ComfyUI ローカル動画生成第3弾

音まで一発生成 MiniMax H3 を
RTX 3090 のローカルPCに導入

オープンウェイト公開から11日。本体アップデート → 59GBダウンロード → 3モード検証まで

結果サマリー

5本

追加モデルファイル(計59GB)

3モード

T2V / I2V / R2V 全部動いた

約6分

480p・5秒動画1本の生成時間

0個

カスタムノード(本体更新のみ)

MiniMax H3 とは

Hailuo AI で知られる MiniMax 社が 2026年8月3日にオープンウェイト公開した、パラメータ数330億の動画生成モデル。最大の特徴は映像と「ステレオ音声」を1回の生成で同時に作ること。BGM・効果音・セリフ・歌声まで、あとから音を乗せるのではなく映像と一体で生成します。

項目	スペック
出力	最大2K・24fps・最長約15秒(2Kは内部アップスケール)
ネイティブ解像度	短辺768px(最大 768×1344)
音声	32kHz ステレオ。セリフは11言語対応(日本語含む)
ComfyUI 対応	0.30.0 以上でネイティブ対応(公開初日から対応=Day-0サポート)
必要マシン	公式は RTX 3060 でも動作可と明言(オフロード前提)

検証環境

項目	内容
OS	Windows 11
GPU	NVIDIA GeForce RTX 3090(VRAM 24GB)
RAM	32GB
ComfyUI	ポータブル版 0.33.0(0.29.0 から付属アップデータで更新。既存の SDXL / Wan 2.2 / LTX-2.3 環境は無変更)

必要スペック:「低スペックでも動く」は本当か

結論:「動く」は本当。ただし「快適」とは別問題です。ComfyUI には VRAM に入りきらないモデルをメインメモリ(RAM)へ逃がす仕組み(オフロード)があるため、VRAM の要件は意外と緩め。その代わり RAM と生成時間で払うことになります。

GPU(VRAM)の目安

VRAM	GPU例	実用度
8GB	RTX 3050 / 4060 など	▲ 実験レベル。コミュニティ報告では「ごく小さい生成に約20分」。常用はおすすめしない
12〜16GB	RTX 3060 / 4060 Ti など	○ 動く(ComfyUI 公式も 3060 動作に言及)。解像度は 480p 級(0.4)に抑え、フレーム数も控えめが前提。時間はかかる
24GB	RTX 3090 / 4090	◎ 実証済み。今回の検証環境。768p・12秒の長尺まで完走

GPU 以外(こちらが盲点)

項目	目安
RAM(重要)	32GB が最低ライン、64GB あると快適。オフロード方式のため実は VRAM より RAM がボトルネック。今回も 32GB 環境で生成中の空きが 2GB 台まで逼迫した
ディスク空き	約 70GB(T2V/I2V のみなら約 45GB)
低スペック時のコツ	解像度より先に秒数を削る(時間は秒数の2乗で効くため)。まず 480p・5秒以下から

※8〜16GB 帯の情報はコミュニティ報告・ガイドサイトの記述ベース(本ページで実測したのは 24GB のみ)。低スペック帯は「試せる」であって「実用的」とは限らない点に注意。

ダウンロードしたモデルと「選んだ理由」

入手元はすべて Hugging Face の Comfy-Org/MiniMax-H3(公開・認証不要)。ファイル名は変更禁止(テンプレートが名前を前提にしているため)。

ファイル	役割	配置先(models\ 以下)	サイズ
minimax_h3_fl2va_pruned_int8_convrot.safetensors	本体(T2V / I2V 用)	diffusion_models\	19.5GB
minimax_h3_ref2va_pruned_int8_convrot.safetensors	本体(R2V 用・任意)	diffusion_models\	19.5GB
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors	テキストエンコーダ(プロンプト理解)	text_encoders\	14.6GB
minimax_h3_video_vae_fp16.safetensors	映像VAE(内部データ→映像)	vae\	4.9GB
minimax_h3_audio_vae_fp32.safetensors	音声VAE(内部データ→音声)	vae\	0.6GB

ファイル名の読み方 = 選んだ理由

本体には精度違いが5種類あり、無圧縮の bf16 版はなんと61.7GB。今回選んだのはその軽量版です。

名前の部品	意味
`fl2va`	First/Last frame → Video+Audio。テキスト生成と画像起点生成の両対応版
`ref2va`	Reference → Video+Audio。参照画像で見た目を固定する特化版
`pruned`	影響の小さい部分を刈り込んだ軽量版
`int8_convrot`	8bit圧縮。品質低下はごくわずかで容量は約1/3

