如何在 ComfyUI 中使用 MiniMax H3：2026 年最佳免費 AI 影片模型！

🧑‍🏫 這支影片教你在自己電腦上的 ComfyUI 裡，免費執行 MiniMax H3 這個新的開源 AI 影片模型。它能用文字、圖片，甚至多張圖加影片和聲音當素材，生成最長 15 秒、自帶聲音的影片。作者實測一週後，說明怎麼依顯卡挑模型版本、三種流程怎麼用，以及實際能做出什麼。

• 00:00 開場的「For Rome!」片段是用 MiniMax H3 一次生成的。H3 完全開源，是 omnimodel，能生成 15 秒高品質影片，並附原生立體聲音訊
  ↳ 開場的「For Rome!」是 H3 一次生成的。H3 完全開源（模型公開，可自由下載），是 omnimodel（字面意思是全能型模型），能生成 15 秒高畫質影片，還直接附立體聲音訊。
• 00:00 作者說他從沒在頻道上講過「game changer」這兩個字，但認為 H3 真的是 game changer
  ↳ 作者說他從沒在頻道上用過「game changer」（改變遊戲規則的東西）這個詞。這次破例，表示他真心覺得 H3 帶來的改變很大。
• 00:34 H3 可以同時輸入多張圖片、影片片段和音訊，作者說跟 SeaDance 一樣，差別是 H3 能在自己的電腦上免費執行
  ↳ H3 能一次放入多張圖、影片片段和音訊當素材。作者說 SeaDance 也有同樣功能，差別是 H3 可以裝在自己電腦上免費跑。
• 00:34 作者花了一整週測試 H3，本片示範怎麼在 ComfyUI 裡執行，以及實際可以用在哪些地方
  ↳ 作者花了一整週實測。這支影片教你在 ComfyUI（用拉方塊、接線的方式組合 AI 生成流程的免費軟體）裡跑 H3，也示範能拿來做哪些實際的事。
• 01:04 第一步要有 ComfyUI，可到 comfy.org 下載
  ↳ 第一步要先裝 ComfyUI，到 comfy.org 下載。沒有它，後面的模型和流程都沒地方跑。
• 01:04 安裝後打開選單，進 Browse Templates，搜尋 MiniMax H3，就能找到相關 workflow
  ↳ 裝好後打開選單，進 Browse Templates（範本庫），搜尋 MiniMax H3，就能找到現成的 workflow，也就是一整套已經接好線、照順序執行的生成流程。
• 01:04 標示 API 的 workflow 是目前唯一能用 H3 生成 2K 解析度的方式，但要付費，所以本片只講本地 workflow
  ↳ 範本裡標 API 的，是把運算交給外部服務處理（API 是程式之間互相呼叫的介面）。目前只有它能生成 2K，但要付費，所以本片略過不講。
• 01:37 本地 workflow 完全免費，解析度比較受限，但作者認為效果仍然很驚豔。共有三個 workflow，各自用途不同
  ↳ 本地版全部在自己電腦上跑，不用花錢。解析度比較受限，但作者覺得效果依然很驚豔。本地共有三個 workflow，各自對應不同用途。
• 01:37 模型檔從 Hugging Face 頁面下載，兩個資料夾裡的每個檔案都要下載。不過 diffusion models 很大，不需要全部都下載
  ↳ 模型檔從 Hugging Face（公開下載 AI 模型的網站）取得，兩個資料夾的檔案都要下載。其中 diffusion model（真正負責生成畫面的主模型）很大，挑適合的一個就好。
• 02:08 fl2va 模型用於 text-to-video 和 image-to-video；ref2va 模型用於 reference-to-video。每組都有幾種大小，依硬體挑選
  ↳ fl2va 管打字生影片（text-to-video）和給圖生影片（image-to-video）；ref2va 管多素材參考生成（reference-to-video）。大小依配備挑。
