MiniMax H3: Texto para Vídeo
Gere vídeo com áudio estéreo nativo diretamente de um prompt de texto usando o MiniMax H3, um modelo omni-modal que sintetiza voz, efeitos sonoros e música em uma única passagem. A saída é de até 2K de resolução, 24fps e cerca de 15 segundos de duração, sem necessidade de arquivos de entrada — apenas um prompt para um vídeo de saída. Ideal para visualização rápida de conceitos, criação de conteúdo para redes sociais e storytelling sincronizado com áudio.
Experimente um exemplo
Sobre este fluxo de trabalho
Este workflow tutorial ComfyUI transforma um único prompt de texto em um vídeo finalizado com áudio estéreo nativo usando MiniMax H3, um modelo omni‑modal que sintetiza visuais, voz, efeitos sonoros e música em uma única passada. Não há arquivos de entrada para gerenciar — basta descrever o que você quer e o grafo retorna um clipe de aproximadamente 15 segundos a 24 fps, até 2K de resolução, com som estéreo embutido.
Por baixo dos panos, um subgrafo do MiniMax H3 (nó 79dd8a95-ce9d-4c14-b264-2162e8bec5ce) lida com geração e decodificação. Ele usa os VAEs de vídeo e áudio do MiniMax H3 (minimax_h3_video_vae_fp16.safetensors e minimax_h3_audio_vae_fp32.safetensors) para reconstruir frames e áudio estéreo a partir dos latentes do modelo. O ResolutionSelector mapeia presets convenientes para dimensões válidas em múltiplos de 32 (ex.: 960×544, 1152×640, 1216×672), e o SaveVideo faz o multiplex de frames e do stream de áudio estéreo em um único MP4. Um MarkdownNote no canvas fornece dicas rápidas e exemplos de prompt. O resultado é um pipeline compacto, apenas com prompt, ideal para visualização rápida de conceito, posts sociais e storytelling com áudio sincronizado.
Perguntas e respostas
Inclua orientação de áudio explícita no prompt. Especifique o estilo de narração (gênero/tom/sotaque), gênero e clima da música (ex.: "lo‑fi, piano suave, sem bateria") e efeitos sonoros-chave ("vento leve, trânsito distante, passos mínimos"). Colocar pistas de áudio perto dos beats visuais relevantes costuma melhorar o alinhamento.
O grafo mira ~15 segundos a 24 fps e suporta até ~2K de resolução. Use o ResolutionSelector para escolher tamanhos 16:9 válidos em múltiplos de 32 (ex.: 608×352, 736×416, 864×480, 960×544, 1056×608, 1152×640, 1216×672, 1280×736). Tamanhos maiores aumentam o tempo de geração e decodificação.
Este workflow tutorial é apenas por prompt e gera o áudio estéreo nativo do modelo. Para substituir pelo seu próprio áudio, estenda o grafo: desative ou ignore o stream de áudio gerado e faça mux do seu WAV/MP3 antes do SaveVideo (ou substitua o áudio depois no seu editor/NLE).
Sim, o subgrafo espera os VAEs do MiniMax H3: minimax_h3_video_vae_fp16.safetensors e minimax_h3_audio_vae_fp32.safetensors. Se o ComfyUI reportar arquivos ausentes na primeira execução, baixe-os pelos links fornecidos e coloque-os no seu diretório de modelos para que o nó decodifique corretamente vídeo e áudio estéreo.