MiniMax H3：看懂同步音畫的官方圖生影片流程

這次要找的，是取樣之後的兩條路

第十課讓一張圖動起來。這堂往前走一步：MiniMax H3 在生成過程中一起處理畫面與聲音，再用兩個解碼器取出 IMAGE、AUDIO，交給 CreateVideo 合成影片。 我們要能沿線解釋聲音從哪裡來、為什麼有一個獨立的 audio VAE，以及有 MP4 為何不等於聲音已經做對。

你可以只完成模板導讀，不必下載模型或購買服務。選做生成之前，先通過下面的授權、設備及素材檢查。

本課驗證到哪裡： 下載 JSON 經過來源與靜態連線檢查，沒有匯入 ComfyUI GUI，也沒有 GPU 實跑。四張圖都是本站原創資訊／接線示意，不是軟體截圖或生成結果。文中的「應該看到」是依官方模板及源碼推導的預期，不是本站錄製的操作證據。你實際跑出的檔案與錯誤，請自行記錄。

第 0 步：先決定停在閱讀，還是繼續執行

MiniMax H3 使用自己的 Community License。查核時版本日期為 2026 年 8 月 2 日；請於使用前再讀模型原始 LICENSE及 Comfy 授權問答。

• Community License 的適用地域排除美國、英國、歐盟與韓國；相關地域限制也涉及 outputs 的使用與展示，不能只加上「非商用」就忽略
• 原文商用條款包含年營收超過 2,000 萬美元須另取事前書面授權，以及其他標示、使用限制與 AUP 條件；不能簡化為「本機商用一律付費」或「低於門檻完全無限制」
• 模型授權不替你取得輸入圖片、人物、商標、聲音或音樂的第三方權利。公開分享 AI 內容也要遵守條款中的揭露要求

以上只是閱讀入口，沒有替任何人的地區、業務或發布方式作法律判斷。如果你的情況不符合條款，或尚未確認，停在閱讀與接線辨識，不下載執行、不公開輸出，也不要嘗試繞過限制。

設備方面，本課四個主線模型檔合計約 40.07 GB／37.32 GiB。這是下載檔案量，不是 VRAM 需求。另留軟體、快取及輸出空間；本站沒有最低顯存、耗時或任何 GPU／Mac 可跑保證。官方模型頁對 int8_convrot 的 PyTorch／CUDA 組合另有說明，環境不相符先處理相容性，別直接套用不明加速教學。

第 1 步：拿到兩份 JSON，先不要按 Run

下載第十四課練習包，解壓縮到新資料夾，先保存目前的 ComfyUI 畫布。

• official-minimax-h3-i2v.json：固定版本官方原始模板，保留子工作流、說明及 turbo 分支
• lesson-14-base20.json：本站改寫的18節點、22條線練習版；攤平子圖，移除 turbo、LoRA 與未接主線的浮支線，保留20步同步音畫主線
• observations.csv：A／B 兩列預填 not_run，不要在執行前填成功
• README.txt、LICENSE-Comfy-Org.txt、sources.json：操作及修改說明、完整 MIT 聲明、版本與雜湊

包內沒有模型、官方輸入圖片、官方示範 MP4 或其抽幀圖。工作流的 MIT 授權不代表模型或影片輸出也只有 MIT 限制。

先用 Open 開官方原版，找 MiniMax H3 的子工作流。在其中辨識 Enable Lightning LoRA／turbo_mode：

1. false 時，模型走原底模、步數走 20
2. true 時，模型走附加 turbo LoRA 的分支，T2V／I2V 的外層 turbo_steps 預設 8
3. 讀取真正接到節點的線：內層有殘留的4步、6步 widget 值，但它們被上游連線覆蓋，不能拿來當實際步數

應該看到（來源預期）： 原版是少數外層節點包住大量內層操作；不是少幾個方塊就少幾個模型。原版說明要求 model scan 使用的 LoRA，連同主線約 42.03 GB。若跟本課 base20 練習版，則沒有 LoRA 節點，也不用下載那個約1.96 GB的檔案。

接下來另開 lesson-14-base20.json，以它完成剩餘步驟。不要在原版上憑感覺刪兩條線，就宣稱已移除模型需求。

第 2 步：四檔主線模型，分別負責什麼

只核對以下四個完整檔名。若已有相同來源與檔名的有效檔案，不必重複下載；不要下載整個模型倉庫，也不要混用 ref2va 權重。

檔案與官方檔案頁	ComfyUI/models/ 下的資料夾	精確 bytes
minimax_h3_fl2va_pruned_int8_convrot.safetensors	diffusion_models/	20,970,379,616
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors	text_encoders/	15,687,142,551
minimax_h3_video_vae_int8_convrot.safetensors	vae/	2,811,065,184
minimax_h3_audio_vae_fp32.safetensors	vae/	605,254,808

