MinMax H3のセットアップ

2026年9月6日

はじめに

動画生成AIのMinMax H3のセットアップ。

環境

• Ubuntu 22.04 LTS
• Intel Core i9-14900K、メモリ 32GB
• NVIDIA GeForce RTX 4090 (24GB)
• ComfyUI 0.33

MinMax H2のセットアップ

ComfyUIを起動。

テンプレートで “minmax” と検索して、「MinMax H3: 画像から動画へ」を選択。

エラーで不足しているモデルが出ているので、それらをダウンロードする。

• loras/minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
• vae/minimax_h3_audio_vae_fp32.safetensors
• vae/minimax_h3_video_vae_fp16.safetensors
• text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
• diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors

ComfyUIのディレクトリのmodels/の中にloras、vae、text_encoders、diffusion_modelsというディレクトリがあるはずなので、上記のファイルを対応するディレクトリに入れる。

ComfiyUIを再起動する。エラーが出ていなければOK。

[画像を読み込む]のところで画像ファイルを設定して、[Image to Viedeo]でプロンプトを指定し、[実行する] をクリックして、動画が出てくれば完了。

実行例

アスペクト比4:3

integrated_multimodal_description: 短い動画、雨の日、1匹の座る黒猫と、しゃがんで猫の頭を撫でる傘をさした女の子は黙ったまま、黒猫が女の子の顔を見上げて「にゃー」と鳴く

overall_soundscape: 雨の音

non_diegetic_music: N/A

Krea2により作成

テキストエンコーダーがQwenなら日本語でもある程度いけるのではないかと試してみたもの。細かい調整が必要な場合は英語のほうがよさそう。

integrated_multimodal_description: [Shot 1] Movie opening, cinematic, cyberpunk, night; the camera moves from the sea toward the city, where a giant pink rabbit is lumbering along, destroying buildings.

overall_soundscape: Ground-shaking rumble.

non_diegetic_music: A single, deep, low-frequency sound is resounding.

Ideogram4により作成