• 02:08 bf16 約 66 GB，未壓縮、品質最高，是給重度硬體用的。作者建議除非是大型工作室配置，否則跳過
  ↳ bf16 是未壓縮的完整版（bf16 是一種數字儲存格式），約 66 GB，品質最高，但需要很強的機器。作者建議，不是工作室等級的設備就直接跳過。
• 02:08 bf16 pruned 品質次佳，不用處理完整的 66 GB
  ↳ bf16 pruned 是修剪過的版本（pruned 指去掉部分內容，讓檔案變小）。品質僅次於完整版，但不用處理整整 66 GB。
• 02:40 要順跑 bf16 pruned，大概需要超過 32 GB VRAM，加上足夠的系統 RAM
  ↳ 想順跑 bf16 pruned，顯卡的 VRAM（顯示卡自己的記憶體，決定能載入多大的模型）大概要超過 32 GB，電腦本身的 RAM 也要夠大。
• 02:40 int8_comfy_rod 是作者口中的中間選擇。他自己用 32GB 顯卡跑這個，並預期 24 GB 以上的卡都能順跑
  ↳ int8_comfy_rod 是中間選擇（int8 是一種更省空間的數字格式）。作者自己用 32 GB 顯卡跑它，並預估 24 GB 以上的卡都能順跑。
• 02:40 如果還是太吃資源，就改用 pruned int8。它佔用更小，搭配 offloading 可在 12 GB 的 RTX 3060 上執行，這個等級的卡建議選它
  ↳ 還是太吃資源，就改用更小的 pruned int8。搭配 offloading（顯卡放不下的部分先移到系統記憶體），12 GB 的 RTX 3060 也能跑。這個等級的卡就選它。
• 03:12 fp8 跟前面差不多，只是調整成跑得更快，特別針對 RTX 40 和 50 系列顯卡
  ↳ fp8（另一種精簡的數字格式）大小跟前面差不多，但特別針對 RTX 40、50 系列顯卡調整過，跑起來更快。
• 03:12 模型下載後，要照 Hugging Face 頁面上的說明放進正確的資料夾
  ↳ 模型下載完不能隨便放，要照 Hugging Face 頁面的說明放進正確的資料夾，不然 ComfyUI 找不到。
• 03:12 作者從最簡單的 text-to-video workflow 開始：先選輸出的 aspect ratio，再選 megapixel 數值
  ↳ 作者從最簡單的 text-to-video 開始：先選 aspect ratio（畫面長寬比，例如橫式或直式），再選 megapixel（畫面總像素量，決定清晰度）。
• 03:12 想知道 megapixel 對應的實際解析度，可以看 size settings reference node
  ↳ megapixel 只是個總量數字。想知道實際是幾乘幾的解析度，就看 size settings reference node（對照用的方塊；node 就是流程裡的一個功能方塊）。
• 03:44 解析度設得越高，需要的時間和資源就越多
  ↳ 解析度設得越高，等待時間越長，吃的顯卡資源也越多。這是畫質和速度之間的取捨。
• 03:44 作者發現 H3 對很短和超長的 prompt 都處理得很好，關鍵在鏡頭複雜度：簡單鏡頭寫短就好；含對話、音訊提示的多鏡頭段落，要寫得越詳細具體越好
  ↳ prompt（給 AI 的文字指令）寫長寫短都行，重點看鏡頭多複雜。簡單的單一鏡頭寫短就好；有對白、聲音的多鏡頭段落，要寫得越詳細具體越好。
• 04:15 prompt 可以用時間戳分段，例如「0 to 2-second, shot one, 2 to 4-second, shot two」，再描述每段發生什麼
  ↳ prompt 可以用 timestamps（時間戳）分段，例如「0 到 2 秒第一個鏡頭，2 到 4 秒第二個鏡頭」，再分別描述每段內容，就像在寫分鏡表。
• 04:15 影片長度最多 15 秒，H3 以每秒 24 frames 生成
