想把 MiniMax H3 跑在本地，真正要解决的不是“把权重下载下来”，而是硬件、量化、模板、参数网格和提示词格式能否形成一条可复查的工作流。本文以 ComfyUI 为操作界面，整理从首次验机到出片、再到加速与排错的完整路线。它适合已有 NVIDIA 显卡、愿意为本地迭代预留磁盘与等待时间的创作者；没有合适硬件或只偶尔生成的读者，优先使用云端服务通常更省心。

本地 AI 视频工作流的组成示意
先确认工具版本、权重、模板和输出参数，再开始批量尝试。

开始前：本地能力与边界

本地生成主体面向约 768p 级画布；把分辨率强行开得更高不等于质量线性提升，时间成本会显著增加。文本理解/增强与高分辨率再生成等能力可能属于不同模块或服务，不能把它们和本地基础生成混为一谈。建议先用网页端试一小段：观察主体稳定性、镜头运动和声画关系，满意后再投入几十 GB 的下载与配置成本。

开始部署前的硬件检查示意
先检查显存、系统内存、可用磁盘和网络访问条件。

1. 硬件与存储：先让预期对齐

  • 显卡：12GB 显存可以作为尝试起点，24GB 以上会更从容；显存较小不必先盲目降分辨率，模型与编码器的载入才是主要压力。
  • 系统内存：32GB 是现实下限，64GB 更适合分层载入。显存不足时需要依赖内存换入换出，速度会下降。
  • 磁盘：至少预留 60GB，长期使用建议 150GB 以上，并将大权重和缓存放在 NVMe 固态。
  • 系统：Windows 10/11 或 Linux 均可；驱动与 ComfyUI 版本应保持较新。
不同显存档位的本地生成预期参考
把显存、内存和等待时间一起评估，避免只看显卡型号。
模型与缓存存储规划示意
权重、输出与缓存应留出独立空间。

2. 安装 ComfyUI 与准备权重

优先安装桌面版或将现有部署更新至支持 H3 节点的版本。启动后打开本地画布，先加载官方视频模板而不是从空白节点图开始连线。权重只下载工作流需要的文件，不要无差别克隆整个仓库：文生/图生通常需要一个生成模型、一个文本编码器、视频 VAE 与音频 VAE；参考生视频还需要另一份对应生成模型。

模型文件选择示意
先选择面向推理的量化组合，再考虑更大的精度版本。
模型变体与用途示意
文生图生与参考生视频使用的模型组合并不完全相同。
模型目录布局示意
两个 VAE 都要放在可被工作流识别的位置。

常见起点是推理向的剪枝 INT8 生成模型与量化文本编码器。完整精度模型占用更大，适合研究或微调而不是首次出片。视频 VAE 和音频 VAE 都不可缺：缺少音频链路时，输出可能没有声音。下载完成后，回到设置检查模型路径，必要时重启使索引刷新。

3. 跑通第一条文生视频

  1. 在模板库选择 Text to Video 工作流，确认加载器中的生成模型、文本编码器、视频 VAE 与音频 VAE 都已匹配。
  2. 第一次采用短时长、默认预览分辨率和简单英文场景描述；不要一开始同时追求多角色、长台词、高分辨率和复杂运镜。
  3. 运行后先等待模型载入，再观察采样和输出节点。首跑包含磁盘载入，通常远慢于热跑。
  4. 验收输出是否同时具备画面与音频，再进入参数调优。
首次生成时的关键参数位置
先用小规格验证模型链路完整。

4. 帧数与分辨率：两个不能靠猜的规则

帧数应按 17k + 5 的合法网格选择；不符合时，节点可能向上调整，导致实际时长与预期不同。先以目标帧率换算，再从合法档位中选值。单次生成适合短镜头；超过训练时长的内容应拆分镜头后剪辑。

合法帧数与时长关系参考
按网格选择帧数，避免时间点与配乐错位。

分辨率方面，短边约 768、并按 32 对齐是更稳妥的原生工作区。快速试错可用更小但仍合理的预览规格；需要成片时再靠近原生画布。尺寸过低可能直接失败，而超过原生画布会放大耗时。若要 1080p 交付，可先在适合的本地规格完成镜头，再做单独超分，并对人脸、口型和细节逐段复核。

