
【無料配布/ComfyUI】MiniMax H3で動画を作る|T2V・I2V・Ref2Vを方式別に解説

MiniMax H3で動画を作る、T2V・I2V・Ref2Vの3本セットです。文章だけで作るならT2V、最初の絵を動かすならI2V、人物や服装などの参照を渡すならRef2V。使いたい方式のJSONを1つ開いて始めます。

完成曲から作るMVと、一枚絵のカメラを動かすKomaOrbitは、別の専用ZIP・専用ガイドに分けました。動画3方式を使うために、この2つを導入する必要はありません。
入手するのは「H3 Video」のZIP
H3_Video_20261114072010_v1.2.2.zip をダウンロード
このZIPに入るワークフローはT2V・I2V・Ref2Vの3本だけです。必要な5つのカスタムノード、英日ガイド、モデル取得先、検査ファイル、ライセンスも含みます。MVのJSONとMV専用ノード、KomaOrbitは入りません。モデル本体・ComfyUI・LM Studio・入力素材は別途用意します。
現行版はv1.2.2です。公開ZIPだけでLM Studioへ接続できるように依存関係を修正し、画面文字の禁止指定、動作のやり直し、人物重複の検査を改善しました。上の名前付きZIPを使ってください。
共通導入:3方式を使う準備
検証環境はWSL2 Ubuntu、RTX 5080 16GB、CUDA版PyTorchです。16GBは最低保証ではありません。MiniMax H3/V3ノードAPIとResolutionSelectorに対応したComfyUI、PyTorchに合うTriton、FFmpeg/ffprobe、LM Studioと画像対応ローカルモデルが必要です。
H3用モデルは、拡散モデル1つ、テキストエンコーダー1つ、映像VAEと音声VAEの計4ファイルで、合計約40.44GBです。ファイル名、配置先、取得元、SHA-256はZIP内のmodels.jsonにあります。字幕やローカル音声検査を使う場合は、GGUFではなくTransformers形式のopenai/whisper-large-v3-turboも用意します。
ZIP全体を展開し、python -B verify_package.pyを実行します。3本のWorkflow OKとPackage checks passedを確認します。
同梱のcustom_nodes内の5フォルダーを、ComfyUIのcustom_nodes直下へ配置します。同名の旧版はComfyUIの外へ退避し、二重配置しません。
ComfyUIが使うPythonでpython -m pip install -r requirements.txtを実行し、models.jsonに従ってH3用4モデルを配置します。
LM Studioを手動で起動して画像対応モデルをロードし、Endpointとmodel IDをワークフローへ合わせます。音声検査のWhisperはconfigure_audio_audit.pyで設定します。
ComfyUIを完全に再起動し、下のうち使いたい方式のJSONだけを開きます。
配置先の図、モデル4ファイルのリンク、Windows Portable/WSLのコマンド、LM StudioとWhisperの設定は、同梱のdocs/h3/SETUP.mdと共通導入ガイドにまとめています。
T2V:文章だけから動画を作る
入力は文章です。画像は要りません。workflowsフォルダーの T2V_H3_T2V-I2V-Ref2V_4step_20261114065048_v1.2.2.json を開きます。
「動画指示・LMルール・完成英語プロンプト」の一番上へ、作りたい場面を書きます。中央の基本ルールはそのままにします。
初回は5秒・16:9・0.4MPにします。文章にも尺を書くなら「全体5秒」にそろえます。
「実行する」を押し、完成MP4を最後まで再生します。
入力例:全体5秒。公園に成人の旅行者が一人。カメラに向かって一度だけ手を振る。固定カメラ。台詞・歌・BGM・字幕なし。
I2V:最初の一枚を動かす
入力は開始画像1枚と動きの指示です。I2V_H3_T2V-I2V-Ref2V_4step_20261114065048_v1.2.2.json を開きます。T2Vを先に実行する必要はありません。
「開始画像:ここへアップロード(必須)」へ画像を入れます。
