无保留分享 RTX 4080 本地跑 MiniMax H3，省下API的钱买冰棍不香吗？

先把结论摆在最前面，省得划半天：

• MiniMax H3 现在已经支持 ComfyUI 原生工作流，本地能跑；

• 我这台 RTX 4080 16GB，靠 pruned + int8 低显存版跑通，10 秒视频大约 10 分钟出片；

• 但对模型版本、目录结构、ComfyUI 版本要求很严——文件下错、版本不对，基本直接报错，或者根本起不来；

• 唯一还没搞定的坑：中文口播不稳，提示词里反复强调用中文，生成出来偏偏不一定是中文。

说明学中文这件事，不仅对老外有难度，对大模型也有难度。记得GPT image 早期的时候也是遇到中文就乱码。

一、硬件

我自己的实测配置：

• 显卡：NVIDIA GeForce RTX 4080 16GB

• 内存：32GB

• 系统：Windows

• ComfyUI：0.30.0

• 运行方式：ComfyUI 原生 MiniMax H3 工作流

二、装好 / 更新 ComfyUI（版本必须 ≥ 0.30.0）

这里先钉死一个关键前提：MiniMax H3 要走原生工作流，ComfyUI 版本必须至少是 0.30.0（H3 原生支持就是从这版开始的）。低于这个版本，后面的原生节点根本不会出现，怎么折腾都白搭。

• 全新安装：官方下载 comfy.org/download，或 GitHub 上的 Comfy-Org/ComfyUI；

• 已经装了：用 ComfyUI Manager 一键更新到最新，省事。

三、下对模型文件（最容易翻车的一步）

MiniMax H3 这个名字底下挂着好几套文件——旧版、社区插件、官方原生工作流，长得都差不多，但不能混用。要走原生工作流，就只认官方那一组。

模型托管在 Hugging Face 官方仓库 Comfy-Org/MiniMax-H3。我这次用的是下面这套 pruned 低显存组合：

用途 文件名 大约大小 放置目录 扩散模型（T2V / I2V） minimax_h3_fl2va_pruned_int8_convrot.safetensors ~19.5 GB models/diffusion_models/ 扩散模型（R2V，可选） minimax_h3_ref2va_pruned_int8_convrot.safetensors ~19.5 GB models/diffusion_models/ 文本编码器 qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors ~14.6 GB models/text_encoders/ 视频 VAE minimax_h3_video_vae_fp16.safetensors ~4.9 GB models/vae/ 音频 VAE minimax_h3_audio_vae_fp32.safetensors ~0.6 GB models/vae/

几个要点：

• 扩散模型走的是 pruned + int8 的低显存版本，这也是 4080 16GB 能上车的关键——满血 bf16 / 非 pruned 版本更大，显存吃不下，别下。

• 我这次做的是图生视频，扩散模型只用到 T2V/I2V 那个（fl2va）；只有要做参考生视频（R2V）时，才需要再补上 ref2va 那个，否则可以省下 19.5G。

• 一套下来光模型就 40–60 G，硬盘得留够空间。

下载方式：

• 网页直接下：huggingface.co/Comfy-Org/MiniMax-H3

• 命令行（推荐，稳）：

安装 huggingface_hub

pip install -U huggingface_hub hf download Comfy-Org/MiniMax-H3 –local-dir ./models_temp

然后手动把文件挪到对应目录

国内用户用镜像加速：设置环境变量 HF_ENDPOINT=https://hf-mirror.com 后再跑上面的 hf 命令；或者上 ModelScope 搜 MiniMax-H3 / Comfy-Org 相关内容。

四、模型放到哪个目录

下好之后按用途放进 ComfyUI 对应目录即可，目录不存在就自己建一个：

ComfyUI/models/diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors ComfyUI/models/diffusion_models/minimax_h3_ref2va_pruned_int8_convrot.safetensors # R2V，可选 ComfyUI/models/text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors ComfyUI/models/vae/minimax_h3_video_vae_fp16.safetensors ComfyUI/models/vae/minimax_h3_audio_vae_fp32.safetensors

两个 VAE（视频 + 音频）都放在 vae/ 目录下，别拆开。

五、加载模板，先跑通一条 5 秒

模型放好后，打开 ComfyUI，按这个流程走：

• 左侧 Template Library（模板库）→ Video，选 MiniMax H3 相关模板：T2V（文生视频）、I2V（图生视频）、R2V（参考生视频），按需求挑一个；

• 模板可能弹提示引导下载缺失模型——如果已经手动放好，直接跳过；

• 顺手验证一下原生节点在不在，应该能搜到这三个：MiniMaxH3ImageToVideo、MiniMaxH3ReferenceToVideo、MiniMaxH3SigmaShift，加载器下拉里也能看到刚下的那几个文件。看不到，就回去查两件事：ComfyUI 是不是 0.30.0+、模型是不是放进了官方要求的目录（九成的「节点/文件找不到」都出在这两条）；

