一台配了 RTX A6000（48GB 显存）+ 64GB 内存的 Windows 服务器，上一篇聊了文本大模型（Ollama），这篇聊视频生成：本地部署 MiniMax H3，自己出片、不依赖公网 API。本文分四部分：模型调研与竞品对比、部署方式对比、针对 A6000 的选型建议、从零部署步骤 + 示例。
一、MiniMax H3 是什么
MiniMax H3 是 MiniMax 于 2026-07-31 发布的 33B 参数多模态视频生成模型，2026-08-09 在 Hugging Face 开源权重（MiniMaxAI/MiniMax-H3）。核心能力：
| 维度 | 规格 |
|---|---|
| 输入 | 文本 / 图片 / 音频 / 视频（多模态参考） |
| 输出 | 视频 + 原生立体声音频（一次生成同时出） |
| 最高分辨率 | 原生 2K（2560×1440），另有 768P 档 |
| 时长 | 4–15 秒（362 帧 @24fps），可延长至 ~30 秒 |
| 画幅 | 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 |
| 参考素材 | 最多 9 图 + 3 视频 + 3 音频（共 12 个文件） |
| 文本编码器 | Qwen3-VL-32B |
| 开源权重 | 单分区 ~135 GiB（全精度） |
1.1 两个 Base checkpoint
| Checkpoint | 用途 | 说明 |
|---|---|---|
| FL2VA | 文生音视频 / 首尾帧控制 | 主力，Text-to-Video + 首尾帧（First-Last-2-Video-Audio） |
| Ref2VA | 参考图/视频/音频生成 | 角色一致性、动作迁移，最多 9 图 + 3 视频 + 3 音频 |
结论：日常出片用 FL2VA；要「锁角色」（同一角色跨镜头一致）或动作迁移，加 Ref2VA。
二、视频模型调研与竞品对比
2.1 主流视频模型对比（2026）
| 模型 | 最高分辨率 | 时长 | 原生音频 | 开源 | 价格（API） |
|---|---|---|---|---|---|
| MiniMax H3 | 原生 2K | 4–15s（~30s） | ✅ 立体声 | ✅ Base | 768P ~$0.08/s，2K ~$0.13/s |
| Wan 3.0（阿里） | 1080p | 最长 30s | ✅ | ✅ | ~$0.054/s |
| Kling 3.0（快手） | 1080p（Pro 4K） | 3–15s，6 镜头 | ✅ | ❌ | $0.084–0.168/s |
| Veo 3.1（Google） | 4K | 8s/段，拼 60s+ | ✅ | ❌ | $0.05–0.60/s |
2.2 H3 的差异化卖点
H3 不追求绝对最高画质（4K 上 Kling Pro / Veo 更狠），它的卖点是：
-
Omni-Reference 多素材控制：一次喂 9 图 + 3 视频 + 3 音频，角色 / 动作 / 风格全锁。
-
原生音频：视频和立体声音频（对白、音效、音乐）同一次生成出来，不用后期配音。
-
指令式编辑：Artificial Analysis 盲测视频编辑榜第 1（Elo 1130）、带音频文生视频第 2、图生视频第 3。
-
开源可自部署：Base 权重开放，48GB 显存能跑，数据不出内网。
2.3 结论
| 场景 | 选谁 |
|---|---|
| 本地自用、数据不出内网 | MiniMax H3（开源，A6000 能跑） |
| 追求 4K 极致画质、不在乎 API 费用 | Veo 3.1 / Kling 3.0 Pro |
| 长视频（30s+） | Wan 3.0 / Veo 3.1（可拼接） |
| 角色一致性 + 原生音频 | MiniMax H3 Ref2VA |
三、部署方式对比
3.1 主流部署工具对比
| 方式 | 难度 | 硬件门槛 | WebUI | 适合场景 |
|---|---|---|---|---|
| ComfyUI（原生 0.30.0+） | ⭐⭐ 中等 | 16GB 显存起（24GB 舒适） | 节点式，工作流丰富 | 个人自用首选 |
| SGLang（官方基线） | ⭐⭐⭐⭐ 专业 | 8×B200 起步 | API | 数据中心、生产 |
| vLLM-Omni | ⭐⭐⭐ 专业 | 多卡 | API（/v1/videos） |
服务化、多并发 |
| 一键整合包（ComfyUI 后端） | ⭐ 极简 | 8GB 显存起 | 内置 | 新手、低显存 |
| ONNX 版 | ⭐⭐ | 4GB 显存起 | WebUI :7860 | 极致低配 |
3.2 为什么选 ComfyUI
-
原生支持：ComfyUI 0.30.0+ 内置 MiniMax H3 节点，无需第三方插件。
-
工作流灵活：T2V / I2V / 首尾帧 / Ref2VA 都有现成工作流，可自由改参数。
-
显存友好：int8 量化 + 分层 offload，16GB 显存能跑，48GB 显存全量加载无压力。
