MiniMax H3 展開テスト - RTX 3060 12G でスムーズに動作し、パフォーマンスは Seedance と同等です。

最近、MiniMax H3 オープンソースその効果はSeedanceに匹敵するので、ローカルに展開して試してみたかったのですが、フルパワーのBF16バージョンは設定が厳しすぎるので、H100はどこで手に入れればいいのでしょうか！

しかし、実際には、12GBのVRAMを搭載した私の3060で動作させる方法を見つけました。それは、GitHubのコードを直接使用することです。オープンソースComfyUIプロジェクトは、INT8の機能を簡略化したバージョンです。

私が得た結果を見てください、本当に素晴らしいでしょう！

ここ推薦するComfyUI Desktopは、ComfyUI公式サイトから直接ダウンロードできます。多くのユーザーの利用習慣に合致しており、インストール手順も他のソフトウェアと全く同じです。ダウンロードとインストール中に問題が発生することはありません。

ComfyUI Desktopをインストールしてテンプレートライブラリを開くと、3つのMiniMax H3テンプレートが表示されます。クリックするだけで使用できます。

その後、彼はモデルが不足していることを私たちに知らせ、不足しているモデルをダウンロードできると教えてくれるでしょう。

ダウンロード後、使用する前に再起動とアップデートが必要です。

すべてのパラメーターを調整したら、ビデオの生成を開始できます。実際には、解像度などのパラメーターはそれほど多くありません。それらを入力するだけです。プロンプトワードすると、生成が開始されます。

ケース1には、組み込みのテストケースが含まれています。

プロンプトワード：

Realistic live-action cinematic look, action movie trailer: practical film photography style, a post-rain dusk metropolis, anamorphic lens, shallow depth of field, film grain, city volumetric fog, flying-car traffic between the towers, restrained grading for a premium feel, powerful natural movement.

Scene overview: at dusk on a cluster of skyscrapers, the protagonist is being chased, sprinting and leaping across rooftops, jumping from one building's roof to the next with pursuers closing in behind. This is the escape sequence of an action movie trailer: every leap is life-or-death, thrilling and fluid.

Storyboard (each shot a separate scene, rapid cuts, all landing on the musical beats):

[0s-1.5s] Shot 1: high side angle: the protagonist sprinting at the roof edge, pursuers appearing in the rooftop doorway behind him, wind catching his coat.

[1s-2.5s] Shot 2: the protagonist leaps across the gap between buildings, body stretching mid-air, towers and flying-car light trails behind him, a slight slow-motion feel.

[2.5s-4s] Shot 3: he lands, rolls and rises, low-angle shot, tower shadows and fog behind him, he keeps running.

[4s-5s] Shot 4: freeze: the instant he hits the edge of the next roof and launches into the jump, silhouette, holding.

Camera: each shot its own angle, cuts clean and hard, no dissolves, a slight frame jitter on the jumps.

Audio: wind, rapid footsteps, city ambience, low score underneath, an accent hit on each leap, the score bursting at 4s, closing the last 1s.

No text, subtitles, logos or watermarks of any kind, no animation or cartoon rendering, no overly-CG look, keep the live-action texture.

このケースの解像度は864×480で、所要時間は約5秒です。私の3060では実行に8分かかりました。

映像は実写アクション映画のような雰囲気があり、テンポも音楽と完璧に調和している。最終カットはわずか5秒だが、その数少ないショットは非常に魅力的だ。

主人公が屋上の端に向かって駆け出すと、背後のドアから追跡者が現れ、トレンチコートが風になびき、たちまち追跡劇が始まる。建物間の隙間を飛び越える最初のシーンは、映像全体の中で最も美しいショットだ。夕日、街の霧、そして空飛ぶ車の光の軌跡が背後に浮かび上がり、主人公はシルエットとなり、建物の高さと距離がはっきりと表現されている。

ケース2：製品紹介ビデオ（960x544）

プロンプトワード：

Premium live-action macro product film. A black stainless-steel mechanical wristwatch with no brand name rests on a dark basalt pedestal inside a black studio.

Single continuous shot.

[0s-1.5s] Extreme macro view of the polished bezel and domed glass. A narrow warm light travels slowly across the metal edge.

[1.5s-3.8s] The camera performs a slow clockwise orbit while focus shifts from the front glass to the visible mechanical movement.

[3.8s-5s] The second hand moves smoothly. A soft cool rim light reveals the silhouette of the watch before the camera stops.

Camera: 100mm macro lens, slow precise movement, shallow depth of field, realistic focus breathing, natural optical reflections.

Lighting: warm narrow key light from camera left, soft blue rim light from behind, deep controlled shadows.

Audio: quiet mechanical ticking, one soft metallic click, low studio room tone.

No text, numbers, brand marks, hands, logos or watermarks. No warped watch case, duplicated crown or melting metal.

このケースも約5秒で完了したが、完了までに14分かかった。

これは以前の屋上追跡よりもはるかに安定しています。カメラはリューズの側面から前面へとゆっくりと移動し、ラグ、ストラップ、ケースを損傷することなく、つや消しと研磨されたエッジは綿密な観察にも耐えられます。

温かみのある光が金属表面を照らし、後半ではクールなトーンの輪郭照明へと変化し、まるで腕時計のコマーシャルのような雰囲気を醸し出している。映像全体を通してカットや中断は一切なく、カメラワークは終始滑らかで、その点は実に素晴らしい。

ケース3 9:16 (480×864) 縦長

プロンプトワード：

Vertical 9:16 realistic live-action portrait film. After rain at night, an adult Chinese woman stands beneath the awning of a small convenience store. Warm indoor light falls across her face while the street behind her remains cool blue and softly out of focus.

