by Rain Chu 9 月 26, 2026 | AI , 圖型處理 , 影片製作
想讓電腦桌面多一個會揮手、坐下、開口說話的角色，可以先做一段 AI 影片，再把影片設為動態桌布，我們可以用 ComfyUI 負責串接生成流程，MiniMax H3 產生影像與聲音，桌布軟體負責播放，把這三件事分開理解，製作時就比較不會卡在錯的地方。
這篇教學的成品是預先生成、循環播放的桌面角色。 角色看似對著你說話，台詞其實已經寫在影片裡。
未來的目標是「我問一句，她能即時回答」，還需要另外建立對話系統。
先分清楚：會動的桌布，和能聊天的 AI 角色
動態桌布的核心是一個影片檔，角色何時眨眼、說哪一句話、什麼時候坐下，都在生成或剪輯時決定，播放時不會因為你突然發問，就改變下一句台詞，這種做法適合桌面裝飾、角色展示，以及固定內容的迎賓畫面。
即時互動則多了收音、語音辨識、語言模型、語音合成與嘴型同步。滑鼠互動或視線追蹤也要額外設計程式，不能只靠換一段提示詞。如果你要的是能接話的數位人，可以接著看本地 AI 數位人與語音互動流程 。
第一步：先準備乾淨的場景與人物素材
準備一張適合當桌布的背景，以及一張有使用權的人物圖片。
人物若有透明背景，合成時比較容易調整大小與位置。建議先使用單一成年角色、簡單服裝與固定場景，讓第一輪生成只處理一個動作。
背景可以是沙發、房間或書桌，人物要有足夠空間完成動作。
放在桌面上時，還要避開常用圖示的位置。不要把真實桌面圖示與工作列一起烙進背景影片 ，否則 Windows 原本的圖示疊上去，會出現兩層圖示，後續改位置也容易露餡。
接下來要決定素材怎麼送進模型，使用圖生影片的 I2V 工作流時，最好先做成一張完整首幀，讓人物真的站在房間裡。把人物圖與背景圖左右並排後直接丟進 I2V，模型可能把拼貼版面也當成場景的一部分。
若希望分別提供人物、場景等參考素材，應改用支援參考輸入的 R2V 工作流，按模板指定的位置連接素材。
I2V 與 R2V 的輸入用途不同，不能只換檔名就當作同一件事。需要整理多張素材時，可參考ComfyUI 多圖參考與圖片編輯 的處理思路。
第二步：從官方模板開始，模型檔案不要混用
先從ComfyUI 官方網站 取得軟體，更新到支援 MiniMax H3 的版本，再從模板庫的影片分類找到 MiniMax H3，也可以下載 Comfy-Org 的 I2V 範例工作流 ，依畫面上的缺少模型提示補齊檔案。
桌面角色從一張完成的場景圖出發，可先用 I2V。若要改用多素材參考，再看官方 R2V 模板 ，先把一套官方範例跑通，再接作者自訂節點，排錯會容易很多。
以下是本次核對的官方 I2V 模板所使用的檔案配置。檔名可能隨模板更新調整，實際下載時以當前模板與 Comfy-Org 模型頁 為準。
ComfyUI/models/
├── diffusion_models/
│ └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
├── text_encoders/
│ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
├── loras/
│ └── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
└── vae/
├── minimax_h3_video_vae_fp16.safetensors
└── minimax_h3_audio_vae_fp32.safetensors主模型負責生成，文字編碼器處理提示內容，影片與音訊 VAE 則各有用途。不要只下載最大的模型檔，就以為其餘元件可以省略。官方模型頁也區分量化格式與執行環境，應照自己的環境選擇，不能把所有較小的檔案都視為可互換版本。
H3 的本地部署還牽涉系統記憶體與模型載入方式，不能只看顯卡名稱。進一步的環境整理可接著看MiniMax H3 本地部署與記憶體配置 ，再對照你實際載入的模型與模板版本。