-
生态成熟：节点生态丰富，方便接 LoRA、ControlNet、超分等。
SGLang / vLLM-Omni 是数据中心方案（8 卡 B200 起步），个人自用没必要；一键整合包省事但灵活度低；ONNX 版适合 4GB 显存的极限场景。
四、A6000 48GB 选型建议
A6000 48GB 显存 + 64GB 内存，是跑 H3 的舒适区：
| 档位 | 显存占用 | 能否全显存加载 | 可跑规格 |
|---|---|---|---|
| pruned int8（推荐） | 模型 ~19.5GB + 编码器 ~15GB + VAE ≈ 37GB | ✅ 全显存，无需 offload | 1344×768 / 15s，甚至尝试 2K |
| 全精度 FP16 | ~135GB | ❌ 需多卡 / offload | — |
建议：
-
推理框架：ComfyUI（portable 版，解压即用）。
-
checkpoint：FL2VA（pruned int8 convrot）为主，Ref2VA 按需加。
-
量化：int8 convrot（显存 / 质量平衡最好）。
-
分辨率：日常 1280×704 或 1344×768，出 2K 需降时长。
-
内存：64GB 够用，offload 仅作备用。
48GB 显存的最大优势：全量加载不 offload，生成速度比 16/24GB 卡 + offload 快很多，且能跑更高分辨率。
五、部署步骤（ComfyUI 方案）
5.1 装 ComfyUI（portable 版）
1
2
3
4
5
6
# 下载 ComfyUI portable（Windows 解压即用）
# 官网 https://comfyui.com 或 GitHub https://github.com/comfyanonymous/ComfyUI
# 解压到 D:\ComfyUI（别放 C 盘，模型文件大）
# 确认 GPU 识别
nvidia-smi
要求 ComfyUI ≥ 0.30.0（原生支持 H3）。portable 版自带 Python 环境，无需单独装。
5.2 下载模型文件
模型来自 Hugging Face Comfy-Org/MiniMax-H3（国内用 ModelScope / hf-mirror 镜像更快）。48GB 显存下载 pruned int8 版：
| 文件 | 放置目录 | 大小 |
|---|---|---|
minimax_h3_fl2va_pruned_int8_convrot.safetensors |
models/diffusion_models/ |
~19.5 GB |
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors |
models/text_encoders/ |
~15 GB |
| 视频 VAE（fp16） | models/vae/ |
几百 MB |
| 音频 VAE（fp32） | models/vae/ |
几百 MB |
minimax_h3_ref2va_pruned_int8_convrot.safetensors（可选） |
models/diffusion_models/ |
~19.5 GB |
1
2
3
4
5
6
# 用 huggingface-cli 下载（国内配镜像）
pip install -U huggingface_hub
set HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download Comfy-Org/MiniMax-H3 `
--include "minimax_h3_fl2va_pruned_int8_convrot.safetensors" `
--local-dir D:\ComfyUI\models\diffusion_models
总下载量 ~35GB（FL2VA）+ 19.5GB（Ref2VA 可选）。磁盘留 60GB+ 空间。
5.3 启动 ComfyUI
1
2
3
4
# 48GB 显存，全量加载，正常启动
D:\ComfyUI\run_nvidia_gpu.bat
# 浏览器打开 http://localhost:8188
48GB 显存无需
--lowvram/--medvram，默认全显存加载即可。若显存吃紧可加--vram-headroom 2。
5.4 加载工作流
ComfyUI 0.30.0+ 内置 H3 工作流模板：
1
Workflow → Browse Templates → Video → 选 MiniMax H3
或拖入现成 JSON：
-
T2V（文生视频）：
MATLOWAI-01_reference_4step_sla.json -
I2V / 首尾帧：
MATLOWAI-04_i2v_fl2v_4step_sla.json -
Ref2VA（参考图锁角色）：
MATLOWAI-05_ref2va_4step_sla.json
六、示例
6.1 文生视频（T2V）
Prompt：
1
2
一只金毛犬在阳光下的草地上奔跑，毛发随风飘动，
镜头跟随，电影感，浅景深，暖色调