→ 「pruned + int8」= ComfyUI 公式推奨の最軽量構成。61.7GB → 19.5GB になり、VRAM 24GB + RAM 32GB のマシンで現実的に動くラインになります。

3つの生成モード

モード	入力	できること
T2V(テキストから動画へ)	文章のみ	プロンプトから映像+音声を生成
I2V(画像から動画へ)	画像1枚+文章	画像を1コマ目にして動かす
R2V(参照から動画)	参照画像最大3枚+文章	画像は1コマ目ではなく「出演者の見本」。キャラ・商品の見た目を固定したまま、まったく別の場面を生成

⚠ テンプレート検索「MiniMax H3」で出てくる同名の「API」バッジ付きは有料クラウド版。ローカル生成はバッジなしの方を選ぶこと。

実際の検証では、参照画像2枚(歌う女の子のイラスト+実写のギター)を渡して「その子がそのギターを弾き語りする12秒動画」まで生成できました。

検証結果:生成時間の実測データ

同じ RTX 3090 で条件を変えて5本生成した実測値。バーの長さ=かかった時間です。

① T2V |480p・5秒

366秒(約6分)

③ I2V |768p・5秒

1,224秒(約20分)

② T2V |768p・12秒

5,122秒(約1時間25分)

④ I2V |768p・12秒

5,298秒(約1時間30分)

⑤ R2V |参照2枚・768p・12秒

5,729秒(約1時間35分)

※768p = ネイティブ上限の 1344×768(0.98メガピクセル)。480p = 864×480(0.4メガピクセル)

数字から分かったこと

発見	根拠
解像度は「ピクセル数」にほぼ比例	480p→768p(面積2.5倍)で 366秒→1,224秒(3.3倍)
秒数は「2乗」で効く	5秒→12秒(2.4倍)で 1,224秒→5,298秒(4.3倍)。長尺ほど加速度的に重くなる
R2V の参照画像コストは軽い	参照2枚を足しても I2V 比 +8% 程度
RAM 32GB がボトルネック	生成中は空きRAMが2GB台まで逼迫。他アプリを閉じないとスワップでさらに遅くなる

プロンプトは「絵コンテ形式」が公式流

H3 のプロンプトは1文ではなく、4ブロック構成で書くと性能を最大限引き出せます(テンプレートのサンプルもこの形式)。

ブロック	書くこと
① スタイル宣言	映像の質感・レンズ・色調(アニメ調固定なら "no style drift" を追加)
② Scene overview	誰が・どこで・何をしているかの全体像
③ Storyboard	`SHOT 1 [0s-4s]: ...` のように秒数指定でカット割りまで指示できる
④ Audio	BGM・効果音・セリフや歌。`lips sync naturally` で口の動きも同期

記述例(12秒・歌ものの短縮版)

2D anime illustration style, clean lineart, soft colors, no style drift. A white-haired girl records a vocal take in a minimalist white studio. SHOT 1 [0s-6s]: She takes a soft breath and begins to sing into the microphone; her lips sync naturally with the melody; slow push-in. SHOT 2 [6s-12s]: Close side profile across the pop filter; she holds a long heartfelt note, then eases off with a small relieved smile. Audio: an intimate female singing voice performing a gentle J-pop ballad in Japanese, soft room reverb, minimal piano backing.

日本語で作りたい動画のイメージを AI(Claude など)に伝えて、この形式の英語プロンプトへ変換させるのが一番ラクです。

ハマりどころと操作のコツ

コツ	内容
解像度は 0.98 が実質上限	解像度セレクターの 0.4=ほぼ480p、0.9=ほぼ720p、0.98(1344×768)=モデルの素の上限。それ以上(2.0=フルHD)は「引き伸ばし」に近く、時間だけ倍増する
数値が「—」で変えられない	配線でつながった項目は実行時に値が流れ込む仕様。表示が連動しなくても効いている
途中で%表示が消えた	ブラウザ更新などで進捗通信が切れただけ。生成はサーバー側で継続中。本物の進捗は黒いサーバーウィンドウで確認
I2V は「Use Image Size」	画像読み込み後にこのボタンを押すと縦横比を自動設定。歪み防止
duration は自動で丸まる	内部で24fpsの17フレーム単位に調整される。5秒と入れてもピッタリ5.00秒にはならない
モデル切替はまとめて	T2V/I2V(fl2va)⇔R2V(ref2va)の切替時は19.5GBの読み込み直しが入る。同じモードを連続で回すと効率的
同時実行はできない(しない)	ComfyUI のキューは1本ずつ順番に処理。2本同時に回そうとしてもメモリの取り合いで逆に遅くなるだけ