第三步：先做一段短動作，不要一開始就塞滿劇情
第一輪可以用橫向構圖、固定鏡頭與較低的預覽解析度，先生成一段約 6 秒的動作。這裡的 6 秒是起步設定示例，並非效能保證。先確認角色外觀、動作與音訊都正常，再增加畫質與情節。
MiniMax H3 官方模型卡 標示的生成時長為 4～15 秒。想做 30 秒的完整演出，可以先拆成數段鏡頭再剪輯，或另外研究延伸工作流，不能把 30 秒當作標準模板必然支援的單段設定。
解析度也要跟著模板的選擇器走。ComfyUI 的 H3 教學 提醒，尺寸有對齊與像素量限制。初次嘗試不要任意輸入螢幕的完整高解析度，也不要把 API 提供的高解析度處理能力，直接套用到本地開放權重工作流。
提示詞示例：讓角色自然揮手，再回到休息姿勢
下面是為本文撰寫的起步提示詞，未經本機生成實測，重點是場景、動作與鏡頭都簡單，而且首尾姿勢接近，方便後續整理成循環影片。
固定鏡頭，橫向構圖，柔和的室內日光。
一名穿著藍綠色針織衫的成年女性坐在深灰色沙發上，人物外觀與參考圖一致。
她先自然地看向鏡頭，接著微笑並輕輕揮一次手，最後把手放回膝上，恢復安靜坐姿。
整段只有一位角色，背景保持穩定，動作平緩。
輕微室內環境聲，無對白、無背景音樂、無字幕。先生成無對白版本，能比較容易看出畫面本身的問題。
等角色穩定後，再加一句短台詞，並參照官方提示詞指南 處理說話者、台詞與發聲時機。不要在第一輪同時要求換裝、走路、坐下、唱歌與密集字幕，否則很難判斷是哪一項條件讓結果失控。
若需要字幕，建議在影片確認後再用剪輯軟體加入，把字幕直接交給影片模型生成，仍可能出現字形錯誤或時間不準，後製文字也比較容易修改。
第四步：確認加速 LoRA 真的有進入生成路徑
下載加速 LoRA，只完成了準備工作。還要確認載入節點選到正確檔案、節點沒有被略過，並且輸出確實接到後面的模型與採樣流程。若節點被停用或旁路，硬碟裡有那個檔案也不會自動產生加速效果。
H3 的工作流與任務模式有對應關係，加速設定也有自己的採樣配置。
先依官方原生工作流文件 保留一整套相容設定，不要只因為想更快，就把不同任務的 LoRA、步數與模型任意混搭。加速後仍需重新檢查動作與聲音品質。
第五步：輸出影片，再用 Lively 設成動態桌布
生成完成後，先用一般播放器打開輸出的影片，檢查人物是否變形、背景有沒有漂移、聲音是否正常，以及片尾接回片頭時會不會突然跳動，如果首尾差異很大，可以縮短片段、重新安排動作，或在剪輯時做適度轉場。
Windows 使用者可以用免費開放原始碼的 Lively Wallpaper 播放影片桌布。
從官方專案提供的管道安裝後，開啟 Lively，把輸出的 MP4 拖進程式建立桌布，再套用到指定螢幕。多螢幕配置可依官方入門說明 調整。這是把成品落地到桌面的補充做法。
套用後，Windows 的圖示仍由作業系統顯示，影片只負責背景。
若桌布會反覆播放台詞，日常使用可能很干擾，建議先保留安靜版本，需要展示時再切換有聲版本。
跑不動、沒有聲音、下載要付費，怎麼判斷？
記憶體不足與藍畫面要分開處理
顯示記憶體不足時，先縮短影片、降低預覽解析度，並把批次數維持在 1。再確認是否載入了比預期更大的模型，以及系統記憶體是否也接近用滿。相同顯卡在不同模型格式、卸載策略與工作流下，結果可能差很多。
若整台電腦出現藍畫面，單憑這個現象無法判定就是顯示記憶體不足。先記錄錯誤代碼與當時設定，再檢查驅動、記憶體及系統穩定性。沒有完成實測之前，不應把某張 8GB 或 16GB 顯卡寫成一定可跑、一定不會當機的保證。
影片有畫面，卻沒有預期的聲音
先確認提示詞本來是否要求聲音，再檢查音訊 VAE、音訊相關節點及輸出是否接好。也要用播放器確認檔案音軌與靜音設定。最後才檢查桌布程式的音量，避免把生成端與播放端的問題混在一起。
先完成一段能穩定播放的短片
第一個里程碑可以很小：一張乾淨的場景圖、一個簡單動作、一段能順利輸出的影片。把它設成桌布後，再回頭調整畫質、循環接點與聲音。這樣每次只增加一個變因，比一開始追求長篇對話、換裝與高解析度更容易找到問題。
