このComfyUIワークフローは、テキストプロンプト1つからMiniMax H3（オムニモーダル生成モデル）でステレオ音声付き短尺動画を生成します。中心となるH3ノード（4c314f31-ecda-4b08-ae98-faaba1bf613f）が、映像・ナレーション・効果音・音楽を1回の処理で同時合成します。ResolutionSelectorで32の倍数の安定した解像度を選び、SaveVideoで音声埋め込み済みの動画を出力。キャンバス上のMarkdownNoteでヒントやモデルリンクを確認できます。標準出力は約15秒・24fps・最大2K解像度。ファイル入力不要で、素早いコンセプト可視化や音声同期ストーリーテリングに最適です。

内部ではMiniMaxのペアVAEで両モダリティをデコード：動画用VAE（minimax_h3_video_vae_fp16.safetensors）と音声用VAE（minimax_h3_audio_vae_fp32.safetensors）。H3ノードの統合出力をそのままSaveVideoに渡すことで、手動ミックス不要で同期済みのMP4（または指定コンテナ）を得られます。画像と音声を同時生成するため、プロンプトの記述が両方に影響します。シーン・ペーシング・音声キュー（例：「柔らかなピアノ」「暖炉のパチパチ音」「ナレーター：…」）を記述することで、1回の生成でタイミングや雰囲気を調整できます。