2026年8月3日，MiniMax正式开源了H3——一款33B参数的视频生成大模型。这个模型有几个让开源社区兴奋的点：最长15秒768p视频、原生32kHz立体声（开源视频模型中唯一支持音频的）、支持6种画面比例、可以接受15种多模态参考输入（图片+视频+音频混合）。
最关键的是：最低8GB显存就能跑起来。这意味着一张RTX 3060就能在自己的电脑上生成带音效的AI视频，不需要任何API费用。
这篇教程手把手带你从零部署MiniMax H3，跑通第一个视频。我提供两条路线：Windows用户用ComfyUI（最简单），Linux/开发者用DiffSynth-Studio（最灵活）。
一、硬件配置要求：先看看你的电脑够不够格
| 配置等级 | GPU | 显存 | 系统内存 | 硬盘空间 | 量化方案 |
|---|---|---|---|---|---|
| 入门（能跑） | RTX 3060/4060 | 8-12GB | ≥32GB | ≥50GB SSD | INT4/NF4 |
| 推荐（流畅） | RTX 3090/4090 | 24GB | ≥64GB | ≥80GB SSD | INT8 |
| 专业（生产） | A100/H100 | 80GB | ≥128GB | ≥100GB NVMe | FP16/BF16 |
| Apple Silicon | M4 Max/M3 Ultra | 64-192GB统一内存 | — | ≥100GB SSD | MLX量化 |
几个关键注意点：
- 系统内存很重要：模型加载时需要先在内存中解包，8GB显存方案至少需要32GB系统内存，推荐64GB
- SSD是必须的：模型权重文件约20-40GB（取决于量化精度），机械硬盘的读取速度会导致加载时间过长
- RTX 50系列独占NVFP4：NVIDIA Blackwell架构的RTX 5090/5080支持NVFP4量化（DiT部分仅需12.5GB显存），是当前消费级显卡中性价比最高的方案
- 操作系统：Windows 10/11（推荐ComfyUI路线）、Ubuntu 22.04+（推荐DiffSynth路线）、macOS（M系列芯片走MLX路线）
二、路线A：Windows用户——ComfyUI一键部署（最简单）
如果你用Windows且不想折腾命令行，ComfyUI是最简单的路线。整个过程大约30分钟。
第一步：下载ComfyUI便携版
访问ComfyUI官网下载最新便携版（Portable版），解压到你想要的目录，比如 D:\ComfyUI。
下载地址：https://github.com/comfyanonymous/ComfyUI/releases
选择：ComfyUI_windows_portable_nvidia.7z
解压后目录结构：
D:\ComfyUI\
├── ComfyUI\
├── python_embeded\
├── run_nvidia_gpu.bat
└── ...第二步：下载MiniMax H3量化模型
ComfyUI官方已经提供了预量化好的H3模型，直接下载即可：
模型仓库：https://huggingface.co/Comfy-Org/MiniMax-H3
需要下载的文件：
1. MiniMax-H3-INT8.safetensors （约20GB，推荐24GB显存用户）
2. MiniMax-H3-NF4.safetensors （约12GB，8-12GB显存用户）
放置路径：
D:\ComfyUI\ComfyUI\models\diffusion_models\国内用户下载加速：如果HuggingFace访问不畅，可以从ModelScope镜像下载：
ModelScope镜像：https://modelscope.cn/models/DiffSynth-Studio/MiniMax-H3-NF4第三步：下载辅助模型文件
H3需要几个辅助模型才能正常运行：
1. 文本编码器（CLIP）：
放到 D:\ComfyUI\ComfyUI\models\text_encoders\
2. VAE模型：
放到 D:\ComfyUI\ComfyUI\models\vae\
3. 音频VAE模型（用于生成声音，必须用fp32精度）：
放到 D:\ComfyUI\ComfyUI\models\vae\
具体文件名和下载链接见ComfyUI的MiniMax-H3 workflow说明页。第四步：导入工作流并运行
启动ComfyUI后，导入H3专用工作流：
1. 双击 run_nvidia_gpu.bat 启动ComfyUI
2. 浏览器打开 http://127.0.0.1:8188
3. 点击菜单 Load → 选择H3工作流JSON文件
（可从 ComfyUI 示例页面或社区获取）
4. 在文本框输入你的prompt
5. 点击 "Queue Prompt" 开始生成如果一切正常，你会在右侧看到视频逐帧生成的进度。第一次生成可能需要3-10分钟（取决于显卡和分辨率），后续会更快。
三、路线B：Linux/开发者——DiffSynth-Studio部署（最灵活）
如果你是开发者或者用Linux，DiffSynth-Studio提供了最灵活的部署方式，可以精确控制每个参数。
第一步：环境准备
# 创建conda环境（推荐Python 3.10+）
conda create -n minimax-h3 python=3.10 -y
conda activate minimax-h3
# 安装PyTorch（根据你的CUDA版本选择）
# CUDA 12.1：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
# CUDA 12.4：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124第二步：安装DiffSynth-Studio
# 克隆仓库
git clone https://github.com/modelscope/DiffSynth-Studio.git
cd DiffSynth-Studio
# 安装依赖
pip install -e .
