AI视频能在自己电脑上跑了！ComfyUI+MiniMax H3本地部署教程

最近 AI 视频这块又热闹起来了。不过和前两年不太一样，以前效果好的视频模型基本都在云端，想玩就得充值、买积分，一次生成几秒钟，抽卡抽得心疼。现在MiniMax H3 开放权重之后，咱们这些有独显的臭打游戏的有福了，终于可以正儿八经塞进自己电脑里跑了。

而且更方便的是，ComfyUI已经原生支持MiniMax H3。也就是说，不需要自己折腾一大堆魔改插件，更新ComfyUI、下载模型、载入官方工作流，基本就能开跑。

这篇就从零开始聊一下，怎么在Windows电脑上用ComfyUI + MiniMax H3本地生成AI视频。

MiniMax H3到底是什么？

MiniMax在2026年7月31日正式发布H3。

和以前比较单纯的文生视频模型不同，H3更接近一个真正的多模态音视频生成模型：它能同时理解文字、图片、视频和音频，也能在生成画面的同时直接生成声音，记住这点：视频和声音一起生成，对白、环境音、音乐都可以直接写进Prompt里。非常牛X！

目前ComfyUI官方工作流主要提供三种玩法：

T2V：Text to Video

直接输入文字生成视频。

I2V：Image to Video

拿一张图片生成动态视频，也可以加入首帧、尾帧控制。

R2V：Reference to Video

这个就比较猛了，可以同时喂图片、视频甚至音频，让模型参考人物、画风、动作、运镜或者声音来生成新视频。

官方目前的R2V工作流最多支持9张参考图片、3段参考视频和3段独立参考音频。对于玩视频内容的人来说，我觉得后面这个R2V反而是H3最值得玩的东西。

先看看你的电脑能不能跑

这块其实我不太清楚，有的说是64G内存+12G显存的电脑才行，我这试了下32G内存+16G显存也能跑出不错的质量，速度也还能接受。网上别人说的8G显存也能跑，只不过输出分辨率得调低一些。

安装ComfyUI真的非常傻瓜

H3这次我非常建议新手直接走官方工作流。

首先得去安装ComfyUI：

最简单的方法就是，去某g__hub上下载Windows Portable版本，N卡就下ComfyUI_windows_portable_nvidia。别像我一样，自认为我的CPU是intel的，就下了intel版本，结果打开后无法加载GPU……

另外，ComfyUI有desktop安装版本，但装好后部署comfyui我发现其内置的最新版是0.28的，在模板里搜不到minimax H3 图生视频，所以就别用desktop安装版了。

下载好后解压，ComfyUI_windows_portable的目录如下：

把它放到一个没有中文的目录下就行，建议放到硬盘的根目录，可以减少文件路径过长导致的错误。打开run_nvidia_gpu.bat批处理文件后，它会自动启动terminal终端来完成各项部署，完成后就会启动浏览器开启web工作台：

我们点击模板。

在模板里选择生成类型》视频，里面就可以按照我们的需求去选择模板了，选好之后，就会进入节点式工作流↓

第一次部署我建议先玩：MiniMax H3文生视频（T2V）

因为它变量最少。先确认模型能够正常加载、采样和输出视频，再折腾其他的。

下载哪些模型？

如果你用的是T2V或者I2V，官方推荐的本地组合主要是下面四个文件。

视频扩散模型

minimax_h3_fl2va_pruned_int8_convrot.safetensors

放到ComfyUI解压后目录里的：

ComfyUI/models/diffusion_models/

·

Qwen3-VL文本/多模态编码器

qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

放到：

ComfyUI/models/text_encoders/

·

Video VAE

minimax_h3_video_vae_fp16.safetensors

+

Audio VAE

minimax_h3_audio_vae_fp32.safetensors

两个模型放到：

ComfyUI/models/vae/

如果你要玩R2V参考生视频，则需要另外下载：

minimax_h3_ref2va_pruned_int8_convrot.safetensors

同样放进：

ComfyUI/models/diffusion_models/

FL2VA和Ref2VA是两套不同权重，别下错了。

模型搞定后，就可以关掉comfyui并重新打开加载一遍，随后就能正常用了。

试下！

文生视频

我们先做一次最简单的T2V，不要看到H3支持高分辨率、15秒，就直接把所有参数拉满，先确认能跑。

我建议第一次直接：

16:9；832×480；5秒

duration就是时长，5.0就是5秒钟；百万像素0.4就是832×480。

然后写一条简单Prompt，比如：夜晚的东京街道，一名穿黑色夹克的年轻男子从便利店走出来，细雨落在路面上，霓虹灯倒映在积水中。镜头缓慢向人物推进，人物停下来抬头看向天空。背景有轻微车辆行驶声和雨声，远处传来城市环境音，电影感，真实摄影。

大概2分半就能生成5秒的视频，效率我觉得还挺不错。

Prompt你不用只写：人物、衣服、背景、镜头。

还可以直接把：

人物做什么、镜头怎么运动、环境里有什么声音、人物说什么、背景音乐是什么

全写在同一个Prompt里面，如果不太会写的话，可以用deepseek这类AI工具帮你润色，扩展想象力。H3本身就是音视频联合生成，所以Prompt里把画面、运动和声音一起描述清楚，一般更容易得到接近预期的结果。

接下来

图生视频

实际玩下来，我觉得很多人真正用得最多的应该还是I2V，纯文生视频随机性还是比较高。而图生视频可以先把人物、产品或者场景确定下来，再让H3负责“让它动起来”。

在模板里选择生成类型》视频》MiniMax H3图生视频

节点工作流载入完成后，点击选择文件上传，把自己的图片放进去。然后写动作。

例如拿一张产品照片，可以写：

保持产品外观、材质、颜色和Logo不变。镜头缓慢从左向右环绕产品，背景灯光产生轻微移动，产品保持静止。镜头最后缓慢推进至产品正面。环境安静，伴随轻微电子氛围音乐。

如果有明确的结尾画面，还可以复制一下加载图像的节点，接First Frame+Last Frame——也就是我们经常说的首尾帧生成，H3会尝试生成两个画面之间的运动过程。

对于产品动画、转场以及一些短片镜头，这个功能其实非常实用。

比如做数码产品视频的时候，我完全可以先拍好产品的起始画面和结束画面，再交给H3补中间过程。相比完全靠Prompt抽卡，可控性要高不少。

参考生视频

H3比较有意思的是Reference to Video，比如可以给它：人物照片+喜欢的运镜+参考声音。然后告诉H3：人物外貌参考Picture 1，镜头运动参考Video 1，人物声音参考Audio 1。模型会自己理解这些素材之间的关系。

官方工作流要求参考素材按照、

比如：让图像1的女生做出图像2的动作，镜头缓慢向人物推进，人物停下来抬头看向天空。远处传来山谷环境音，电影感，真实摄影。

效果还不错。

常见问题

找不到GPU 无法加载独显

重下一个适合你GPU品牌的版本，N卡下nvidia的，A卡下amd的，别像我一样和CPU的品牌弄混。

工作流打开全是红色报错

先更新ComfyUI，如果是很久没更新的版本，很可能压根没有H3相关的原生节点。如果是desktop版，建议删了重新下一个portable的。

小显存小内存能不能跑？

用固态硬盘虚拟内存，能跑，但真的慢。

最后

这次ComfyUI原生支持之后，本地部署门槛已经比想象中低很多，无论是内置工作流、支持中文这些都极大的降低了门槛。唯一的门槛就是一张显存较大的独立显卡吧，但如果你有大显存显卡的话，我觉得还是值得玩一玩的。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～