MiniMax H3 最值得注意的能力，是把畫面、對話、環境音和音樂放進同一個生成流程，你可以從一句描述開始，也能提供角色圖片、動作影片或聲音參考，讓模型把素材組成有聲短片。對創作者來說，這讓短片草稿有機會一次帶上畫面與聲音的整體方向。
內容目錄
MiniMax H3 是什麼？先看它解決的工作
MiniMax H3 官方專案把文字、圖片、影片與音訊放在同一個多模態脈絡中理解，再產生帶立體聲的影片。官方列出的短片規格為 4 至 15 秒、24 FPS，音訊為 32 kHz 立體聲，並支援包含中文、英文在內的多種對話語言。
理解這類模型時，可以把任務想成「拍一個短鏡頭」。你需要交代誰出現、做什麼、鏡頭怎麼移動，以及觀眾應該聽到什麼。它適合探索畫面與聲音的搭配，較長故事仍要拆成鏡頭，再做剪接、連戲與聲音整理。
H3 可以做哪些事？七種能力拆開看
1. 把文字變成帶聲音的短片
例如描述雨夜街角、人物走向咖啡店，並指定雨聲、腳步聲與一句台詞。模型的工作是共同生成視聽內容，省下先找無聲片段、再另外配音的部分往返。口型、發音與動作是否自然，仍要逐次檢查，不能把示範片當作每次都會達到的保證。
2. 讓靜態圖片動起來，或指定開始與結束的畫面
想讓一張商品圖產生運鏡，或讓角色從指定姿勢過渡到另一個姿勢，可以研究 FL2VA 模式。它接受零張、一張或兩張圖，分別對應文字生成、單張關鍵畫面，以及首尾畫面控制。這類控制提供方向，並不等於中間的每一格都能精準指定。
3. 用參考素材指定人物、風格、動作與聲音
Ref2VA 模式能混合圖片、影片與音訊參考。你可以說明某張圖提供角色外觀，某段影片提供動作，聲音素材則提供音色或配樂方向。相較於只寫「像這張圖」，清楚分配每份素材的用途，更容易知道結果偏離在哪裡。
這兩種模式使用不同權重。ComfyUI 原生範本文件特別提醒，參考生成應使用 R2V 範本與 ref2va 模型。單純在 T2V 工作流放一個參考節點，如果沒有真正接到取樣流程，可能不報錯卻也不生效。
4. 在時間軸上安排關鍵畫面
除了開頭與結尾，新版 ComfyUI 的 H3 節點也能在指定影格加入引導素材。這適合用來研究「到某個時間點，要接近這個姿勢或構圖」的控制方式。它仍是生成條件，與剪輯軟體逐格鎖定內容不同，也需要相應版本與正確連線。
5. 依姿勢、輪廓或深度控制畫面
ComfyUI 的 H3 工作流總覽列有 Fun ControlNet Union，可用姿勢、深度、邊緣等控制影片，或搭配遮罩進行局部重繪。這屬於擴充工作流能力，需要對應節點和模型，不能只下載基礎權重就期待所有控制都出現。
6. 把短鏡頭接成更長的內容
可以把上一段最後一格當作下一段的起點，再描述接下來的動作。這有助於延續鏡頭，但誤差也會累積，人物、紋理和場景可能逐漸改變。我的建議是先用短鏡頭完成一個清楚動作，再靠剪接建立節奏，別一開始就追求單次生成完整長片。
7. 讓 Agent 協助找範本與執行工作流
Comfy MCP能讓 AI Agent 搜尋模型、節點與範本，並執行 ComfyUI 工作流，支援雲端與本地兩種連接。你可以用自然語言提出需求，讓 Agent 協助組織生成任務。MCP 負責連接工具，真正算圖與生成影片的工作仍由模型和執行環境完成。
例如先要求「找 H3 圖生影片範本」，再指定一張圖片與預期動作，請 Agent 提交任務並取回結果。這是可規劃的使用方式，實際能否完成取決於客戶端、已連接的工具與可用模型，並不代表接上 MCP 就免安裝、免算力或免付費。
本地 H3 與官方 2K 系統，差在哪裡？
完整官方流程包含 H3-Context-IR、H3-Base 與 H3-Regenerate-2K。前者整理多模態輸入與指令，Base 負責基礎音畫生成，最後再利用原始脈絡重新生成 2K 結果。官方明確說明 Context-IR 是託管系統，未包含於這次開放發布。
所以本地執行 H3-Base 不應直接視為完整官方服務，ComfyUI 文件將開放權重的原生目標描述為約 768 像素短邊，較高解析度要另走放大或細化流程，把寬高直接調大，與官方 H3-Regenerate-2K 的流程並不相同。