# 安装额外依赖
pip install diffusers transformers accelerate sentencepiece protobuf第三步：下载模型权重
# 方式一：从HuggingFace下载（完整FP16模型，约65GB）
git lfs install
git clone https://huggingface.co/MiniMaxAI/MiniMax-H3
# 方式二：从ModelScope下载（国内更快）
pip install modelscope
modelscope download --model MiniMax/MiniMax-H3
# 方式三：下载NF4量化版（约12GB，适合8-12GB显存）
modelscope download --model DiffSynth-Studio/MiniMax-H3-NF4第四步：编写推理脚本
import torch
from diffsynth import MiniMaxH3Pipeline
# 加载pipeline（根据你的模型路径调整）
pipe = MiniMaxH3Pipeline.from_pretrained(
"MiniMax-H3", # 模型路径
torch_dtype=torch.float16, # FP16推理
device="cuda"
)
# NF4量化用户加载方式：
# pipe = MiniMaxH3Pipeline.from_pretrained(
# "MiniMax-H3-NF4",
# torch_dtype=torch.float16,
# quantization="nf4",
# device="cuda"
# )
# 生成视频
prompt = "A golden retriever running on a beach at sunset, waves gently crashing in the background, cinematic lighting"
video = pipe(
prompt=prompt,
num_frames=73, # 必须是17k+5的格式（73,90,107...）
height=768,
width=1280, # 16:9比例
num_inference_steps=50, # 推理步数，越多越精细
guidance_scale=7.5, # 提示词引导强度
enable_audio=True, # 开启音频生成
)
# 保存输出
video.save("output.mp4")
print("视频已保存到 output.mp4")第五步：运行
python generate.py如果一切顺利，你将在当前目录下看到一个 output.mp4 文件——一段带立体声的AI生成视频。
四、关键参数详解：帧数、分辨率、步数
MiniMax H3有几个参数规则和其他模型不太一样，搞错了会直接报错：
帧数规则：必须遵循 17k+5 公式
H3的帧数不是随意设置的，必须符合 17k + 5 的公式：
| 帧数 | 时长（24fps） | 说明 |
|---|---|---|
| 22 | 约0.9秒 | k=1，最短可用 |
| 73 | 约3秒 | k=4，推荐入门测试 |
| 90 | 约3.75秒 | k=5 |
| 107 | 约4.5秒 | k=6 |
| 124 | 约5.2秒 | k=7 |
| 175 | 约7.3秒 | k=10 |
| 260 | 约10.8秒 | k=15，接近上限 |
如果设置了不符合公式的帧数（比如100帧），模型会报错或输出异常。入门测试建议用73帧，生成速度快且效果足够验证。
分辨率与画面比例
| 比例 | 分辨率 | 适用场景 |
|---|---|---|
| 16:9 | 1280×720 | 横屏视频/YouTube |
| 9:16 | 720×1280 | 竖屏/抖音/TikTok |
| 1:1 | 768×768 | 社交媒体方形 |
| 4:3 | 1024×768 | 传统横屏 |
| 3:4 | 768×1024 | 竖屏海报 |
| 21:9 | 1536×640 | 电影宽银幕 |
推理步数与引导强度
- num_inference_steps：推荐30-50步。30步速度快但细节略粗糙，50步质量最佳，超过50步提升不明显但时间翻倍
- guidance_scale：推荐5-9之间。太低（<3）视频内容会偏离prompt，太高（>12）会出现过饱和和伪影
五、性能参考：不同显卡要等多久？
以73帧、768p、50步为例，不同显卡的大致生成时间：
| 显卡 | 量化方案 | 生成时间 | 峰值显存占用 |
|---|---|---|---|
| RTX 3060 12GB | NF4 | 约8-12分钟 | 约11GB |
| RTX 4060 8GB | NF4 | 约10-15分钟 | 约7.5GB |
| RTX 3090 24GB | INT8 | 约4-6分钟 | 约20GB |
