MiniMax H3 : Texte vers Vidéo
Générez une vidéo avec audio stéréo natif directement à partir d'une invite texte grâce à MiniMax H3, un modèle omni-modal qui synthétise voix, effets sonores et musique en un seul passage. La sortie peut atteindre 2K, 24fps et environ 15 secondes, sans aucun fichier en entrée — juste une invite texte pour une vidéo en sortie. Idéal pour la visualisation rapide de concepts, la création de contenus pour réseaux sociaux et la narration synchronisée à l'audio.
Essayer un exemple
À propos de ce workflow
Ce workflow tutoriel ComfyUI transforme un seul prompt texte en une vidéo finalisée avec audio stéréo natif via MiniMax H3, un modèle omni-modal qui synthétise image, voix, effets sonores et musique en un seul passage. Aucun fichier à gérer : décrivez simplement ce que vous voulez, et le graphe renvoie un clip d’environ 15 secondes à 24 fps, jusqu’à une résolution 2K, avec du son stéréo intégré.
En interne, un sous-graphe MiniMax H3 (nœud 79dd8a95-ce9d-4c14-b264-2162e8bec5ce) gère la génération et le décodage. Il utilise les VAE vidéo et audio de MiniMax H3 (minimax_h3_video_vae_fp16.safetensors et minimax_h3_audio_vae_fp32.safetensors) pour reconstruire les frames et l’audio stéréo à partir des latents du modèle. ResolutionSelector mappe des presets pratiques vers des dimensions valides, en multiples de 32 (p. ex. 960×544, 1152×640, 1216×672), et SaveVideo multiplexe les frames et le flux audio stéréo dans un seul MP4. Une MarkdownNote sur le canvas fournit des conseils rapides et des exemples de prompts. Le résultat est un pipeline compact, en prompt uniquement, idéal pour visualiser rapidement des concepts, publier sur les réseaux sociaux et raconter des histoires synchronisées à l’audio.
Questions-réponses
Incluez des consignes audio explicites dans votre prompt. Précisez le style de narration (genre/ton/accent), le genre musical et l’ambiance (p. ex. "lo‑fi, piano doux, pas de batterie"), et les effets sonores clés ("vent léger, trafic lointain, pas discrets"). Placer les indications audio près des beats visuels concernés améliore souvent l’alignement.
Le graphe cible ~15 secondes à 24 fps et prend en charge jusqu’à ~2K. Utilisez ResolutionSelector pour choisir des tailles 16:9 valides en multiples de 32 (p. ex. 608×352, 736×416, 864×480, 960×544, 1056×608, 1152×640, 1216×672, 1280×736). Les tailles plus grandes augmentent le temps de génération et de décodage.
Ce workflow tutoriel est en prompt uniquement et sort l’audio stéréo natif du modèle. Pour remplacer l’audio par votre propre piste, étendez le graphe : désactivez/ignorez le flux audio généré et multiplexez votre WAV/MP3 externe avant SaveVideo (ou remplacez l’audio après coup dans votre logiciel de montage).
Oui. Le sous-graphe attend les VAE de MiniMax H3 : minimax_h3_video_vae_fp16.safetensors et minimax_h3_audio_vae_fp32.safetensors. Si ComfyUI signale des fichiers manquants au premier lancement, téléchargez-les via les liens fournis et placez-les dans votre dossier models afin que le nœud puisse décoder correctement la vidéo et l’audio stéréo.