如果工作重點是交付，應先用同一份素材與需求比較實際結果，再決定走官方服務、本地工作流或混合流程。這是依流程差異提出的選擇建議，並非品質排名。
怎麼開始用？先挑一條路
- 想先看成果：從官方專案連到 Hailuo AI 或官方平台，先了解目前可用模型、方案與輸出選項。
- 想保留工作流控制：使用 ComfyUI 範本庫的 MiniMax H3 T2V、I2V 或 R2V，依提示下載該範本需要的元件。
- 想讓 Agent 協助：先讓 ComfyUI 工作流能正常執行，再依 Comfy MCP 文件連接，逐步交由 Agent 提交與取回任務。
本地流程除了影片生成權重，還需要文字編碼器、影片 VAE 與音訊 VAE。編碼器負責處理輸入，VAE 則把模型內部表示還原成畫面與聲音。
與其先收集各種量化版本，我會先照目前的官方原生範本跑通一個短片，再一次只改一個設定。
如果你更在意工作流怎麼分享、怎麼移到雲端，站上的RunningHub 與 ComfyUI 平台整理可作為延伸閱讀。平台提供的模型版本、權限與計費，仍應以各自服務為準。
把 H3 接進企業商品短影音流程
公司要反覆製作商品短片，可以把素材、生成條件、剪輯規格與驗收紀錄存成一份可重用的安排。
DGX Spark 提供運算，H3 生成音畫，ComfyUI 執行工作流，Agent 則協助提交任務和整理檔案。平台能否實用，要看整條流程是否穩定。
先把一個商品鏡頭做穩
先準備清楚的商品圖、真正的 Logo 檔、已確認的文案與可使用的配樂，並決定橫直比例。
官方 I2V 範本附有透明電競滑鼠的圖片，可以先用現成素材熟悉工作流，再換成自己的商品。圖片、畫布和輸出比例要一起核對，避免主體被拉伸或後來裁掉。
環境驗收要包含模型和節點完整、短片能正常生成、音軌可播放，以及重新啟動後仍能執行。通過後保留版本與參數，再讓 Agent 使用同一份工作流反覆產生候選片段。
生成與剪輯分成兩個任務
生成任務要交代素材、主體特徵、動作、鏡頭和聲音，並留下隨機種子、尺寸、耗時與失敗原因。換種子能取得其他候選版本，仍需逐段檢查商品是否變形、零件是否消失，以及動作是否符合用途。
剪輯任務則指定採用哪些片段、排列順序、字幕原文、音量與品牌結尾。Agent 需要另外具備剪輯工具與檔案存取能力，才能把素材組成成片。中文文案與 Logo 可使用已確認的原始素材在後製疊加，減少把準確資訊交給生成模型重畫的反覆嘗試。
- 先用一個鏡頭建立商品印象。
- 接著呈現可辨認的細節或實際使用方式。
- 最後留下乾淨構圖，再加入品牌與行動資訊。
這是規劃短片的簡單方式，長度與鏡頭數可依用途調整。最後仍由人檢查商品外觀、字幕與聲音，並確認輸出比例、素材來源和成品版本。本文沒有實際執行這項生成或剪輯任務。
把維護成本與資料路徑一起算進去
本地生成仍有設備、電力、維護、操作和重試成本，雲端則要看方案、用量與重做次數。我會用總投入除以真正通過驗收的成品數，再連同等待時間評估，避免只比較單次生成費用。
也要確認 Agent 使用的模型與工具。H3 在本地執行時，雲端 Agent 仍可能接收任務文字、工具回傳或它讀取的內容，實際資料路徑取決於配置。導入前應列出會使用雲端的服務，以及 Agent 能讀取的素材範圍。
若要對照商品短片的部署資料與任務安排，可參考 AugurSoft 的企業短影音流程整理。模型與工具的目前條件，仍應回到各官方文件核對。
8GB 顯卡能不能跑？別只看一句最低需求
量化是用較低精度儲存或運算部分權重，卸載則是在顯卡與系統記憶體間搬移資料。這些方法能降低某些資源門檻，但也可能增加等待時間或改變品質。模型檔裝得下硬碟，和整個工作流能在顯卡裡順利執行，是兩回事。
評估配置時，至少一起看 GPU 型號與顯存、系統 RAM、模型精度、解析度、片長，以及是否卸載。本文不提供「所有 8GB 顯卡都能順跑」的結論，因為不同推論框架與量化版本的條件不能混在一起。舊教學中的模型檔名，也要回到目前範本核對。
想比較另一條同步影音路線，可以接著看站上的LTX 2.3 本地部署整理。那是特定版本與配置的文章，不能把它的門檻直接套用到 H3。
DGX Spark 與 Sol-H3 為什麼常一起出現？
