio. Giữ minimax_h3_audio_vae_fp32 ở độ chính xác FP32 ngăn ngừa các hiện tượng clip và biến dạng tần số trong các bản nhạc nền.
3. Ghép kênh qua SaveVideo: Cung cấp tensor hình ảnh đã giải mã và dạng sóng âm thanh không nén vào CreateVideo hoặc trực tiếp vào SaveVideo. Nút xử lý đóng gói container cuối cùng, viết một tệp MP4 24 fps hoàn chỉnh với âm thanh nổi nhúng.

Thiết lập luồng kép gốc này cung cấp thực thi âm thanh chính xác theo pha trực tiếp trong ComfyUI mà không yêu cầu plugin khớp môi bên ngoài.

Toán học độ phân giải, ràng buộc tỷ lệ khung hình và chụp lưới khung hình

Nhập độ phân giải 1920x1080 tiêu chuẩn hoặc đặt độ dài clip của bạn thành 60 khung hình trong ComfyUI sẽ ngay lập tức làm sập hàng đợi kết xuất của bạn với lỗi hình dạng tensor hoặc để lại các đường nối mép bị biến dạng nặng. MiniMax H3 thực thi các ranh giới toán học cứng nhắc cho kích thước không gian và thời lượng clip vì kiến trúc VAE 3D của nó nén các tiềm ẩn video trên các khối không gian cụ thể và các bước thời gian.

Kích thước không gian và cài đặt trước tỷ lệ khung hình

VAE không gian giảm mẫu đầu vào với hệ số 32. Nếu chiều rộng hoặc chiều cao mục tiêu của bạn không phải là bội số chính xác của 32, bộ lấy mẫu khuếch tán sẽ thất bại trong quá trình phân bổ tensor ranh giới. Mô hình nhắm mục tiêu cạnh ngắn gốc 768px, cân bằng độ trung thực thị giác với ngân sách megapixel mục tiêu của nó.

Sử dụng kích thước pixel không chuẩn buộc VAE phải đệm hoặc kéo dài các bản đồ đặc trưng, làm giảm chi tiết kết cấu tinh tế.

Quy tắc lưới khung hình 17k + 5

Việc chụp kích thước thời gian tuân theo một công thức cứng nhắc tương tự. Để nằm trong giới hạn độ dài video MiniMax H3, kiến trúc xử lý các chuỗi video trong các khối tiềm ẩn 17 khung hình với khởi tạo đuôi 5 khung hình. Để tránh cắt ngắn thời gian hoặc sập giải mã VAE im lặng, mọi kết xuất phải thỏa mãn phương trình lưới khung hình 17k + 5, trong đó k đại diện cho một bộ đếm bước số nguyên.

Ở tốc độ khung hình 24fps tiêu chuẩn, phép toán này quy định thời lượng thời gian chính xác:

• k = 0 (5 khung hình): ~0,21 giây (chuyển động vi mô hoặc bùng nổ tĩnh)
• k = 1 (22 khung hình): ~0,91 giây (lát cắt hành động nhanh)
• k = 3 (56 khung hình): ~2,33 giây (chuỗi cảnh quay ngắn)
• k = 8 (141 khung hình): ~5,87 giây (giới hạn clip tiêu chuẩn đầy đủ)

Đặt số lượng mục tiêu thành 60 buộc ComfyUI phải bỏ 4 khung hình xuống còn 56 (k=3), lãng phí tính toán VRAM trong quá trình lấy mẫu. Luôn chụp các tham số nút của bạn đến ranh giới bước 17k + 5 chính xác trước khi xếp hàng một lô tạo.

Tối ưu hóa tốc độ: Bật thực thi Turbo LoRA 8 bước

Dành hơn sáu phút để chờ một video xem trước 6 giây duy nhất kết xuất khiến việc lặp lại lời nhắc nhanh hầu như không thể trên GPU tiêu dùng. Lấy mẫu tiêu chuẩn yêu cầu 20 đến 30 bước, tạo ra một nút thắt hoạt động nghiêm trọng khi tinh chỉnh các tín hiệu chuyển động, kiểm tra chuyển động máy ảnh hoặc đánh giá chuyển tiếp keyframe.

Tích hợp trọng số chưng cất Turbo

Tích hợp tệp trọng số chính thức minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16 giảm các lượt lấy mẫu xuống quy trình làm việc suy luận 8 bước. Quá trình chưng cất này đạt được tối ưu hóa tốc độ tạo đáng kể mà không ảnh hưởng đến sự gắn kết thị giác tổng thể.

Để cấu hình thiết lập chưng cất này trong ComfyUI:

1. Đặt trọng số mô hình: Di chuyển minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors vào thư mục ComfyUI/models/loras/ của bạn.
2. Kết nối nút LoraLoader: Định tuyến tensor mô hình khuếch tán chính qua một nút LoraLoader trước khi cung cấp cho bộ lấy mẫu. Đặt turbo_model_strength thành 1.0.
3. Điều chỉnh số bước: Giảm tham số steps trong nút MiniMaxH3Sampler của bạn từ 20 tiêu chuẩn xuống chính xác 8.
4. Khóa tỷ lệ CFG: Buộc tham số tỷ lệ hướng dẫn không có bộ phân loại thành 1.0 để tránh bão hòa quá mức.