元画像と動画の縦横比をそろえ、「動画指示」に動きを書きます。
初回は5秒で実行し、最初の構図、人物の顔・服装と動きを確認します。
入力例:全体5秒。開始画像の人物がゆっくりカメラへ顔を向け、一度だけ微笑む。髪型と衣装を保つ。カメラ固定。台詞・歌・BGM・字幕なし。
Ref2V:人物・衣装・場所の参照を渡す
入力は1~5枚の参照画像です。開始フレームを固定するI2Vとは異なり、映像に出したい人物や物などの参考として使います。Ref2V_H3_T2V-I2V-Ref2V_4step_20261114065048_v1.2.2.json を開きます。
「参照画像1:アップロード(必須)」へ画像を入れます。1枚だけなら、他の画像ノードは無効のまま使えます。
2~5枚目を使う場合だけ、順番に画像を入れ、対象ノードを選択してCtrl+Bで有効にします。空欄を有効にするとエラーになります。
「画像1は人物の顔と髪型、画像2は衣装、登場人物は一人」のように役割を分けて書き、初回は5秒で実行します。
3方式共通:日本語入力と直接入力
上段の日本語欄に指示がある場合、LM StudioがH3用の英語プロンプトへ変換します。台詞、話者、時間、見た目、カメラ、音を構造化し、変換後の内容を画面で確認してからH3へ渡します。
日本語欄を空にすると、下段の完成H3プロンプトを直接使います。この場合は日本語変換を呼びません。ただし区間AI検査がONなら、生成後の映像確認にはLM Studioを使います。入力方式と検査方式を混同せず、LM Studioを使わない検証では区間AI検査を明示的にOFFにします。
3方式共通:尺、区間生成、再開
台詞を固定30秒へ押し込まず、指定秒数と台詞時刻から必要な尺を決めます。指定がなければ15秒を基本にし、長い動画は複数区間へ分けて生成・結合します。映像はsimple 4step、SLA 0.9、音声保護ON、音声再精錬は2step・denoise 0.5です。
各区間は初回を含む累計最大5回です。検査に合格すれば次へ進み、上限へ達した場合は候補から最良の互換結果を使います。前区間を変更しても、消費済み回数を無制限に戻しません。再開時は同じcache_name、モデル、入力、シード、尺を使い、resumeをONにします。崩れた区間だけをreroll_from_segmentで指定できます。
ローカルWhisperは、指定外の反復発声や台詞語尾の崩れを検査します。短い自然な息や一度の長母音は、それだけで二重発声と同じ不合格にはしません。認識結果だけで自然さを保証できないため、完成動画は実際に試聴します。
保存先と完成後の確認
T2V・I2V・Ref2Vの完成動画は、ComfyUI/output/video/MiniMax_H3/H3_T2V-I2V-Ref2V/以下へ保存されます。画面では「変更場所:完成動画の保存先(output基準)」が保存を担当します。
人物数、髪型、服装、台詞の全文、二重発声、不要な字幕、尺を実際に再生して確認してください。自動検査の合格だけで全フレームの品質を保証するものではありません。
設定・再開・トラブル対応には、resume、reroll_from_segment、モデル不足、LM Studio接続、音声検査などの切り分けを記載しています。
MVとKomaOrbitを使いたい場合
完成曲を映像にしたい場合は、MV専用記事へ進んでください。H3_MVのZIPには必要な共通ノードも入っています。動画3方式と併用するときは共通ノードを重複配置しません。
一枚絵のカメラを回したい場合は、KomaOrbitの記事へ。別のモデル構成と導入手順を使うため、この動画3方式ZIPへ混ぜて導入する必要はありません。
同梱外の追加設定:Comfy Kitchen Attention
以下は過去に確認した追加設定の記録で、今回のZIPに自動的に適用済みではありません。初回導入に必須の設定ではないため、まず配布JSONのまま確認してください。
Fused Turbo・Res Multistep・Simple・4ステップの映像生成と、SLAの音声保護はそのまま使い、音声の再精錬にだけ Comfy Kitchen Attention を指定する構成を、T2V・I2V・Ref2Vで検証しました。四コマも元画像解析から最終保存までの通常経路で検証を完了しました。前処理と採用4区間が検査に合格し、最終MP4は26.542秒・864×480・24fpsです。計画尺は31秒でしたが、通常の原因別修正が2区間目の台詞完了後の不要な反復発声より前で末尾を自動短縮しています。BGM合成後の最終音声の再認識でも、4本の台詞全文と追加台詞なしを確認しました。別PC用の四コマZIPも作成しました。上記の公開ZIPにこの追加設定が収録済みという意味ではありません。