输出尺寸与对齐规则示意
尺寸选择要同时满足画幅、对齐和生成成本。
时长和像素对生成时间的影响参考
时长增加通常比扩展像素更昂贵。

5. 图生视频与参考生视频

图生视频（I2V）

给首帧可让运动从该画面展开；给首尾帧则让模型补出过渡。输入图最好事先裁成与目标画幅一致的比例，否则构图可能被处理。工作流中明确将图片接入首帧/尾帧输入，再在提示词里说明哪些外观、空间关系和动作需要保持。

图生视频工作流示意
首帧、尾帧和输出画幅应在运行前检查。

参考生视频（R2V）

参考模式用于指定角色、风格、动作、运镜或声音的继承关系。它需要对应的参考模型，且应明确每份素材的职责。一般从较快的匹配尺寸开始；只有人物关键特征不稳定时，才考虑更高参考尺寸，因为参考 token 会明显增加时间成本。

参考生视频工作流示意
为每项参考素材分配明确职责，避免把素材堆给模型。
参考生视频提示词结构示意
标签、保留关系和镜头描述要保持一致。

6. 结构化提示词：让模型知道谁、在何时、做什么

复杂视频建议把提示词拆为三个字段：integrated_multimodal_description 描述按时间推进的画面、动作、镜头与对白；overall_soundscape 专写环境和动作声音；non_diegetic_music 专写观众听到的配乐。没有内容时宁可明确留空，也不要把对白、环境音和配乐混在同一句里。

三字段提示词模板示意
画面、环境声和配乐分开写，更便于检查。

镜头从 [Shot 1] 开始，后续镜头使用严格递增的时间点。每次切换应引入新信息；若只是推近、横移或改变幅度，写成镜头内运动即可。对白为角色分配稳定 ID，并把原文台词放进 <d> 中；身份、语气和动作写在标签外。这样在跨镜头时仍能保持说话人一致。

分镜、时间点与对白的语法示意
时间点、角色 ID 与台词位置应逐项复核。
integrated_multimodal_description: [Shot 1] Cinematic, a quiet bakery before sunrise. The camera pushes in slowly. The baker (S1) says: <d>[English] First batch of the morning.</d>

[Shot 2] At 00:05.000, the camera cuts to steam rising from sliced bread.

overall_soundscape: Wooden shutters scrape open, trays clink softly, and light footsteps cross the room.

non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, fading gently at the end.

7. 加速与质量：先稳定，再省时

注意力加速和缓存是两类不同手段：前者缩短单步计算，后者跳过部分扩散步骤。它们可以减少等待，但缓存也可能降低画面活性或细节稳定性。建议把它们分成两套预设：草稿阶段可偏快；决定最终镜头后，使用保守且固定的配置复跑，避免“草稿选中、定稿变样”。

加速选项与效果取舍示意
加速后必须检查动态细节、清晰度和人物一致性。

8. 高频故障排查

  • 缺少专用节点：先更新 ComfyUI，再确认模板与内核版本匹配。
  • 显存不足：确认没有误用完整精度权重；关闭其他占显存程序；优先增加系统内存或选用合适量化，不要只靠缩小画面。
  • 无声音：检查音频 VAE 与音频解码/保存链路是否仍在工作流中。
  • 时长不对：重新按 17k + 5 网格选择帧数。
  • 参考模式找不到模型：确认已下载参考模式专用权重，而不是文生/图生用的那一份。

9. 本地与云端怎么选

本地部署的价值主要在于低边际成本的反复试错、可控的素材与流程，以及不依赖单次调用额度；代价是显卡、内存、磁盘、下载与等待时间。需要高分辨率交付、没有合适硬件、或项目量很低时，云端更合适。无论走哪条路径，都应把每个镜头的输入、参数、模型版本、加速配置和最终输出记录下来，才能稳定复现。

云端任务提交与获取结果的流程示意
使用云端时同样要记录参数、素材权限和结果保存期限。

最后的检查清单：模型与模板是否匹配；两个 VAE 是否齐全；帧数是否落在合法网格；输入图片是否已按目标画幅处理；提示词的镜头时间、角色 ID 与对白是否一致；加速后的成片是否逐段验过人物、口型、动态细节与声音。把这些环节固定下来，才能从“偶尔出一条”变成可重复的本地视频工作流。