  ↳ 影片最長 15 秒，以每秒 24 frames（一格格靜止畫面）生成。換算下來，一支影片最多約 360 格。
• 04:15 在 unet_name 選擇前面介紹的 diffusion model，按 run 就開始生成。作者把自己的生成耗時放在畫面上當參考
  ↳ 在 unet_name 欄位選前面下載的 diffusion model，按 run 就開始生成。作者把自己的生成耗時放在畫面上，可以拿來估算你的等待時間。
• 04:47 如果嫌本地太慢或遇到問題，可以用 RunComfy 在線上執行 H3 或幾乎任何模型，能用到高階 GPU，生成速度快很多
  ↳ 本地太慢或遇到問題，可以改用 RunComfy。它是線上服務，能跑 H3 或幾乎任何模型，借用高階 GPU（顯示卡），生成速度快很多。
• 04:47 另一個做法是先在本地用低解析度生成，之後再 upscale 到較高解析度。作者會在說明欄放幾個選項
  ↳ 另一個做法是先在自己電腦用低解析度生成，再 upscale（把畫面放大、提高解析度）。作者在說明欄列了幾個選項。
• 04:47 作者在 Discord 開了專門的 H3 頻道，社群成員接近 10k
  ↳ 作者在 Discord（線上社群聊天平台）開了 H3 專屬頻道，社群將近 1 萬人，可以去交流、看別人的作品。
• 04:47 作者個人不太喜歡任何模型的 text-to-video。他認為只適合新模型推出時做快速 sanity check，因為控制力不足
  ↳ 作者其實不愛任何模型的 text-to-video，因為光靠文字很難控制畫面。他只在新模型推出時拿來做 sanity check（快速確認模型能正常運作）。
• 05:20 有了圖片輸入，控制力就不同了。image-to-video 的設定跟 text-to-video 基本相同，只是多上傳一張圖片作為生成依據
  ↳ 多了一張圖當依據，控制力就完全不同。image-to-video 的設定跟 text-to-video 幾乎一樣，只是多上傳一張圖，讓 AI 以它為基礎生成。
• 05:20 image-to-video 的 prompt 有兩種寫法：描述從該圖片開始的一個連續鏡頭，或跟前面一樣用時間戳加入新的 cut
  ↳ image-to-video 的 prompt 有兩種寫法：一是從這張圖出發，拍一個不中斷的連續鏡頭；二是像前面一樣用時間戳分段，插入新的 cut（換鏡頭）。
• 05:20 作者喜歡 H3 的一點是能讓事情發生在輸入圖片「之前」。例如用海報當輸入圖，prompt 讓影片從全空白開始，再讓各元素逐一動畫到位，組成完整海報
  ↳ H3 能讓畫面發生在輸入圖「之前」。例如拿海報當輸入，prompt 讓影片從一片空白開始，元素逐一動畫進場，最後組成那張海報。
• 05:54 作者也用同樣的技巧，把一個 web UI 頁面做成動畫
  ↳ 同一招也能用在網頁上：拿 web UI（網頁介面）畫面當輸入，讓頁面元素逐一動畫進場，組成完整頁面。
• 05:54 單張圖片就能生成較長的 multishot 影片，而且附音效和音樂。作者認為 H3 會大量用在低預算產品廣告這類用途
  ↳ 只給一張圖，就能做出較長的 multishot（多鏡頭）影片，還附音效和配樂。作者認為 H3 會被大量用在低預算的產品廣告。
• 05:54 開場那段片段同樣是單一 frame 輸入，加上 prompt 裡少量引導。H3 從不同角度重新構想場景，還有對話和真實的節奏感
  ↳ 開場那段同樣只用一張畫面當輸入，prompt 只稍微引導。H3 自己從不同角度重新構想場景，還加上對白和自然的節奏感。
• 06:26 作者說這點很能說明 AI filmmaking 的未來
  ↳ 作者認為這點很能看出 AI filmmaking（用 AI 拍片）的未來：只給一張圖和一點指示，AI 就能自己補出鏡頭和演出。
• 06:26 作者照例跑了「mandatory test」，這次是加長版，並認為現在該有人想出更難的 benchmark