接続は、UNETローダーからSLAを経由して映像用のmodel入力へ。別の枝で同じUNETローダーから ModelAttentionBackend を経由し、comfy kitchen attention を選んで audio_refine_model 入力へつなぎます。SLAの後ろへ直列に追加すると注意機構の指定が上書きされるため、映像と音声の枝を分けます。
I2VとRef2Vでは参照画像の処理サイズをmatchにして、生成解像度に合わせます。T2Vは参照画像がないため、この変更による短縮はありません。四コマは人物や細部の維持を優先し、参照画像サイズmaxを維持します。音声の再精錬はT2V・I2V・Ref2Vが2ステップ/denoise 0.5、四コマが4ステップ/denoise 1.0です。映像の4ステップとは別の設定です。
ModelAttentionBackendがあるComfyUIと、Comfy Kitchen Attentionに対応した環境が必要です。未対応のPCでは既存のPyTorch attentionの構成を使ってください。別モデルへの差し替えや、新しいモデルのダウンロードを必須にする変更ではありません。
速度は解像度、区間数、モデルの読み込み、検査と再生成によって変わります。過去の5秒・1344×768の計測では241.216秒から181.227秒へ短縮しましたが、この計測動画には人物の外観が変わる区間があり、品質合格の根拠には使いません。全ワークフローで約25%速くなるという保証でもありません。T2V・I2V・Ref2Vは別途、通常経路の5秒・864×480で生成し、映像・台詞の検査合格を確認しています。
検証済みの範囲
2026年11月14日のv1.2.2では、公開T2Vの通常経路から15.000秒・864×480・24fps・H.264/AACを生成し、初回候補が全体・冒頭検査に合格しました。実フレームも確認しています。同梱LMクライアントで動作の正常例・やり直し異常例・人物重複を実検証し、両ZIPの新規展開、全ハッシュ、タグからの再構築一致を確認しました。今回、I2V・Ref2V・MVの新規GPU生成や全編の音声試聴は行っていません。各方式の過去の検証記録は同梱VALIDATION.mdにあります。
自動検査の合格は、全フレームの人物一致や音声の自然さを保証しません。人物の分身、明らかな髪型や衣装の不一致、台詞の破綻、二重発声、字幕ずれは完成映像で確認し、入力、プロンプト、区間、再生成のどこを直すべきかを切り分けます。
Usage terms / 利用条件
ソースコード公開・利用無料。個人利用、業務、社内利用、受託制作、無料の組み込み・無料提供は、申請・事前連絡・FURUの許可が不要です。第三者とAPI提供元の条件・料金は別です。
対象はH3ワークフローの現行ソースv1.2.2のFURU独自部分(MIT)です。同梱のLong VideoはGPL-3.0-only、AudioRefine・Custom Scriptsは各作者のMIT、PlagueKindはMITとLightX2V由来部分のApache-2.0です。MiniMax H3のモデルは別のCommunity Licenseです。Qwen・Whisper等のモデル、第三者の素材や音声、別プロジェクトは各条件を保持します。
道具として制作した文章・画像・漫画・動画・音声等の公開、販売、収益化、納品について、FURUへの申請・個別許可・利用料・クレジット表記は不要です。第三者の作品・素材・声・音楽等の権利は別途確認してください。
無料Web記事、note等の有料紹介記事、独自の解説・レビュー・講座も、対象ソフトウェアの複製・改変版を商品に含めなければ、FURUへの許可・事前連絡・利用料は不要です。FURUが許諾できる操作画面・操作動画の紹介掲載と、通常の配布ページへのリンクを認めます。画面や動画内の第三者の作品・素材・音声等の条件は別途確認してください。
