MiniMax H3: Texto a Vídeo
Genera video con audio estéreo nativo directamente desde un prompt de texto usando MiniMax H3, un modelo omni-modal que sintetiza voz, efectos de sonido y música en una sola pasada. La salida es de hasta 2K de resolución, 24fps y aproximadamente 15 segundos de duración, sin necesidad de archivos de entrada — solo un prompt para una salida de video. Ideal para visualización rápida de conceptos, creación de contenido para redes sociales y narrativas sincronizadas con audio.
Probar un ejemplo
Acerca de este flujo de trabajo
Este flujo de trabajo tutorial de ComfyUI convierte un único prompt de texto en un video terminado con audio estéreo nativo usando MiniMax H3, un modelo omnimodal que sintetiza imagen, voz, efectos de sonido y música en una sola pasada. No hay archivos de entrada que gestionar: solo describe lo que quieres y el grafo devuelve un clip de aproximadamente 15 segundos a 24 fps, hasta 2K de resolución, con sonido estéreo integrado.
Bajo el capó, un subgrafo de MiniMax H3 (nodo 79dd8a95-ce9d-4c14-b264-2162e8bec5ce) gestiona la generación y la decodificación. Usa los VAEs de video y audio de MiniMax H3 (minimax_h3_video_vae_fp16.safetensors y minimax_h3_audio_vae_fp32.safetensors) para reconstruir fotogramas y audio estéreo a partir de los latentes del modelo. ResolutionSelector asigna presets convenientes a dimensiones válidas en múltiplos de 32 (p. ej., 960×544, 1152×640, 1216×672), y SaveVideo multiplexa los fotogramas y el stream de audio estéreo en un único MP4. Un MarkdownNote en el lienzo incluye consejos rápidos y ejemplos de prompts. El resultado es un pipeline compacto solo con prompt, ideal para visualizar conceptos rápido, publicaciones en redes y narrativa sincronizada con audio.
Preguntas y respuestas
Incluye indicaciones de audio explícitas en tu prompt. Especifica estilo de narración (género/tono/acento), género y mood musical (p. ej., "lo‑fi, piano suave, sin batería") y efectos clave ("viento suave, tráfico lejano, pasos mínimos"). Colocar las pistas de audio cerca de los beats visuales relevantes suele mejorar la alineación.
El grafo apunta a ~15 segundos a 24 fps y soporta hasta ~2K de resolución. Usa ResolutionSelector para elegir tamaños 16:9 válidos en múltiplos de 32 (p. ej., 608×352, 736×416, 864×480, 960×544, 1056×608, 1152×640, 1216×672, 1280×736). Tamaños mayores incrementan el tiempo de generación y decodificación.
Este flujo de trabajo tutorial es solo con prompt y entrega el audio estéreo nativo del modelo. Para reemplazar el audio con tu propia pista, extiende el grafo: desactiva o ignora el stream de audio generado y multiplexa tu WAV/MP3 externo antes de SaveVideo (o reemplaza el audio después en tu NLE).
Sí. El subgrafo espera los VAEs de MiniMax H3: minimax_h3_video_vae_fp16.safetensors y minimax_h3_audio_vae_fp32.safetensors. Si ComfyUI informa archivos faltantes en la primera ejecución, descárgalos desde los enlaces proporcionados y colócalos en tu directorio de modelos para que el nodo pueda decodificar correctamente el video y el audio estéreo.