  ↳ 作者照例跑了他的「mandatory test」（固定測試），這次是加長版。他覺得現有題目已經不夠難，該有人設計更難的 benchmark（評比用的標準考題）了。
• 06:58 H3 並不完美：作者輸入一張虎狀生物的圖片並要求保留原樣，結果不到 2 秒就變成普通老虎，不過翅膀有保留下來
  ↳ H3 並不完美。作者放一張像老虎的奇幻生物，要求保持原樣，結果不到 2 秒就變成普通老虎，只有翅膀留住。遇到特殊造型的角色要多留意。
• 06:58 作者認為 H3 能拿下最佳開源影片模型，原因就是 reference-to-video
  ↳ 作者認為 H3 能拿下最佳開源影片模型，關鍵就在 reference-to-video：能同時參考多種素材來生成。
• 06:58 多種類型的媒體可以直接接進 reference-to-video node，預設會看到兩個 image node 已經接好
  ↳ 各種媒體都能直接接進 reference-to-video 的 node。一打開，預設就有兩個圖片方塊已經接好了。
• 06:58 要新增輸入：在任意處雙擊，搜尋 Load Image、Load Video 或 Load Audio，接上新 node 後會自動開出新的 socket，可以繼續接更多
  ↳ 要加素材：在任意處雙擊，搜尋 Load Image、Load Video 或 Load Audio（載入素材用的方塊），接上後會自動多出新的 socket（接線口），可以一直往下接。
• 07:30 媒體輸入總數不能超過 12 個，作者說至少目前是這樣
  ↳ 所有媒體輸入加起來最多 12 個。作者特別說「至少目前是這樣」，之後可能會放寬。
• 07:30 寫 prompt 時要照連接順序引用輸入：第一張圖是 picture_1，第二張是 picture_2，以此類推，影片和音訊也是同樣邏輯
  ↳ prompt 裡要照接線順序叫素材：第一張圖叫 picture_1，第二張叫 picture_2，依此類推。影片和音訊也照同樣邏輯編號。
• 08:04 範例：用漫畫拼貼的多個畫格，prompt 要 H3 做成驚悚片開場，並用時間戳依序控制每個元素的運動，作者說效果很漂亮
  ↳ 範例：拿漫畫拼貼的多個畫格當素材，要 H3 做成驚悚片開場，再用時間戳控制每個元素什麼時候、怎麼動。作者說成果很漂亮。
• 08:04 範例：用參考圖把片段裡的綠幕換成對應的環境，同一次生成中也用參考圖替換角色服裝
  ↳ 範例：用參考圖把影片裡的綠幕換成對應的場景，同一次生成中，也用參考圖把角色的服裝換掉。
• 08:04 作者認為手動 rotoscoping 的日子可能快要結束了
  ↳ 因此作者認為，手動 rotoscoping（一格一格手工描出人物輪廓來去背的工作）可能快要走入歷史了。
• 08:04 作者最愛的用途之一是物件替換：把汽水罐換掉，並刻意用透明罐當參考圖，觀察它對液體物理的影響，效果交給觀眾判斷
  ↳ 作者最愛的用法之一是換物件：把影片裡的汽水罐換掉，還刻意用透明罐當參考，看它怎麼處理罐內液體的物理效果。好不好就讓觀眾自己判斷。
• 08:37 作者預期隨著更多 workflow 出現，H3 會用在 talking avatars、character replacements，甚至視覺特效
  ↳ 作者預期之後會出現更多 workflow，H3 會被用在 talking avatars（會說話的虛擬人物）、character replacements（替換角色），甚至視覺特效。
• 08:37 等 GGUF 模型和進一步的優化推出，H3 只會更快
  ↳ 等 GGUF 模型（一種更精簡、較適合一般電腦執行的模型格式）和其他優化推出後，H3 只會跑得更快。

在 ComfyUI 的 MiniMax H3 reference-to-video workflow 中，目前最多能接入幾個媒體輸入？