MiniMax H3 ローカル設定ガイド：ComfyUI、モデル、VRAM、および最初のレンダリング

AI Overview

MiniMax H3 はローカルで実行可能ですか？

はい。MiniMax は H3 の重み（weights）と ComfyUI 互換パッケージを公開していますが、実用可能なインストールには、適切な拡散モデル、テキストエンコーダー、動画用 VAE、音声用 VAE、ワークフロー、およびオフロード用の十分なシステムメモリが必要です。

MiniMax H3 に必要な VRAM はどのくらいですか？

必要 VRAM は一意ではなく、精度、量子化、解像度、動画長、およびオフロード設定によってメモリ使用量が変化します。剪定済み INT8 ワークフローでは、24 GB GPU が実用的な目標値です。それより小さな GPU では、より強力な量子化と忍耐力が必要になります。

どの MiniMax H3 モデルをダウンロードすべきですか？

テキスト、最初のフレーム、最後のフレーム、または画像主導の生成には FL2VA を選択してください。複数の参照画像、動画、または音声を処理するワークフローには Ref2VA を選択してください。リポジトリ全体を無批判にダウンロードしないでください。

ローカル H3 は Seedance Agent よりも優れていますか？

ローカル H3 は、グラフおよびファイルに対する最大限の制御を提供します。一方、ドライバー管理、重みの維持、VRAM 対応策、ショット記録、承認、部分再実行などを自ら行いたくない場合は、Seedance Agent の方が適しています。

ご使用のマシンが準備できているかを判断する

GPU メモリ、システム RAM、ストレージを総合的に確認する

MiniMax H3 ローカル環境構築ガイドは、インストールコマンドではなく、まず「容量」から始める必要があります。公式 MiniMax リポジトリは、複数のパイプラインおよびコンポーネントを含むため、約 498 GB に達します。通常、必要なのは 1 つの拡散チェックポイント、それに一致するテキストエンコーダー、動画用 VAE、音声用 VAE、および 1 つのワークフローのみです。それでも、キャッシュ、一時ファイル、出力動画を含まない状態でも、縮小されたスタックでも数十ギガバイトを占めます。

シンプルな ComfyUI 開始には、剪定済み INT8 拡散モデルと、積極的に縮小されたテキストエンコーダー（オフロードあり）を想定した、24 GB の VRAM が実用的な目標値です。12–16 GB の VRAM では、コミュニティ製 GGUF またはその他の量子化手法を用いることで動作可能ですが、セットアップはより繊細になり、生成速度も遅くなります。8 GB の VRAM での動作という主張は、通常、CPU/RAM への大幅なオフロードと特定のランタイムに依存しており、「起動可能」であることを示すものであって、「快適に動作」することを保証するものではありません。余裕のあるシステム RAM と高速 SSD ストレージを確保してください。VRAM だけがボトルネックになるわけではありません。

ホスト型の MiniMax H3 ジェネレーター が、最も迅速な制御テストです。まずはそこで同じ短いアイデアを実行してみてください。ローカルでの結果が失敗した場合、プロンプトやモデルの制限によるものか、インストールの問題によるものかを分離できます。

本ガイドのために作成された完成出力のコンセプト画像。顔、衣装、三日月の幾何学的形状、工具の接触点、火花、工房のレイアウト——これらすべてが、ローカル環境における初回品質検証として厳しい要求を満たします。

Apple Silicon は別途の経路として扱う

公式統合インデックスは現在、Apple Silicon 向けの実験的 Metal ネイティブ H3 経路を指していますが、これは標準的な CUDA および ComfyUI 設定とは異なる運用経路です。NVIDIA ウィール（wheel）コマンドを Mac にコピーして実行しても、正常に動作しません。選択したプロジェクトが対応するチップ、メモリ、ワークフロータイプ、および現時点での制限事項を確認し、その後、小さなテストを実行してください。Mac 上で信頼性の高い本番運用を実現したい場合、新しいローカルポートのデバッグよりも、ホスト型経路の方が迅速である可能性があります。

適切なスタックおよびワークフローを選択する

ライブラリレベルの制御が必要でない限り、ComfyUI から始める

ComfyUI は、現在のテンプレートがモデルローダー、テキストエンコーダー、VAE、サンプラー、音声デコード、最終動画アセンブリをすべてカプセル化しているため、最も手軽なローカル経路です。H3 テンプレートをインポートする前に、必ず ComfyUI を更新してください。古い安定版ビルドでは、必要なノードタイプが認識されない場合があります。コアテンプレートと任意のカスタムノードを一切追加しない状態から始め、クリーンなベースラインレンダリングが成功した後にのみ、アクセラレーション、キャッシュ、補間、またはアップスケーリングを追加してください。

Diffusers 直接利用やカスタム Python 経路は、サービス開発および研究に有用ですが、より多くの依存関係およびパイプライン設計の判断をユーザーに委ねます。モデルホスティングページに掲載されている簡易スニペットは、完全な音声・動画ワークフローを表していない可能性があります。単一のローカルクリップを目的とする場合、ファイル名から各コンポーネントを再構築するよりも、メンテナンスされたワークフローから開始することを推奨します。

作業内容に応じて FL2VA または Ref2VA を選択する

FL2VA は、テキスト→動画、画像→動画、および最初／最後のフレーム制御に使用されるファミリーです。Ref2VA は、参照画像、動画、音声を処理する別のチェックポイントファミリーです。Ref2VA ワークフローに FL2VA の重みを読み込むことは、無害な置き換えではありません。グラフは異なる条件付けルートを期待しています。Ref2V と FL2VA の比較ガイド で、この選択について詳細に説明しています。

