此 ComfyUI 工作流程可將單一文字提示轉換為完整短片，含原生立體聲音訊，採用 MiniMax H3 全模態生成模型。核心生成由 H3 節點（4c314f31-ecda-4b08-ae98-faaba1bf613f）負責，單次運算即可同時合成畫面、語音、音效與音樂。ResolutionSelector 會選擇穩定解碼所需的 32 倍數寬高，SaveVideo 則將最終影片（含音訊）寫入檔案。畫布上的 MarkdownNote 提供快速提示與模型連結。典型輸出約 15 秒、24 fps，最高可達 2K 解析度，適合快速概念視覺化與音訊同步敘事，無需任何檔案輸入。

流程底層會用 MiniMax 配對的 VAE 解碼兩種模態：影片 VAE（minimax_h3_video_vae_fp16.safetensors）負責畫格，音訊 VAE（minimax_h3_audio_vae_fp32.safetensors）負責立體聲。H3 節點的統一輸出直接連到 SaveVideo，即可得到同步的單一 MP4（或其他格式），無需手動混音。由於模型同時生成影像與音訊，提示詞內容會同時引導兩者：你可描述場景、節奏與音效（如「柔和鋼琴音樂」、「壁爐劈啪聲」、「旁白：……」），一次決定時序與氛圍。