• 在 Resolution Selector 节点里，先把 Megapixels 调低（0.4–0.5） 测速，时长选 5 秒起步；

• 写提示词 → Queue Prompt 运行。输出是一段带原生立体声的 MP4。

关键是从小开始，别一把梭。MiniMax H3 本地推理能跑，但它不是「想怎么堆参数就怎么堆」的模型，分辨率、时长、分镜复杂度一上去，耗时会显著增长。本地实测：

• 5 秒 832×480 预览：大约几分钟；

• 10 秒：约 10 分钟出片，明显更慢；

• 1024×576 + 10 秒 + 多分镜：本地会非常吃时间。

建议的爬坡顺序：先 5 秒 → 先 832×480 → 先用首帧图生视频 → 角色场景稳了再拉到 1024×576 或更高 → 最后才上长时长和复杂分镜。一句话定位：把它当成「短片段反复试错」的工具，而不是「一把梭哈成片」的工具。

六、最稳的用法：先做首帧，再生成

想要角色一致性更高的视频，最稳的做法不是纯文生视频，而是先把首帧钉死：

• 先生成角色立绘；

• 再做一张横版首帧图；

• 拿这张首帧去做 Image-to-Video。

这次效果最稳的一次，就是这么走的：先固定一个小学生角色形象，再做一张「小卖部门口骑自行车」的横版首帧，最后送进 MiniMax H3 生成视频。比纯提示词生成稳得多，尤其体现在：

• 角色服装一致性；

• 自行车不乱变形；

• 场景风格统一；

• 镜头起始画面可控。

一句话：首帧图就是给模型的锚点，锚点越稳，视频越不飘。

七、我踩过的几个坑（这段可能比教程本身更有用）

1. 模型文件别混用。 最容易翻车的不是参数，而是「看起来都叫 H3，实际上不是一套文件」。旧版 / 社区 / 官方原生混在一起，很容易出现「文本编码器结构不匹配」「模型能识别但跑不通」「VAE 对得上但 CLIP 对不上」，最典型的症状就是文本编码器一加载就报 shape mismatch。

2. Windows 页面文件要给够。 页面文件（虚拟内存）太小，有可能直接报错。这次能稳定跑下去，和把页面文件调大有直接关系。只有 32GB 内存又想跑长一点的视频，千万别把虚拟内存关掉。

3. 中文口播不稳（目前最大的遗留问题）。 提示词里明确写了中文口播、还指定了那句台词，但本地实测：有时后台提示词直接显示乱码，有时中文口播并不完全按要求来——画面能出来，不代表中文一定稳。 所以如果目标是「角色演戏 + 指定中文台词」，我现在更推荐拆开做：先让 MiniMax H3 负责画面和动作，中文台词后期再补配音，可控性高得多。

4. 竖图首帧会把视频比例带歪。 如果首帧是竖图，就算输出参数写了 16:9，结果也可能被首帧构图强行带偏。后来专门先做一张真正的 16:9 横版首帧才修正过来——这一点非常重要，别偷懒。

八、跑完之后，我的真实评价

说实话，本地能把这套东西跑起来，我已经觉得挺能打了。

优点：

• 原生带音频的视频生成，体验很新鲜；

• 角色和场景氛围做得出来；

• 小短片测试已经有可玩性；

• 用首帧图做控制时，稳定性肉眼可见地提升。

缺点也很实：

• 本地推理速度不算快；

• 中文语音不够稳；

• 长时长、多分镜、高分辨率更吃机器；

• 想做成一套「可复用的动画生产流程」，工作流还得继续打磨。

所以我现在的判断是：它已经不是「只能看 Demo」的阶段了，可以拿来做简短动画测试；但距离「稳定批量生产完整短片」，还有一段路。 能玩，但先别神话。

九、如果也想本地部署，建议这么开始

别一上来就做复杂项目。最推荐的起步顺序：

• 装 / 更新 ComfyUI 到 0.30.0+；

• 下官方那套 pruned 低显存文件（别下满血 bf16）；

• 放进官方要求的目录；

• Template Library 加载 MiniMax H3 模板，Megapixels 0.4–0.5、5 秒、832×480 先跑通一条；

• 先做首帧图，先验证角色一致性和镜头感觉；

• 最后才挑战长时长、复杂分镜和口播。

这条路，会比「直接 10 秒、15 秒、强口播、强剧情」稳定太多。

结尾

总之这次本地把 MiniMax H3 跑通之后，感受很明确：它已经不是只能看 Demo 的玩具了，是真的可以开始在本地搭工作流、做简短动画片的阶段。

接下来我准备继续测这几件事：双角色一致性、更稳的分镜控制、本地工作流复用，以及中文口播的替代方案。后面整理得更完整了，我会把提示词和工作流一起分享出来。

最后留个问题——中文口播那个坑，如果有人已经在本地稳定实现了「指定中文台词」，欢迎评论区点我一下：到底是提示词姿势不对，还是模型对中文本就偏弱？这条要是能解，本地做完整中文短片的最后一块拼图就补上了。