| RTX 4090 24GB | INT8 | 约3-4分钟 | 约20GB |
| RTX 5090 32GB | NVFP4 | 约2-3分钟 | 约12.5GB |
| A100 80GB | FP16 | 约1.5-2分钟 | 约65GB |
注意：首次生成时需要额外的模型加载时间（1-3分钟），后续生成不需要重复加载。
六、常见问题与解决方案
问题一：CUDA Out of Memory（显存不足）
这是最常见的问题。解决方案按优先级排列：
- 换用更激进的量化方案（FP16→INT8→NF4）
- 降低分辨率（从1280×720降到768×768）
- 减少帧数（从90帧降到73帧或22帧）
- 关闭音频生成（
enable_audio=False）可以节省约2GB显存 - 使用
torch.cuda.empty_cache()释放显存缓存
问题二：音频和视频不同步
解决方案：音频VAE必须以fp32精度加载。不要用fp16加载音频VAE，否则会导致音频时间轴偏移。在DiffSynth中，代码会自动处理这一点；在ComfyUI中确保使用最新版的工作流模板。
问题三：模型下载太慢
国内用户建议从ModelScope下载，速度通常比HuggingFace快5-10倍。也可以用 huggingface-cli 的多线程下载功能：
# 安装huggingface_hub
pip install huggingface_hub
# 多线程下载
huggingface-cli download MiniMaxAI/MiniMax-H3 --resume-download --repo-type model问题四：生成的视频质量不理想
- 增加
num_inference_steps到50步 - 使用更详细的英文prompt（H3对英文prompt的理解显著优于中文）
- 尝试不同的
guidance_scale（推荐从7.5开始微调） - 如果使用NF4量化，效果不如FP16是正常的——量化本身会带来质量损失
七、进阶玩法
图片参考输入
H3支持传入最多9张参考图片，让生成的视频保持角色或风格的一致性：
video = pipe(
prompt="A character walking through a futuristic city",
reference_images=["character_front.png", "character_side.png"],
num_frames=73,
height=768,
width=1280,
num_inference_steps=50,
enable_audio=True,
)搭建API服务
如果你想把H3部署成一个API服务供团队使用，可以用SGLang搭建OpenAI兼容的API：
# 安装SGLang
pip install sglang[all]
# 启动API服务
python -m sglang.launch_server \
--model-path MiniMaxAI/MiniMax-H3 \
--tp 4 \ # 多卡并行（根据GPU数量调整）
--port 8000 \
--trust-remote-code
# 调用方式与OpenAI API兼容
curl http://localhost:8000/v1/video/generations \
-H "Content-Type: application/json" \
-d '{"prompt": "A cat playing piano", "num_frames": 73}'Apple Silicon用户
如果你用M4 Max或M3 Ultra的Mac，社区已经有了MLX移植版本：
git clone https://github.com/appautomaton/mlx-h3.git
cd mlx-h3
pip install -r requirements.txt
python generate.py --prompt "Your prompt here" --frames 73八、模型许可证须知
MiniMax H3使用的是自定义社区许可证，不是Apache 2.0或MIT。主要条款：
- 个人研究和非商业用途：完全免费
- 商业用途：需要单独申请商业授权
- 生成内容的所有权：归使用者所有
- 禁止用于深度伪造、虚假信息生成等违法用途
如果你打算将H3用于商业项目，务必先阅读完整的许可证文本并联系MiniMax获取商业授权。
结语
MiniMax H3是目前开源视频生成模型中功能最全面的一个——不仅画质能打，还是唯一一个原生支持音频的。33B参数的规模意味着它的能力上限很高，而NF4量化让它可以在消费级显卡上运行。
如果你有一张RTX 3060或以上的显卡，花30分钟按这篇教程跑一遍，你就能在自己电脑上生成带音效的AI视频。这在一年前，是需要花几千块API费才能做到的事情。
如果你对AI视频生成感兴趣，也推荐阅读：