常見問題
桌面 AI 女友可以直接聽懂我說話嗎？
本文做法是播放預先生成的影片，不能即時接話。真正的語音互動還需要語音辨識、語言模型、語音合成與嘴型同步等元件。
MiniMax H3 可以用標準工作流一次生成 30 秒嗎？
官方模型卡標示的生成時長是 4～15 秒。30 秒成品可拆成多段再剪輯，額外的延伸工作流則要另外核對，不能視為標準模板的保證。
有 16GB 顯示記憶體就一定能跑嗎？
不能只憑顯示記憶體容量保證。模型格式、影片長度、解析度、系統記憶體與卸載方式都會影響結果，應先用短片及較低的預覽設定測試。
做好影片後，怎麼放到 Windows 桌面？
可以把輸出的 MP4 加入 Lively Wallpaper，再套用到指定螢幕。套用前先檢查首尾循環與音量，並避免把桌面圖示烙進影片背景。
by Rain Chu 8 月 6, 2026 | AI , 影片製作 , 繪圖
MiniMax H3 把文字、圖片、影片和音訊放進同一套生成系統，可以一次產生含有人聲、環境音與音樂的影片，它不只支援文生影片和圖生影片，也能指定首尾幀，或用多張圖片、參考影片與聲音控制角色、運鏡和音色。對本地 AI 影片工作流來說，這比單純追求畫質更重要。
先講結論。MiniMax H3 已經提供可下載權重，也有 ComfyUI 原生模板，但它不是一個只需要 8GB 的小模型。官方精簡量化工作流的主要檔案合計約 39.55GiB。8GB 顯存要依靠模型卸載、系統記憶體和虛擬記憶體，生成速度與穩定度都會受到影響。
MiniMax H3 是什麼
MiniMax H3 是通用型全模態生成系統。它可以理解由文字、圖片、影片和音訊組成的上下文，再共同預測影片與立體聲音訊，官方規格支援 4 到 15 秒、24 FPS、最高 2K 的輸出，並能處理中文、英文、日文、韓文等 11 種較穩定的對話語言。
項目 官方規格 實際意義 輸入 文字、圖片、影片、音訊 可混合角色、場景、動作、運鏡與聲音參考 輸出長度 4 到 15 秒 適合廣告鏡頭、短片段與分鏡 幀率 24 FPS 以電影常用幀率直接產生 本地基礎解析度 短邊 768px 16 比 9 約為 1344 乘 768 2K 透過 H3-Regenerate-2K 目前需要官方服務，完整模組尚未釋出 音訊 32kHz 立體聲 人聲、音效與音樂和畫面共同生成
Reference-to-Video 模式最多可接 9 張圖片、3 段參考影片與 3 段音訊。每段影片或音訊需要介於 2 到 15 秒，所有參考影片的總長度不超過 15 秒，混合輸入最多 12 個檔案。音訊不能單獨作為唯一參考，必須搭配圖片或影片。
Open weights 不等於完整開源
MiniMax H3 比較準確的稱呼是「開放權重」，完整系統由 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 組成，目前可在本地執行的是 H3-Base。負責理解複雜多模態素材的 H3-Context-IR，以及把 768p 重新生成為 2K 的 H3-Regenerate-2K 都尚未釋出，只能透過官方 API 使用。
官方也說明，初始版本只提供 full attention 推理，用來降低長序列運算量的 sparse attention 會在後續更新，因此，本地工作流和官方線上 2K 成果不一定完全相同，提示詞越簡略，缺少 Context-IR 的差異越明顯。
H3 的架構為什麼這麼大
H3-Omni-Transformer 是 33B dense 單流 Transformer，其中約 13B 參數位於 AdaLN 相關分支，推理時可以預先計算並快取這些 AdaLN 調制結果，所以 ComfyUI 提供 pruned 版本，把不需要每次載入的權重移除，這就是 pruned INT8 主模型能從完整 BF16 的 61.73GiB 降到約 19.53GiB 的原因。