[0s-2s] Medium close-up. She looks toward the rain, breathing naturally. A light breeze moves a few strands of hair.

[2s-4.5s] The camera slowly pushes closer. She turns toward the camera with a restrained, thoughtful expression.

[4.5s-6.5s] A passing car creates a brief moving reflection across the wet street and her face. She remains still as the camera settles.

Keep the same face, hairstyle, clothing and age throughout. Natural blinking, subtle breathing, stable eyes and teeth, no beauty-filter skin.

Camera: slow stabilized push-in, 50mm portrait lens, shallow depth of field.

Audio: soft rain, convenience-store refrigerator hum, one distant car passing, no dialogue and no music.

No text, subtitles, logos or watermarks.

この動画は長さ6秒ですが、完成までに14分かかりました。

私が最も満足しているのは、顔の安定性です。キャラクターの顔の比率、年齢、髪型は、横顔からほぼ正面の視点に切り替わっても一貫しており、目や唇もその過程で歪みません。風が髪をなびかせ、最後には自然な瞬きまであります。カメラはゆっくりとズームインし、そのテンポは非常に抑制されており、まるで映画でキャラクターが話す直前の数秒間のようです。

事例4：中国語の会話と口の動き

プロンプトワード：

Realistic live-action drama scene inside a small late-night noodle shop during heavy rain. Warm tungsten light, steamed windows, restrained cinematic color grading.

Single continuous medium shot. An elderly Chinese male shop owner places a bowl of hot noodles on the wooden counter in front of an off-camera customer.

[0s-1.8s] He walks into frame carrying the bowl. Steam rises naturally.

[1.8秒～4.8秒] 彼はボウルを置き、客の方を見て、中国語で正確にこう言います。「熱いうちに召し上がってください。雨はもうすぐ止みます。」

[4.8s-8s] He gives a small friendly nod, wipes his hands on the apron and turns back toward the kitchen.

Natural Mandarin pronunciation, accurate lip synchronization, one male speaker only, no additional dialogue.

Camera: fixed medium shot with a very slow push-in, no cuts and no camera shake.

Audio: clear close male voice, bowl touching the wooden counter, boiling water from the kitchen, rain against the window, low room ambience. No background music.

No subtitles, text, logos or watermarks. Stable face, hands and clothing.

この動画は736×416ピクセルで、長さは8秒、アップロードには11分かかりました。

登場人物が茶碗を持つとき、指、茶碗の縁、箸は比較的安定しており、茶碗を置く動作も重みを感じさせる。歩くとき、下を見るとき、話すときも、顔に目立った歪みはない。カメラワークは終始一貫しており、わずかなズームインのみで、8秒間のシーンは非常に滑らかに仕上がっている。

唇の動きは音に追随し、発音は正確である。プロンプトワード熱いうちに食べなさい。雨はすぐに止んだ。H3は自分の発言のタイミングと上司の親しみやすい口調を完璧にマスターした。

これは、容量60～70GBのMiniMax H3メインモデルを、一般的なコンシューマー向けグラフィックカードのワークフローに組み込むことを可能にするローカル展開ソリューションです。

プロジェクトのアドレス：https://github.com/Comfy-Org/ComfyUI/

低価格帯の構成であれば、RTX 3060 12GBグラフィックカードと32GBのRAMを組み合わせることで、736×416または864×480の解像度で約5秒の動画を生成するのに適しています。

推薦する16GBのVRAMと64GBのRAMを使用すると、5～8秒の960×544動画がより安定して再生できます。1344×768の高解像度で10秒以上の動画の場合は、RTX 4090 24GBまたはRTX 5090 32GBと96～128GBのRAMの組み合わせが推奨されます。

6GBおよび8GBのグラフィックカードでもモデルのアンインストールで起動できる可能性はあるものの、待ち時間と失敗率は比較的高い。ほとんどのゲーマーにとって、MiniMax H3を本格的に体験するには、3060 12GBが既に最低限のスペックと言えるだろう。

AI この動画は現在、ショートビデオ、ECサイト広告、映画の予告編、製品紹介動画などに加工されています。

個人クリエイターや小規模チームにとって、視覚効果はあくまで出発点に過ぎません。制作コスト、素材のプライバシー、パラメータ制御、そして修正効率なども、ツールを長期的に使用できるかどうかに影響します。

ComfyUIのMiniMax H3 INT8ソリューションは、カメラ制御、キャラクターの手ぶれ補正、中国語のセリフ、ネイティブオーディオをローカルワークフローに統合します。モデルをダウンロードすれば、クリエイターは繰り返し修正することができます。プロンプトワード解像度が向上したことで、内部資料をアップロードする必要がなくなり、通話ごとのオンラインサービスのコストも削減されます。

H3はカメラワーク、照明、キャラクターの動き、音響調整を自在に処理できるため、製品予告編、短編ドラマ、広告用絵コンテ、ソーシャルメディアコンテンツなどの制作に最適です。本格的な撮影に進む前に、ローカル環境でアイデアを検証できるため、初期の試行錯誤にかかるコストを大幅に削減できます。

個人クリエイター、独立系スタジオ、小規模コンテンツチームにとって、このソリューションは概念実証と少数の完成品の制作には十分です。

RTX 3060がデスクトップ上でカメラの動き、音声、中国語のセリフを含む完全なクリップをローカルで生成できるようになったとき… AI 動画は実際のコンテンツ制作プロセスに入りました。

元のリンク:3060グラフィックカード上で動作するMiniMax H3が、GitHubで12万5千件のスターを獲得した。