参数（A6000 48GB 推荐）：
| 参数 | 值 | 说明 |
|---|---|---|
| 分辨率 | 1280×704 | 32 的倍数，48GB 可上 1344×768 |
| 帧数 | 124（@24fps ≈ 5.2s） | 最长 362 帧（15s） |
| 采样器 | res_multistep |
H3 推荐 |
| 步数 | 25 | 质量 / 速度平衡 |
| CFG | 4.0 | H3 推荐值 |
| 调度器 | simple |
— |
| denoise | 1.0 | 文生视频固定 1.0 |
| SigmaShift | 视频 12.0 / 音频 3.0 | MiniMaxH3SigmaShift 节点 |
| MotionContext | context 22 / audio 24 | MiniMaxH3MotionContext 节点 |
输出：5 秒视频 + 原生立体声音频（环境音）。
6.2 图生视频（I2V）
给一张静态图，让它动起来：
-
工作流选
MATLOWAI-04_i2v_fl2v_4step_sla.json。 -
把图片拖入 Load Image 节点。
-
加一句 prompt 描述运动：「人物缓缓转头，头发飘动」。
-
参数同 T2V（denoise 可降到 0.8–0.9 保持原图风格）。
首尾帧控制：给首帧 + 尾帧两张图，H3 自动补中间过渡，适合做转场。
6.3 参考图锁角色（Ref2VA）
同一角色跨镜头保持一致：
-
工作流选
MATLOWAI-05_ref2va_4step_sla.json。 -
加载 Ref2VA checkpoint（
minimax_h3_ref2va_pruned_int8_convrot.safetensors）。 -
喂角色参考图（最多 9 张）+ 动作参考视频（最多 3 个）。
-
prompt 描述场景，角色外观由参考图锁定。
典型用途：AI 漫剧、虚拟人连续剧、产品广告（同一模特多角度）。
6.4 分阶段出片（省时间）
正式出片前先用低配预览，确认构图 / 运动再上高配：
| 阶段 | 分辨率 | 步数 | 用途 |
|---|---|---|---|
| 预览 | 832×480 | 8–12 | 快速看构图、运动 |
| 中档 | 1024×576 | 16–20 | 确认细节 |
| 成片 | 1344×768 | ~20 | 最终输出 |
七、验证清单
| 检查项 | 命令 / 操作 | 通过标准 |
|---|---|---|
| GPU 识别 | nvidia-smi |
看到 RTX A6000 48GB |
| 模型加载 | 启动 ComfyUI 看日志 | 无 OOM，模型进显存 |
| 工作流加载 | 拖入 T2V JSON | 节点无红色报错 |
| 首次生成 | 跑 832×480 / 8 步预览 | 出视频 + 音频 |
| 显存占用 | 生成时 nvidia-smi |
< 48GB，无 swap |
八、日常运维
1
2
3
4
5
6
7
8
9
# 启动 / 停止 ComfyUI
D:\ComfyUI\run_nvidia_gpu.bat # 启动
# 停止：关窗口或 taskkill
# 看显存
nvidia-smi
# 更新 ComfyUI（portable 版直接覆盖解压）
# 更新模型：huggingface-cli download ... --local-dir ...
九、合规提醒
-
H3 Base 权重采用 H3 Community License，排除 EU / UK / 韩国 / 美国 地区使用，商用需署名 “MiniMax H3”。自用无碍，对外发布 / 商用前确认所在地合规。
-
2K 重生成模块未开源，开源 Base 最高 768p（2K 需走官方 API）。
十、参考资料
-
MiniMax H3 本地部署官方文档（中文） — SGLang / vLLM-Omni / 消费级硬件各路线的官方基线
-
MiniMax-H3 模型仓库（Hugging Face） — 权重下载、许可证、社区讨论
-
Comfy-Org/MiniMax-H3（ComfyUI 模型仓库） — ComfyUI 用的 int8 / 量化模型文件
-
minimax-h3-nvidia-uncensored（GitHub） — 8GB 显存起的一键脚本 + 9 套 ComfyUI 工作流
-
RTX 4090 本地跑 MiniMax H3：完整技术方案与踩坑总结 — 24GB 显存实测参数（采样器 / 步数 / CFG）
-
MiniMax-H3 一键整合包技术文档（阿里云社区） — 低显存方案、角色替换 / 动作迁移玩法
-
MiniMax H3 完整评测与竞品对比 — 与 Seedance / Kling / LTX 等模型的 benchmark 对比
这套下来：ComfyUI 浏览器打开就能用，H3 模型全量加载在 A6000 48GB 显存上，无需 offload，出片带原生音频。日常出片用 FL2VA（pruned int8），要锁角色 / 动作迁移加 Ref2VA。数据不出内网，不依赖公网 API。