精確檔案量來自 Hugging Face 的 Git LFS pointer，合計 40,073,842,159 bytes。上文容量摘要採十進位 GB，並另列二進位 GiB，避免把模板註解的單位混在一起。這個四檔集合是 base-only 接線所需，不是實跑後量得的最高記憶體。

模型檔放好後，重新整理模型清單；必要時先保存畫布再重啟 ComfyUI。核對：

1. Load Diffusion Model／UNETLoader 選 fl2va 底模，weight_dtype 保留 default
2. Load CLIP／CLIPLoader 選指定 encoder，type 保留 minimax，device 保留 default
3. 兩個 Load VAE 分開選 video 與 audio，不能交換
4. BasicScheduler 是 simple、steps=20、denoise=1；KSamplerSelect 是 res_multistep

本課不需要 embeddings、ref2va、FastH3、Sage Attention 或 KJNodes。官方概覽提到基礎支援版本，但本課固定JSON的節點metadata記為0.33.0、前端記為1.49.6；這些是來源記錄，不能當你目前軟體的最低相容保證。缺節點時先保存錯誤與版本，查看官方更新說明，別安裝同名陌生套件。

第 3 步：上傳自己的正方形參考圖

準備一張你有權使用、主體清楚、沒有敏感資訊的正方形 PNG／JPG，例如自己拍的桌面物品。先回想第七課的等比例縮放與裁切：長方形圖應先處理成你要的構圖。

1. 在 Load Image 的上傳按鈕選圖；your-reference.png 只是提示用檔名，包內沒有這張圖
2. 如果服務替上傳檔改名，在下拉選單選剛才的檔案
3. 確認 Load Image 的 IMAGE → MiniMaxH3ImageToVideo.first_frame；last_frame 留空
4. ResolutionSelector 保持 1:1、0.4 MP、multiple=32。這組設定的預期畫布是 640×640

應該看到（來源預期）： Load Image 顯示你的原圖，first_frame 有接線。Load Image 的 MASK 沒有連線是正常的，這堂沒有遮罩編輯。

為什麼先用正方形？H3 目前核心會把 first_frame 直接縮放到目標寬高，這條路不是自動等比保留加留白。若拿長方形原圖配正方形畫布，主體可能被拉扁。原版裡另有縮放和 GetImageSize 節點，但它們沒有接進主輸出，不能當成正在修正比例。

若想看官方素材，可自行由官方原始滑鼠圖來源按適用條款取用；本站不重新托管。檔名的 transparent 指滑鼠透明外殼：檔案是1024×1024、RGBA，但 alpha 全255，背景並不透明。圖片也帶有另一套工作流metadata。請用 Load Image 按鈕上傳，不要把PNG拖進畫布恢復它的舊流程。

第 4 步：沿線找到聲音，別把它漏掉

在練習版沿著 SamplerCustomAdvanced 的 output 找兩條線：

1. 一條到 VAEDecode.samples，搭配 video VAE，得到 IMAGE
2. 另一條到 VAEDecodeAudio.samples，搭配 audio VAE，得到 AUDIO
3. IMAGE 接 CreateVideo.images；AUDIO 接 CreateVideo.audio
4. CreateVideo 的 VIDEO → SaveVideo.video

H3 的取樣結果含有影片與聲音 latent。這個核心版本的兩個解碼器各自取相應部分，因此練習版直接分成兩條解碼線。不要另外插入只因名稱看起來相關的音畫拆分節點，也別把 SaveVideo 接到 IMAGE。

應該看到（來源預期）： CreateVideo 的 images 與 audio 都有接線，fps=24。剛載入 JSON 時播放器仍可能沒有結果，必須等流程真的成功執行；不要把空預覽當作已經沒有聲音。

第 5 步：把秒數、影格數和 fps 分開讀

練習版的 PrimitiveFloat=5 是輸入秒數。Math Expression 將它換算成 H3 支援的影格格點，再從 INT 輸出接入 length。

• 5×24=120，但120不在17k+5的格點上
• 對齊後是 124=17×7+5 個影格
• 124÷24≈5.17秒，最後一格索引是123

應該看到（來源預期）： duration 為5，CreateVideo 為24fps，length 由公式接線供應。不要為了「生成快一點」只改播放 fps；那會改時間尺度，不能替代模型效能優化，還可能影響你對音畫時間關係的判斷。