文字和多模態條件則由 Qwen3-VL 32B 編碼器處理。最後還要載入影片 VAE 與音訊 VAE。因此，H3 不是只下載一個 safetensors 就能運作，而是一組彼此配合的模型元件。
官方精簡量化工作流的四個主要檔案合計約 39.55GiB。檔案可以在運作時分批卸載，但磁碟與系統記憶體仍要保留足夠空間。 元件 建議量化檔 大小 放置目錄 H3 FL2VA 主模型 pruned INT8 ConvRot 19.53GiB models/diffusion_models Qwen3-VL 編碼器 NVFP4 AWQ 14.61GiB models/text_encoders 影片 VAE FP16 4.85GiB models/vae 音訊 VAE FP32 0.56GiB models/vae
如果要使用多參考素材的 R2V 模式，主模型要改成 ref2va 版本，FL2VA 適合文生影片、圖生影片與首尾幀，Ref2VA 才是用角色、動作、運鏡和聲音參考生成新片段的版本，兩套主模型不能混用。
Arena 成績怎麼看
2026 年 8 月初的 Arena 快照中，MiniMax H3 在圖生影片約為 1476 分，在文生影片約為 1455 分，圖生影片和 Seedance 2.0 的差距只有約 2 分，文生影片也進入前段班，由於 Arena 會持續加入新模型與新投票，排名與分數會變動，這組數字只能當作發表初期的參考。
實際價值不只在單張畫面。武俠對話、角色特寫、太空飛行、動態 MV 與商品廣告等案例，最明顯的提升是鏡頭、口型、音效和場景能放在同一條時間軸裡。這和先產生無聲畫面，再交給另一個模型補音效的流程不同。想比較其他本地影片工具，可以延伸閱讀 OpenMontage 本地 AI 影片工作流 。
用 ComfyUI Desktop 安裝 MiniMax H3
最簡單的方法是安裝最新版 ComfyUI Desktop 。官方要求 ComfyUI 0.30.0 或更新版本，啟動後進入 Template Library，選擇 Video，再搜尋 MiniMax H3。可以先從 T2V 或 I2V 模板開始，缺少的官方模型會顯示下載提示。
更新 ComfyUI 到 0.30.0 或更新版本
開啟 Template Library
進入 Video 類別並選擇 MiniMax H3 T2V、I2V 或 R2V
依模板提示下載模型
先將 duration 設為 4 到 6 秒
將 megapixels 設為 0.2 到 0.4 進行預覽
確認人物、動作和聲音正確後，再提高解析度與長度
完整檔案結構如下。實際安裝根目錄會因 Windows、macOS、Linux 和 Desktop 版本而不同，建議從 ComfyUI 選單開啟模型目錄，不要直接照抄別人的 AppData 絕對路徑。
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│ ├── text_encoders/
│ │ └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│ └── vae/
│ ├── minimax_h3_video_vae_fp16.safetensors
│ └── minimax_h3_audio_vae_fp32.safetensors
└── custom_nodes/如果你已經在使用 ComfyUI，可以參考 Krea2 的 ComfyUI 多圖工作流 理解模型目錄與節點連線，想把工作流放到雲端管理，也可以看 RunningHub 與 ComfyUI 工作流平台 。
8GB 顯存真的能跑嗎
有機會啟動，不代表適合長時間使用，8GB 顯存需要把大量權重卸載到系統記憶體，Windows 可能還會進一步使用虛擬記憶體。這會讓 GPU 在運算與資料搬移之間等待，也會增加 SSD 讀寫。解析度、影片長度、參考素材數量和 VAE 解碼都可能造成記憶體尖峰。