NVIDIA DGX Spark 台灣產品頁列有 GB10 Grace Blackwell 與 128 GB 統一系統記憶體。這類大容量記憶體有助於容納模型，但仍需合適的軟體與運算最佳化，容量本身不能代表影片生成速度。購買時也應確認確切機型與規格。
Xplore-LAB 的社群安裝紀錄提供 DGX Spark 上的容器化 ComfyUI 與 HTTP API 工作流，適合研究環境配置和問題處理。它是社群實作紀錄，版本與測試條件具有時間性，不能直接視為每台電腦通用的安裝保證。
NVIDIA Sol-H3 研究頁展示的是整套推論加速。其 8 張 B300 配置，在指定的 1344×768、24 FPS、5 秒輸出測試中，報告 1.653 秒延遲。數字包含編碼、去噪與 VAE 解碼，但排除模型載入、編譯暖機與最終 MP4 編碼，而且比較流程的步數不同，並非只換注意力演算法。
另一個 Sol-H3-Spark 專用流程報告單台 Spark 生成 5 秒、1344×768 有聲影片約需 56 秒。它先用 H3 生成較低解析度草稿，再用 LTX-2.5 細化，並把新提示編碼到 MP4 輸出的完整請求納入計時。這是混合流程的官方測量，不是一般 H3 範本的速度保證。
讀效能資料時，我會先問：用哪張卡、幾張卡、什麼步數、輸出幾秒，計時包含哪些步驟？條件對不上，就不能拿研究頁最醒目的數字推算自己的等待時間。本文僅引用這兩個測試說明差異，不把它們排成硬體性能排行榜。
H3、Wan 2.2 與 LTX-2，應該怎麼看？
Wan 2.2 官方 ComfyUI 教學提供文字生成、圖片生成與首尾畫面等工作流，也有較小的 5B 混合模型選擇。
LTX-2 的 ComfyUI 文件則明確主打同步音畫，提供文字、圖片生成、控制影片與空間或時間放大等工作流。LTX-2、LTX-2.3 和 LTX-2.5 是不同版本，對照時要確認你下載與閱讀的版本一致。
這三條路線都有適合研究的工作流，但沒有一份跨環境、同素材的實測，就不宜宣布誰全面取代誰。
我會用自己的固定題目比較：人物是否穩定、台詞是否清楚、聲畫是否協調、重試幾次才可用，以及每次生成的成本。
授權怎麼看？開放權重仍有使用條件
MiniMax H3 Community License 原文列有適用地區與使用限制，排除地區包含美國、歐盟、英國與韓國，且限制延伸到作品及輸出的特定使用。條文也規定，相關商業產品與服務年營收超過 2,000 萬美元時，須事先取得另行書面授權，並有商用介面標示等要求。不能只看收入門檻就忽略其他條款。
核對後，Comfy 商用授權頁的 Q&A也說明，符合收入門檻與其他條件時，社群授權一般允許商用，排除地區則需要另行授權，這比教學頁上「本地商用需要授權」的概括句更具體。
若要接客戶案、提供代生成服務或跨地區交付，應先依實際使用方式核對完整條款，必要時向授權方確認。程式碼、模型權重、加速引擎和其他組件，也可能各自適用不同授權。這裡是條款重點整理，並不替任何特定商業情境作出可用性判定。
我的看法：先用一個鏡頭驗證你的需求
H3 的吸引力，是讓參考素材、動作與聲音更容易在同一個任務裡討論。我的起點會是一個單一主體、單一動作、短句台詞的鏡頭，先確認結果是否能用，再增加角色、運鏡與控制條件。
如果只是偶爾產出短片，先試現成服務能更快知道模型合不合需求。如果需要重複執行、調整流程或與其他工具整合，再投入本地環境與 Agent 串接。把品質、等待時間、重試成本與授權一起考慮，才知道這套工具是否適合自己的工作。
常見問題
MiniMax H3 可以同時生成聲音和畫面嗎？
可以。H3 以共同生成音畫為核心能力，可產生對話、環境音與音樂等內容，實際口型、發音與聲畫協調仍需逐次檢查。
下載 H3 就能得到完整官方 2K 效果嗎？
不能直接這樣推論。本地 Base 與完整官方流程不同，Context-IR 未包含在開放發布中，官方 2K 重新生成與本地放大也不是同一流程。
MiniMax H3 可以免費商用嗎？
須符合社群授權的地區、收入門檻與其他條款，不能只看開放權重就下結論。部分情境需要額外授權，應以現行原文與授權方確認為準。