Điểm chuẩn hiệu suất: Thực thi tiêu chuẩn so với Turbo

Khi chạy minimax_h3_fl2v_turbo_8step, đặt CFG trên 1.0 buộc các lượt điều kiện kép không cần thiết, gây ra cháy màu cực độ, nổ độ tương phản và xé không gian trên các khung hình chuyển động cao. Kích hoạt turbo_mode với cường độ Turbo LoRA cố định là 1.0 cho phép người sáng tạo xác thực các chuyển động máy ảnh phức tạp trong vòng chưa đầy ba phút trước khi cam kết kết xuất sản xuất 20 bước đầy đủ.

Khắc phục sự cố thường gặp với lỗi đồ thị MiniMax H3 trong ComfyUI

Hầu hết các lỗi hoạt động trong đồ thị MiniMax H3 đều bắt nguồn từ sự không khớp căn chỉnh tensor nhỏ, bộ giải mã âm thanh không được liên kết hoặc tắc nghẽn bộ nhớ GPU trong quá trình tải mô hình.

Hướng dẫn chẩn đoán & sửa lỗi nhanh

1. CUDA Hết bộ nhớ (OOM)

   1. Nguyên nhân chính: Tải bộ mã hóa văn bản 32B cùng với trọng số khuếch tán int8 trên GPU 16GB VRAM mà không có giảm tải bộ nhớ.
   2. Sửa lỗi từng bước: Thêm các cờ khởi động --lowvram hoặc --medvram vào tập lệnh khởi động ComfyUI của bạn. Đối với các thiết lập bộ nhớ GPU eo hẹp, hãy cân nhắc chạy MiniMax H3 trong ComfyUI với lượng tử hóa GGUF để giảm yêu cầu bộ nhớ cơ bản. Đảm bảo qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors được đặt nghiêm ngặt trong models/text_encoders/, cho phép giảm tải VRAM giữa các lượt phân tích văn bản và lấy mẫu.

2. Lỗi không khớp hình dạng

   1. Nguyên nhân chính: Giá trị chiều rộng/chiều cao tùy chỉnh hoặc hình ảnh keyframe đầu vào vi phạm lưới chia hết không gian 32 pixel bắt buộc.
   2. Sửa lỗi từng bước: Chèn một nút ResolutionSelector hoặc ImageScaleToTotalPixels trước bộ lấy mẫu để buộc tất cả các kích thước canvas và hình ảnh đến bội số gần nhất của 32.

3. Thiếu bản nhạc âm thanh trong xuất

   1. Nguyên nhân chính: Đường dẫn VAE âm thanh không được liên kết hoặc bị bỏ qua trong quá trình thực thi đồ thị.
   2. Sửa lỗi từng bước: Kết nối minimax_h3_audio_vae_fp32 vào nút VAEDecodeAudio, sau đó chuyển các tiềm ẩn âm thanh đã giải mã vào cổng âm thanh của nút SaveVideo cùng với luồng video.

4. Lỗi nút GetImageSize

   1. Nguyên nhân chính: Tỷ lệ khung hình keyframe không khớp hoặc lô hình ảnh đa khung hình không hợp lệ được đưa vào đầu vào bộ lấy mẫu I2V.
   2. Sửa lỗi từng bước: Chạy cả hình ảnh ban đầu và cuối cùng qua một nút ImageScaleToTotalPixels thống nhất để khóa keyframes ở cùng kích thước trước khi khởi tạo tiềm ẩn.

5. Cảnh báo thiếu nút ComfyUI Manager

   1. Nguyên nhân chính: Các gói nút tùy chỉnh MiniMax H3 bắt buộc không được lập chỉ mục hoặc bị thiếu trong môi trường cục bộ.
   2. Sửa lỗi từng bước: Mở ComfyUI Manager, chọn Install Missing Custom Nodes, tìm kiếm ComfyUI-MiniMaxH3-Easy, nhấp Install và khởi động lại ComfyUI.

Giải quyết giảm bộ nhớ và xung đột đăng ký nút

Nhiều hướng dẫn bỏ qua cách ComfyUI quản lý phân bổ VRAM trên các thế hệ liên tiếp. Nếu bạn gặp lỗi CUDA Hết bộ nhớ đột ngột ở lần kết xuất thứ hai hoặc thứ ba mặc dù lượt đầu tiên thành công, ComfyUI đã giữ lại bộ mã hóa văn bản trong VRAM. Đặt các cờ giảm tải rõ ràng trong tập lệnh khởi động của bạn giải phóng bộ nhớ đã phân bổ giữa các bước lấy mẫu.

Khi mở các tệp JSON cộng đồng, cảnh báo thiếu nút ComfyUI Manager thường chỉ ra các đăng ký nút đã lỗi thời. Cài đặt ComfyUI-MiniMaxH3-Easy khắc phục trực tiếp các phụ thuộc bị thiếu này. Đối với các pipeline I2V, giải quyết lỗi GetImageSize hoặc lỗi không khớp hình dạng yêu cầu đảm bảo rằng cả hình ảnh keyframe ban đầu và cuối cùng đều khớp với giới hạn pixel mục tiêu.