8GB 顯存 ：從 0.2MP、4 秒和單一參考圖開始，準備充足系統記憶體與 NVMe 空間12GB 顯存 ：較適合 480p 附近的短片預覽，仍需模型卸載16GB 顯存 ：可以嘗試 0.2MP 到 0.4MP，再用影片放大工具處理24GB 以上 ：工作流更實用，但完整 768p 與多參考素材仍要監看記憶體
比較務實的做法是先用 864 乘 480 或更低解析度確認運鏡和角色一致性，再進行高解析重繪或 2K 放大，Sage Attention 也能改善速度，ComfyUI 官方文件表示，在相容硬體與正確 CUDA 環境下，速度可能接近兩倍，但部分層仍會回退到標準 attention。
Qwen3-VL Ultra Heretic H3 不是影片主模型
使用者提供的 Qwen3-VL-32B Ultra Heretic H3 ComfyUI 是 H3 的條件編碼器與提示詞 generation tail，不是 MiniMax H3 的影片生成主模型。它建立在經過 Heretic 修改的 Qwen3-VL 32B 上，主要作用是減少拒答，並在 ComfyUI 裡產生或強化 H3 提示詞。
檔案 用途 大小 Heretic BF16 encoder Qwen3-VL 第 0 到 49 層與完整 vision tower 47.97GiB Heretic INT8 ConvRot encoder 較省記憶體的條件編碼器 24.55GiB INT8 generation tail 第 50 到 63 層、final norm 與 LM head 7.09GiB
只想使用官方 H3，不需要下載這套 Heretic 檔案。要使用提示詞增強器，通常下載 INT8 encoder 與相符的 generation tail，兩個檔案都放到下面的目錄。
ComfyUI/models/text_encoders/H3/如果還想把這組 encoder 與 tail 當成獨立的本地 Qwen3-VL 文字或視覺模型，需要額外安裝 TextGen 節點。
cd ComfyUI/custom_nodes
git clone https://github.com/ethanfel/ComfyUI-H3-Qwen3VL-TextGen.git
cd ComfyUI-H3-Qwen3VL-TextGen
pip install -r requirements.txt 重新啟動 ComfyUI 後，使用 H3 Qwen VL Generation Tail Loader 和 H3 Qwen VL Generate Text 節點。如果出現 Missing Node Packs，先確認 ComfyUI 已更新，再確認自訂節點資料夾沒有多包一層 ZIP 目錄，最後使用 ComfyUI 自己的 Python 環境安裝 requirements。
Heretic 與解除限制模型的風險
Heretic 類模型會修改拒答行為，但不保證完全移除安全限制，也不保證品質不受影響，模型卡的測試是在 RTX 5090 32GB、特定 ComfyUI commit、PyTorch 2.8 與 CUDA 12.8 環境完成。不同顯示卡與套件版本可能出現完全不同的結果。
把拒答變少不代表產出的內容合法。人物肖像、聲音複製、品牌素材、成人內容和受版權保護的角色都有額外風險。建立公開或商業服務時，應保留內容審查、權限控制與人工確認，不要把解除限制當成跳過責任的工具。
MiniMax H3 提示詞怎麼寫
H3 的提示詞不是堆疊形容詞，而是建立一條可播放的時間軸，先交代整體風格與初始構圖，再依時間描述鏡頭、動作、對話、環境音與配樂，官方建議至少保留三個欄位。
integrated_multimodal_description:
[Shot 1] 真人電影風格，中景。雨夜的老街上，一名穿深色風衣的女子站在霓虹招牌下。攝影機以緩慢的小幅度向前推進。她抬頭看向街口，雨水沿著臉頰滑下。
