MiniMax-H3 是一个通用的全模态生成系统，支持文本、图像、视频和音频多种输入组合，可以生成分辨率高达 2K、持续时间长达 15 秒的具有原生立体声音频的视频。

之前介绍了 MiniMax-H3 的特点和实测效果，当时生成的视频跑了 22 分钟。本文介绍第一种加速方案——MiniMax-H3-Turbo-Lora，来看下加速后的效果。

核心结论

MiniMax-H3-Turbo-Lora 在 8 步推理的情况下：

• 视频质量不错
• 音频质量也不错
• 整体镜头切换不错，提示语中的时间线也遵循得不错
• 提示语遵循性：和原生 20 步一样，单镜头内提示语没有完全遵循

性能对比

测试条件：RTX 4090 24G 显卡，64G 内存（其中 32G 可做共享显存），生成 10 秒 1280×736 分辨率视频。

效果展示

使用 MiniMax-H3 官方提示语测试：

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: [English] First batch of the morning. [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.

overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.

对比结果：加速后的画面质量不错，声音也不错，整体镜头切换和提示语中的时间线遵循得都不错。单镜头内提示语遵循方面，第一个镜头不错，第二个镜头中「镜头切换到切片面包上冒出的蒸汽的特写镜头」没有完全表现出来。

与官方工作流几乎一致，仅三个改动点：

• 增加 Lora 设置节点
• 更换采样器
• 减少采样步数

安装与使用

终端执行以下命令安装插件，之后重启 ComfyUI：

cd ComfyUI/custom_nodes
git clone https://github.com/larryvrh/ComfyUI-MiniMax-H3-Turbo

模型下载

Diffusion 模型（任选其一，放置到 ComfyUI/models/diffusion_models/）：

• minimax_h3_fl2va_bf16：全量模型
• minimax_h3_fl2va_int8_convrot：int8 模型

CLIP 模型（任选其一，放置到 ComfyUI/models/text_encoders/）：

• qwen3vl_32b_minimax_h3_bf16：全量模型
• qwen3vl_32b_minimax_h3_int8_convrot：int8 模型
• qwen3vl_32b_minimax_h3_nvfp4_awq：nvfp4 模型

VAE 模型（全部下载，放置到 ComfyUI/models/vae/）：

• minimax_h3_video_vae_fp16.safetensors
• minimax_h3_audio_vae_fp32.safetensors

Lora 模型（任选其一，放置到 ComfyUI/models/loras/）：

• minimax_h3_turbo_v4_step600_ema：官方推荐最强模型
• minimax_h3_turbo_4step_ckpt850：画面动作幅度大时备选

参数设置建议

• 采样步数：范围 4-8，6-8 的效果最好，超过 8 就没用了。推荐 8
• Lora 强度：保持 1.0 不变。出现模糊重影→略微增加（1.05-1.2），出现过度锐化颗粒→略微减少（0.8-0.95）
• low_vram：默认关闭，除非显存不足

该模型还在训练中，重点改进两方面：一是让单镜头内提示语遵循得更好，二是训练更通用的 Turbo Lora。