第 6 步：第一輪只生成一段，再做音訊單變因

先讀練習版的原創提示詞：以輸入圖為視覺參考、主體靜止、一段緩慢推近、不切鏡，聲音只要求安靜室內環境，沒有語音或音樂。這種簡單目標比多鏡頭故事容易判斷。

1. 保存一份 A.json，確認 seed=757358688076805、control_after_generate=fixed
2. 確認20步、640×640、duration5、24fps及兩條解碼線不變
3. 只有在授權、設備、圖片均確認後，才按 Run／Queue
4. 遇到錯誤先存訊息。模型、顯存、節點問題都不能用「再按幾次」保證解決
5. 成功取得檔案才在觀察單填 success；保存原圖、實際JSON、MP4及版本資料

應該看到（來源預期）： 成功跑完後 SaveVideo 有可播放結果並寫入輸出位置；音訊是否存在、是否符合要求，仍須下一步檢查。SaveVideo 的格式和codec保留官方 auto，實際副檔名與容器依你的版本輸出確認，不能只因預期MP4就把其他檔案強改副檔名。

選做 B：複製 A，不換圖、不換 seed，只把提示詞最後的音訊句改為：

Audio: quiet indoor room tone with one soft electronic chime near the middle, no speech, no music.

改 SaveVideo 前綴為 lesson14/B-base20 以免混淆，另存 B.json。聽聽是否真的出現提示的聲音、時間是否接近片段中間。聲音與影片共同生成，因此只改音訊文字，也可能改變畫面；固定 seed 不保證畫面完全相同。 這正是觀察項目，不要事先把「只有聲音變了」填成結論。

第 7 步：先確認檔案，再聽，再看全片

依序檢查自己的輸出：

1. 檔案層： 用可顯示媒體資訊的播放器查看尺寸、fps、長度及音訊資訊；若你的工具不提供某項，就填「未檢查」，不要猜
2. 聽感層： 先確認播放器、系統和裝置未靜音，以舒服音量完整聽一次。有沒有聲音、爆音、突然中斷？B要求的聲音是否出現、何時出現？
3. 畫面層： 看主體形狀、背景、鏡頭是否突然切換，再與輸入圖比對。可用第十一課做首中尾抽查，但一定再看全片
4. 比較層： 把A、B的音訊與畫面變化分兩欄寫。失敗、未聽、未檢查都保留，不把空欄當成功

本練習沒有要求人物說話，不需要用嘴形一致性當驗收目標。也不要拿一段有環境聲的影片，就推論模型可在所有語音任務達到同步要求。

官方示範應該怎麼看

到Comfy 官方 MiniMax H3 原生流程頁看 I2V 滑鼠產品展示及 T2V 屋頂追逐示範。本站查核的是官方MP4原始位元組：兩片有124影格、24fps、約5.167秒影片及32kHz雙聲道音訊stream；I2V為640×640，T2V為864×480。

關鍵差異：官方兩片內嵌metadata記錄的是25步、int8文字encoder與fp16影片VAE，不是本課20步、nvfp4 encoder與int8影片VAE的結果。 本站只解碼、查看抽樣影格與音訊stream，沒有聽辨或驗收同步品質；官方示範不能當作本站已跑通這份練習JSON的證據。我們提供官方展示連結，不複製完整影片或其抽幀到本課素材包。

卡住時，先查哪裡

現象	先檢查	先不要做
找不到模型	完整檔名、資料夾、模型清單刷新	下載整個倉庫或任意換精度
base20仍要求LoRA	是否誤開官方原版JSON	只關turbo就認定掃描不會要求
模型有載入但形狀不對	原圖比例及ResolutionSelector	在未接主線的浮節點改尺寸
有影片但沒聲音	CreateVideo.audio連線、audio VAE、播放器靜音及stream資訊	直接斷言模型不支援音訊
5秒變成約5.17秒	124影格／24fps的格點對齊	任意裁音軌掩飾差異
顯存或量化錯誤	完整錯誤、版本及官方模型相容說明	加裝未核對的attention套件

完成標準與來源

只讀導讀的完成標準：能指出4個主線模型、base20分支、兩個decoder、CreateVideo的IMAGE/AUDIO輸入，以及5秒如何變124格。不需有生成結果也能完成這部分。

選做實作的完成標準：保留自己的輸入圖、A（及選做B）JSON、實際輸出、版本與觀察單。資料夾中沒有輸出時，就誠實標 not_run 或 failed；分享前再檢查授權、圖片權利及metadata，並揭露AI生成。

• 固定官方 I2V JSON：本課攤平與刪除分支的來源
• Comfy H3 概覽及模型檔案頁：功能、版本與量化環境說明
• H3核心節點、視覺decoder、音訊decoder、影片節點：本課靜態接線依據

查核日期：2026-10-12（UTC+8）。官方模板會更新；本課下載包固定原版版本，來源不同時不要混看其預設值。