MiniMax H3: Текст в видео
Сгенерируйте видео со встроенным стереозвуком напрямую из текстового запроса с помощью MiniMax H3 — омнимодальной модели, которая за один проход синтезирует голос, звуковые эффекты и музыку. Результат — до 2K, 24fps и примерно 15 секунд, без входных файлов: только запрос и один выходной видеоролик. Подходит для быстрой визуализации идей, создания контента для соцсетей и сторителлинга с синхронизацией по аудио.
Попробовать пример
Об этом рабочем процессе
Этот туториал Рабочий процесс ComfyUI превращает один текстовый промпт в готовое видео с нативным стерео-аудио, используя MiniMax H3 — омнимодальную модель, которая за один проход синтезирует визуал, голос, звуковые эффекты и музыку. Не нужно управлять входными файлами — просто опишите, что требуется, и граф вернёт клип примерно на 15 секунд при 24 fps, вплоть до 2K Разрешение, со встроенным стереозвуком.
Внутри MiniMax H3 subgraph (нода 79dd8a95-ce9d-4c14-b264-2162e8bec5ce) выполняет генерацию и декодирование. Он использует MiniMax H3 video и audio VAE (minimax_h3_video_vae_fp16.safetensors и minimax_h3_audio_vae_fp32.safetensors), чтобы восстановить кадры и стерео-аудио из латентных представлений модели. ResolutionSelector сопоставляет удобные пресеты с корректными размерами, кратными 32 (например, 960×544, 1152×640, 1216×672), а SaveVideo мультиплексирует кадры и стерео-аудиопоток в один MP4. MarkdownNote на холсте содержит быстрые советы и примеры промптов. В итоге получается компактный пайплайн «только промпт», удобный для быстрого концепт-визуала, постов в соцсети и сторителлинга с синхронизацией аудио.
Вопросы и ответы
Добавляйте в промпт явные указания по аудио. Укажите стиль озвучки (пол/тембр/тон/акцент), жанр и настроение музыки (например, «lo-fi, мягкое пианино, без ударных») и ключевые звуковые эффекты («лёгкий ветер, дальний трафик, минимум шагов»). Размещение аудио-подсказок рядом с соответствующими визуальными моментами часто улучшает синхронизацию.
Граф рассчитан примерно на 15 секунд при 24 fps и поддерживает до ~2K Разрешение. Используйте ResolutionSelector, чтобы выбрать корректные размеры 16:9, кратные 32 (например, 608×352, 736×416, 864×480, 960×544, 1056×608, 1152×640, 1216×672, 1280×736). Большие размеры увеличивают время генерации и декодирования.
Этот туториал Рабочий процесс работает только по промпту и выводит нативное стерео-аудио модели. Чтобы заменить аудио на своё, расширьте граф: отключите или игнорируйте сгенерированный аудио-поток и смультиплексируйте внешний WAV/MP3 перед SaveVideo (или замените аудио после экспорта в NLE).
Да. Subgraph ожидает MiniMax H3 VAEs: minimax_h3_video_vae_fp16.safetensors и minimax_h3_audio_vae_fp32.safetensors. Если ComfyUI при первом запуске сообщает об отсутствующих файлах, скачайте их по предоставленным ссылкам и разместите в каталоге models, чтобы нода могла корректно декодировать видео и стерео-аудио.