無料再配布・無料組み込みでは各適用ライセンスに従い、必要な著作権表示・許諾文・第三者ライセンスを保持し、該当する改変を明示してください。サービスでは利用者が確認できる説明ページへの案内をお願いしますが、既存ライセンスを超える義務は追加しません。FURUの公式・公認・提携と偽って表示しないでください。
現行のMIT・Apache-2.0・GPL-3.0許諾では、各条件を守るソフトウェアの販売・有料配布、有料商品・アプリ・サービスへの組み込み、機能の有料提供、複製・改変版を含む有料教材・会員向け配布・購入者限定の「無料特典」も認められます。その許諾内の利用にFURUの事前許可を追加で求めません。7アプリの商品化の事前許可方針は、既に許諾済みのこれらの部分へ遡及適用しません。第三者の条件はFURUが免除できません。
FURUの利用案内では広告収益や任意の寄付だけでは機能の有料提供として扱いません。社内だけの組み込み、自分で道具として使う受託制作・完成作品の販売・納品にはFURUの許可は不要です。この区分は第三者の非商用条件の意味を変更しません。
適用ライセンスの範囲外で個別の許可を求める場合は、対象のプロジェクト・版・ファイル、利用方法、提供先、料金の有無を添えてFURUへお問い合わせください。FURUがメール等の記録に残る方法で許可の旨と対象範囲を返信すれば、その範囲で有効です。紙の契約書・押印は不要です。問い合わせ送信、自動返信、無応答だけでは許可になりません。既存許諾内の利用には問い合わせ自体が不要です。FURUは他者の権利を許可できません。
利用しただけでFURUが成果物の権利を取得したり、ソフトウェア条件を成果物へ適用したりしません。成果物中のソフトウェア自体の複製・改変部分は、その適用ライセンスに従います。著作権の成立・帰属、第三者の権利、契約、API提供元の条件は別途判断してください。
本案内はFURUが許諾できる寄与部分に限ります。第三者のコード・モデル・ノード・素材・外部サービス・別プロジェクトはそれぞれの条件を保持し、リンク・同梱・紹介しただけでFURUの許諾対象になりません。
2026年10月8日の今回の文書改定は現行条件を明確化するものです。MIT・GPL・Apache・Creative Commons等の既存の有効な許諾を取り消したり狭めたりせず、過去版・既存ZIPにも遡及適用しません。将来変更する場合は適用可能な版・ファイル・権利者を明示します。商品化を制限する独自条件の対象を「OSS」と表示せず、「ソースコード公開・利用無料」と表示します。
利用案内全文 / 対象版・ファイル・権利者
更新履歴
2026年11月14日:v1.2.2へ更新。公開版のLM Studio接続と画像検査を修正しました。文書訂正版では、ダウンロードボタン・導入ファイル名・現行版表示を揃えています。生成処理は検証済みv1.2.2と同一です。
2026年11月5日:動画3方式、MV、KomaOrbitの配布を分離。各方式の説明を独立させ、H3_Video_20261105183000_v1.2.1.zipへの案内へ統一しました。以前の添付・画像・動画は保持しています。
2026年10月23日:映像4ステップとSLA音声保護を維持し、音声再精錬だけにComfy Kitchen Attentionを使う追加設定を追記。I2V・Ref2Vの参照画像サイズmatch、3方式の通常経路での5秒検証、実測の限界を明記しました。四コマも前処理・4区間・通しBGM・タイトル・終了表示・最終保存まで検証し、26.542秒の出力と最終音声の台詞全文を確認しました。公開中の配布ZIPとソースv1.2.1を区別し、存在しないReleaseへの案内を訂正しました。
v1.2.1(2026年9月23日):MV素材schema v2の1~12人を別Subjectと安定話者IDへ対応付け、人物の融合・入れ替わり・分身、指定外の複数人同時歌唱を抑える処理を追加。
v1.2.0:YuE2等の完成曲、歌詞、キャラクター画像から作るMV、可変尺、Whisper字幕、元曲への差し替え、タイトル、リンク、フェードを追加。
v1.1.9:要求尺を超えるタイムラインと音声禁止指定の解析漏れを修正し、T2V・I2V・Ref2Vの5秒経路を再確認。
v1.1.8以前:LM Studio進捗、GPUからCPUへの切替、4step生成、音声再精錬、可変尺、区間再開、ローカル音声検査を整備。
ほかのアプリ・ワークフロー
制作に使えるアプリとComfyUIワークフローの紹介記事です。