制限とライセンス

技術的な制限

項目	内容
解像度	32の倍数に自動で丸められる(720指定→736出力など)
長さ	最長約15秒。ただし12秒で1時間半かかるので実用は要計画
スタイル維持	イラスト調は実写に寄ることがある。"no style drift" 指定が保険になる

ライセンス(MiniMax H3 Community License)

項目	内容
日本での利用	OK(制限対象外の地域)
米国・EU・英国・韓国	申請制。各地域のAI規制環境を理由に、既定ではローカル利用不可(公式は「not yet = 今はまだ」の一時措置と説明)
商用利用	売上上限のような条項は現時点で未確認。利用前に配布元のライセンス全文と公式Q&Aを必ず確認(huggingface.co/MiniMaxAI/MiniMax-H3)

ローカル実行の心構え(全モデル共通)

ローカル生成には Web アプリのようなサーバー側の検閲がありません。ただし「弾かれない=何でもOK」ではなく、責任が運営会社から自分に移るということ。ライセンスの禁止用途、YouTube のコミュニティガイドライン(AI生成コンテンツの開示を含む)、法律(実在人物のディープフェイク等)は生成手段に関係なく適用されます。

🎁 視聴者プレゼント:環境構築ワンショットプロンプト

Claude Code や Codex などのエージェント AI にそのまま貼り付ければ、この動画と同じ環境を自動構築してくれるプロンプトです(NVIDIA GPU 搭載の Windows PC 向け)。

あなたはWindows PCの環境構築を代行するAIエージェントです。以下の手順で、ComfyUI 上で MiniMax H3(オープンウェイトの動画+音声同時生成モデル)をローカル実行できる環境を構築してください。各ステップは実行前に状況を確認し、完了ごとに結果を報告してください。【0. 前提チェック】 - NVIDIA GPU(VRAM 12GB以上、24GB推奨)があること - ディスク空き容量が 70GB 以上あること(モデル約59GB+作業領域) - RAM 32GB 以上を推奨。不足時はダウンロードするモデルを減らす提案をすること【1. ComfyUI の準備】 A) ComfyUI が未導入の場合:ポータブル版を導入する - https://github.com/comfyanonymous/ComfyUI/releases/latest/download/ComfyUI_windows_portable_nvidia.7z をダウンロード - 7zr.exe(https://www.7-zip.org/a/7zr.exe)で任意のフォルダに展開 B) 導入済みの場合:バージョンを確認し、0.30.0 未満なら更新する - ポータブル版の更新は update フォルダの update.py を絶対パスで直接実行: \python_embeded\python.exe \update\update.py \ComfyUI\ 【2. モデルのダウンロード】 Hugging Face の Comfy-Org/MiniMax-H3 から以下4点を curl -L -C -(レジューム対応)でダウンロードし、ComfyUI\models\ 以下の指定フォルダに配置。ファイル名は変更禁止。 URL形式: https://huggingface.co/Comfy-Org/MiniMax-H3/resolve/main/<パス> 1. diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors → models\diffusion_models\(19.5GB) 2. text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors → models\text_encoders\(14.6GB) 3. vae/minimax_h3_video_vae_fp16.safetensors → models\vae\(4.9GB) 4. vae/minimax_h3_audio_vae_fp32.safetensors → models\vae\(0.6GB) (任意)「参照から動画」(R2V)も使う場合は追加で: 5. diffusion_models/minimax_h3_ref2va_pruned_int8_convrot.safetensors → models\diffusion_models\(19.5GB) ダウンロード後、各ファイルのサイズが配布元と一致することを確認すること。【3. 起動と動作確認】 - run_nvidia_gpu.bat で起動し、http://127.0.0.1:8188/system_stats に GET してバージョンが 0.30.0 以上であること、GPU が認識されていることを確認 - http://127.0.0.1:8188/models/diffusion_models 等でモデルが認識されていることを確認 - ブラウザで http://127.0.0.1:8188 を開き、テンプレート検索「MiniMax H3」→「MiniMax H3:テキストから動画へ」(「API」バッジなしの方)を開いてモデル欄が自動セットされていれば完了【注意事項】 - 「API」バッジ付きテンプレートは有料クラウド版なので使わない - 初回生成はモデル読み込みで開始まで数分かかる(フリーズではない) - テスト生成は解像度セレクター 0.4(480p)・5秒から始めること(RTX 3090 で約6分) - 解像度 0.98(1344×768)がこのモデルのネイティブ上限。それ以上は非推奨 - 生成中は他の重いアプリを閉じること(RAM 32GB では逼迫するため)