大家好，我是老鹿。今天带来MiniMax H3视频生成整合包。
制作周期较长，敬请谅解。制作不易，恳请各位鹿友一键三连。
MiniMax是上海稀宇科技的品牌名，H3是模型名。
这个项目应该不用过多介绍了吧，目前开源视频模型里堪称王炸。大家比较熟悉的海螺AI平台，也是他们的产品。
MiniMax H3是一款多模态视频生成模型，支持文生视频、图生视频、首尾帧控制、多图参考、音频驱动和视频驱动，最长可生成15秒的视频。
项目地址：https://github.com/MiniMax-AI/MiniMax-H3
由于开源生态中，无论是模型还是节点，MiniMax H3的更新都十分频繁，后续我也会根据实际情况对整合包进行优化和调整，欢迎大家持续关注。
本次整合包我做了两个版本，分别是无Sage版和Sage加速版。
无Sage版测试设备为1070显卡，Sage加速版测试设备为A4000显卡，因此理论上前者支持10系、16系、20系等显卡，后者支持30系、40系、50系等显卡。
模型已分开上传，大家可以根据自己的实际情况选择对应版本下载。
先下载整合包，解压路径不要包含中文；再下载模型，并放入整合包根目录下的models文件夹。
双击exe即可启动；也可以双击用于调试的bat文件，区别在于bat启动后可直接查看日志，方便排查报错。
整合包主要分为两大功能板块：文生/图生视频，以及全能参考。
文生/图生视频模式下，不上传图片、仅输入提示词即为文生视频。
官方支持的常见宽高比已设为预设选项，大家可直接从下拉框中选择。
同时，我预设了短边选项。例如，选择竖屏比例后，设定短边尺寸，系统会自动匹配对应的高度。
当然，你也可以手动输入自定义分辨率。官方规定分辨率必须为32的倍数，因此我设置了自动运算功能，输入数值后按回车键，系统会自动将其调整为最接近的32的倍数。
官方最长支持生成15秒视频，因此此处时长上限设为15秒。
整合包使用的是 LightX2V 的 4步Turbo版，因此 LoRA 默认勾选，采样步数固定为4步。
建议保持默认设置，修改参数可能影响生成效果；保留这两个选项是为便于后续适配其他版本。
生成按钮旁可调整生成次数，最多一次性生成10个视频，方便抽卡。
无Sage版整合包未集成Sage加速，点击生成视频时会弹窗提示不支持，后台自动关闭该选项，不影响正常使用。
我用1070显卡（8G显存，32G内存）实测，能运行，但速度较慢。
因此理论上8G显存、32G内存即可运行。若使用支持Sage加速的显卡，速度会有明显提升。
每次抽卡的seed值可在日志中查看，或从生成视频的文件名中找到。若生成满意效果，可开启固定seed功能。
之后可使用高清修复功能进行放大，最高倍率为2倍。建议先以低分辨率抽卡，固定seed值后再放大。
生成过程中可随时停止；
点击
“打开目录”
按钮可直接跳转至视频输出文件夹；
“清除缓存”
会清空生成时加载到 input 文件夹的临时文件；
“释放显存”
用于释放当前模型占用的显存资源。
MiniMax H3 对提示词书写要求较为严格。
官方已开源提示词书写的 Skill，我将其集成至整合包。点击
“立即优化”
，即可按官方格式自动优化你的提示词。
提示词优化功能我花费了大量时间进行迭代，修改文件超过50轮。
但由于该功能基于本地 Qwen3VL-4B 模型运行，处理速度较慢，且优化效果可能有限。若条件允许，建议使用在线大模型来处理提示词。
可以看到，优化后的提示词所生成的视频效果明显优于优化前，且不会出现烦人的字幕。
有时你可能觉得优化效果不佳，这通常是因为优化前输入的提示词过于简单。我在模板中添加了一个内置示例。
大家可根据内置示例的格式书写提示词，再点击优化提示词；此外，整合包还添加了模板保存功能，方便复用自己满意的提示词。
上传图片并输入提示词，即为图生视频。使用 A4000（16G 显存，32G 内存）设备，生成一段 3 秒、分辨率 768×1376 的视频，耗时约 176.9 秒。
二次采样放大采用分块放大，且得益于ComfyUI在相同参数下不会重复运算的特性，放大速度较快。放大1.35倍耗时约193.3秒。
文生/图生视频模式下，上传两张图即生成首尾帧视频。由于参考图片增加，生成耗时也会相应增加。
全能参考模式下，上传多张图片即为多图参考，目前暂时最多支持三张图。
全能参考模式下，会多出一个“参考图尺寸”选项，默认选项为 Match。选择 Max 精度最高，但代价是增加运算时长。
音频参考可用音频驱动图片中的人物说话或唱歌。这里提示两点：
第一，若需人物唱歌，请务必写出歌词，否则唇形同步效果将明显变差。
第二，若音频素材时长大于视频生成时长，后台会自动裁剪素材，但建议使用 WAV 格式。
若使用 MP3 格式，需手动裁剪，自动裁剪后生成的唇形同步会略有偏差，后续再考虑是否有办法修复。
视频参考模式下，书写提示词时建议手动写明视频风格，如有分镜安排也可一并写出，这样优化后的提示词会更准确。
视频参考是所有模式中最耗费资源的一种，与参考视频时长密切相关。
尤其是启用高清修复功能时，我之前测试过上传10秒参考视频，生成416×736分辨率的视频后再放大1.35倍，耗时超过40分钟。
因此，建议上传的参考视频时长尽量控制在5秒以内；若超过5秒，则建议降低生成分辨率或缩短生成时长。
另外，视频参考还有两种隐藏用法：第一种是人物替换。
可将视频中的人物替换为参考图中的人物，并保留原视频场景。
可迁移参考视频中的人物动作，并保留参考图中的人物和场景。
最后补充一点：整合包生成视频的默认帧速率为24fps，因此建议上传的参考视频也使用相同的帧速率。
好了，今天要分享的内容就到这里，想要整合包的鹿友
后台撩我
获取。
