终于来了！MiniMax H3 Turbo LoRA 让生成速度提升 5 倍。只需 4 步，而不是 20 步。https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora… 另见：https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora/discussions/6…

larryvrh/MiniMax-H3-Turbo-Lora · Hugging Face

Source: https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora

https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora#minimax-h3-turbo-lora–4-step-audio-video-generation-early-previewMiniMax-H3 Turbo LoRA — 4 步音频-视频生成（早期预览）

一款用于 MiniMax-H3（https://huggingface.co/Comfy-Org/MiniMax-H3）的 LoRA，能够以 4 个采样步（而不是通常的约 20 步）生成视频 + 同步立体声音频——采样实际耗时大约加速 5 倍。

⚠️ 这是一个演示/预览检查点，并非最终模型。 它是正在进行中的训练的早期快照——训练不足，时间平均（EMA）版本尚未成熟，整体质量远不及完整训练所能达到的水平。但它确实已经显示出在 4 步下相比基础模型的明显改进：细节更清晰，音频更干净、同步更好（基础模型在同样 4 步下的效果）。将其视为方向的味道，而非终点。目前尚不支持 ComfyUI，后续会添加。

如果在 ComfyUI 中加载后音频完全损坏，那几乎肯定是调度器不匹配。如果采样器正确，此处的音频会有些粗糙但连贯（这是一个早期预览检查点）；完全损坏——爆音、失真或类似噪声的音频——则说明采样器选错了。MiniMax-H3 在两条不同的流动调度（flow schedule）上运行视频和音频（视频 shift 12，音频 shift 3）。模型返回的是预缩放的音频速度（velocity），因此普通的单一调度（“flat”）采样器——ComfyUI 自带采样器就是这样——可以用一个调度同时步进两个流。这种近似在通常的 ~20 步时成立，但在像 4 步这样的超低步数下，平坦步进会在最后几步大幅超过音频调度，导致音频能量爆炸。要让音频在 4 步下正常工作，必须将平坦单调度采样器替换为双时钟采样器，在音频流自己的移位调度上对其进行积分（通过除以调度导数来恢复原始音频速度）。这正是本仓库中 generate.py 所做的，与 MiniMax-H3 官方的双调度器行为一致。

包含两个权重文件：

两者均为 bf16，约 744 MB，作为标准的低秩（low-rank）更新应用（W\_eff = W \+ lora\_B @ lora\_A，alpha = rank，因此无需额外缩放）。

https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora#quick-start快速开始

基础模型、VAE 和文本编码器来自官方 MiniMax-H3 发布，模型定义位于 ComfyUI 中，因此你需要一份 ComfyUI 的 checkout 副本：

# 1. ComfyUI（固定到已验证此权重的提交）
git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI && git checkout 14b05228cef127ce529bc0c08660770d4af3e9a8
pip install -r requirements.txt && cd ..

# 2. 本发布版本
pip install -r requirements.txt        # torch、safetensors、imageio-ffmpeg 等

# 3. 基础权重（来自 Comfy-Org/MiniMax-H3）：bf16 DiT、int8 Qwen3-VL
#    文本编码器，以及视频+音频 VAE，放入 models/ 目录。

# 4. 生成
python generate.py \
  --comfyui ./ComfyUI \
  --base   models/diffusion_models/minimax_h3_fl2va_bf16.safetensors \
  --lora   minimax_h3_turbo_4step.safetensors \
  --te     models/text_encoders/qwen3vl_32b_minimax_h3_int8_convrot.safetensors \
  --video-vae models/vae/minimax_h3_video_vae_fp16.safetensors \
  --audio-vae models/vae/minimax_h3_audio_vae_fp32.safetensors \
  --prompt "A corgi in a chef hat flipping a pancake, sizzling sounds and a cheerful bark." \
  --width 1344 --height 768 --frames 124 --out corgi.mp4

generate\.py 是一个独立的单文件：它加载基础 DiT 并合并 LoRA，使用 Qwen3-VL 对提示词进行编码，在模型原生的双视频/音频调度上运行 4 步采样，解码两个流并封装为 mp4。

https://huggingface.co/larryvrh/MiniMax-H3-Turbo-Lora#notes备注

• 分辨率 / 时长：宽度和高度是 16 的倍数（画布基于 32）；短边通常为 768。帧率为 24 fps，并向上对齐到模型的 17·k+5 网格（124 ≈ 5 秒）。已验证范围是 124–362 帧（5–15 秒）。
• 显存：基础模型很大（约 33B）。\-\-offload\-adaln 将最大的时间步条件权重保留在 CPU fp32 中，节省约 13 GB；80 GB 显存的 GPU 可以轻松运行，较小显存的卡可以尝试开启 offload。
• 步数：4 是设计目标。\-\-steps 8 如果你的算力充足会更干净一些；调度在两种情况下相同。
• 音频：模型输出与视频对齐的 32 kHz 立体声；两个流使用不同的流动调度，`generate