[Shot 2] At 00:04.000, the camera cuts to a close-up。女子壓低聲音說：＜d＞[Chinese] 他終於來了。＜/d＞ 遠方車燈穿過雨霧，她握緊手中的信封。
overall_soundscape:
持續的雨聲、遠方車流、鞋底踩過積水的聲音。對話清楚，口型與發聲時間同步。
non_diegetic_music:
低沉的大提琴與稀疏鋼琴，緩慢節奏，在第二個鏡頭逐漸提高張力。 第一個鏡頭不需要時間標記。
第二個鏡頭開始使用明確時間，例如 00:04.000。
運鏡最好同時寫出類型、幅度與速度，例如 slow small-amplitude push in。
對話放在 d 標籤裡，並保留語言標記。
環境中真正存在的聲音放在 overall_soundscape，只有觀眾能聽見的配樂放在 non_diegetic_music。
圖生影片要先固定首幀中的人物、服裝、構圖、色彩和空間關係，再描述後續動作。首尾幀模式則要把中間變化寫清楚，不要只寫「從第一張變成第二張」。多參考模式要為每個素材分工，例如 Picture 1 負責人物外觀，Video 1 負責運鏡，Audio 1 負責音色。這類結構化提示詞也可以搭配 Codex 動態圖表與短影片工作流 自動產生。
授權限制一定要先看
MiniMax H3 主模型不是 Apache 2.0，而是 MiniMax H3 Community License，授權適用範圍排除歐盟、英國、韓國與美國，在這些地區部署需要另外聯絡 MiniMax 取得授權，商業產品年營收超過 2,000 萬美元，也需要事先取得書面授權。
商業產品介面還必須清楚顯示 MiniMax H3。授權也禁止用 H3 或其輸出改善其他非 H3 衍生模型。正式上線前應閱讀最新授權全文並取得法律意見，Qwen3-VL encoder 採 Apache 2.0，不代表整套 H3 工作流會自動變成 Apache 2.0。
我的判斷
MiniMax H3 的真正突破不是某一張畫面更漂亮，而是把角色、場景、鏡頭、對話、音效和音樂放進同一個生成過程，這讓本地 AI 影片從「抽一次卡看看」往可規劃的內容製作靠近。
它仍然是一套非常吃資源的系統。8GB 顯存只是能否啟動的最低挑戰，不是舒適規格，想先體驗的人，應從官方 ComfyUI 模板、4 秒、0.2MP 和單一參考圖開始。確認工作流有價值後，再投資記憶體、儲存空間與高解析度後製，Heretic 版本則只適合明白模型用途、授權與安全風險的人使用。
參考資料
FAQ
MiniMax H3 可以用 8GB 顯存執行嗎？
可以嘗試量化模型與 CPU offload，但要準備足夠的系統記憶體、虛擬記憶體和 NVMe 空間。建議從 0.2MP、4 秒短片開始，8GB 並不是官方保證的舒適規格。
MiniMax H3 本地可以直接產生 2K 嗎？
目前完整的 H3-Regenerate-2K 尚未開放。本地 H3-Base 主要輸出短邊 768px，官方 2K 品質仍需要搭配 API，或使用第三方放大與重繪工具。
Qwen3-VL Ultra Heretic H3 是 MiniMax H3 主模型嗎？
不是。它是 H3 使用的 Qwen3-VL 條件編碼器與 generation tail，負責提示詞理解和生成。真正產生影片的是 FL2VA 或 Ref2VA diffusion model。
MiniMax H3 可以商用嗎？
可以在授權適用地區依社群授權使用，但歐盟、英國、韓國與美國被排除。年營收超過 2,000 萬美元的商業產品需要事先取得書面授權，產品介面也要顯示 MiniMax H3。
ComfyUI 顯示 Missing Node Packs 怎麼辦？
先更新 ComfyUI，再確認自訂節點放在 custom_nodes 的第一層，並用 ComfyUI 自己的 Python 安裝 requirements。重新啟動後仍缺節點，再依節點名稱安裝對應的 node pack。
近期留言