初回テストには、FL2VA のテキスト→動画または単一画像の I2V を選択してください。これらの手法は可動部品が少なく、リスクが低いです。ベースラインでランタイム、VAE、出力チェーンが正常に機能することを確認した後のみ、Ref2VA へ移行してください。

必要なファイルをダウンロードして配置する

ダウンロード前にマニフェストを作成する

正確なワークフローファイル名およびそれが参照するすべてのモデルファイル名を書き出してください。実用的なマニフェストは 4 行で構成されます：拡散モデル、テキストエンコーダー、動画用 VAE、音声用 VAE。精度、ファイルサイズ、ソースリポジトリ、ターゲットディレクトリ、および公開されている場合はチェックサムも記録してください。これにより、以下のような高コストなミスを防げます：利用可能なすべてのバリエーションを無差別にダウンロードすること、および同一グラフ向けに設計されていないファイルを誤って組み合わせること。

現在の ComfyUI パッケージでは、ディレクトリ構造は以下のようになります：```text ComfyUI/models/diffusion_models/<H3 diffusion checkpoint> ComfyUI/models/text_encoders/<matching Qwen3-VL text encoder> ComfyUI/models/vae/<MiniMax H3 video VAE> ComfyUI/models/vae/<MiniMax H3 audio VAE>

オープンウェイトのローカルパイプラインは768p動画を生成します。ホストされた2K再生成は、別途提供されるサービスです。通常のローカルグラフが2K出力を得られるようになることを期待して、「2K」とラベル付けられたファイルをダウンロードしないでください。

### 起動前にファイル名を確認する

各ダウンロード後、バイトサイズとチェックサムを比較し、ワークフロー選択器で指定したファイル名がディスク上の実際のファイル名と完全に一致することを確認してください。部分的にダウンロードされたモデルはフォルダ内に存在しても、後に混乱を招くテンソルエラーまたはデシリアライズエラーを引き起こす可能性があります。FL2VA および Ref2VA の拡散重みは、明確に識別できる名称で管理してください。複数の量子化（quantization）を試す場合は、1つのコンポーネントだけを変更し、それぞれの動作確認済みグラフを新しいバージョン付きの名称で保存してください。

![同じ鍛冶屋が三日月形の彫刻に精密な近接ハンマー打撃を行う](https://r2.seedance.tv/blog/minimax-h3-local-setup-guide/blacksmith-hammer-detail-output-v1.png)

*完成したフレームの拡大表示により、ローカル設定が人物の同一性、手と物体の接触、工具の形状、彫刻の形状、およびカメラ距離変化時の描写を維持しているかを確認できます。*

## ワークフローをインポートし、ベースラインレンダリングを実行

### まず読み込み、その後赤色ノードを解決

更新済みの ComfyUI インストールで公式テンプレートを開きます。ノードが赤色または不明な状態の場合、そのノードが現在の ComfyUI コアに属するものか、あるいは文書化済みのカスタムパッケージに由来するものかを特定してください。ノードマネージャーが推奨するすべてのノードを無条件にインストールしないでください。必要なパッケージを追加・変更した後は、必ず再起動を行い、テンプレートを再開して、4つのマニフェストファイルを対応するローダーで正しく選択してください。

短い再生時間、控えめなランドスケープ解像度、テンプレートから採用した標準サンプラー設定、およびシンプルなプロンプトを設定します。LoRA、参照パック、アップスケーラー、フレーム補間、長尺マルチショットプロンプトは使用しないでください。最初の受入基準は機械的であるべきです：プロンプトがキューに登録され、モデルが1回のみロードされ、サンプリングが進行し、動画および音声のデコードが成功し、最終MP4が正常再生されること。さらに、2回目の実行時に予期せず再ダウンロードや再コンパイルが発生しないことも確認してください。

### 一般的な障害を露呈する1つのプロンプトを使用

明るく照らされた場所で、聴こえるイベントを伴う物理的な動作を行う被写体を含むプロンプトを試してください。「青紫色のシャツと茶色のエプロンを着た鍛冶屋が、三日月形の彫刻を1回打ち付ける。火花が左へ跳ね、その後彼女はそれを消火タンクへとゆっくりと下ろす。明るい工房の昼光、安定した顔と手の描写、明瞭なハンマー衝撃と蒸気発生。」このプロンプトは、物語全体ではなく、人物の同一性、物体の形状、接触、動き、光、音といった要素を一貫して検証できます。

```official-video
src=https://r2.seedance.tv/blog/minimax-h3-first-and-last-frame/official-flf-output-v1.mp4
poster=https://r2.seedance.tv/blog/minimax-h3-first-and-last-frame/official-flf-poster-v1.png
label=MiniMax H3 first-and-last-frame output sample

ローカルグラフが実際の動きを生成し、一貫したトランジションを実現し、単独のフレームではなく再生可能な完成動画を出力するかどうかを確認するための、H3による完成出力例。

最も一般的なローカル障害の修正

失敗した処理段階に基づいて診断

テキストエンコーディング中にOOM（Out-of-Memory）エラーが発生した場合、原因はテキストエンコーダーまたはそのオフロード戦略にあります。サンプリング中に発生した場合は、拡散モデル、潜在空間サイズ、再生時間、アテンション実装、またはオフロード挙動が関係しています。デコード中に発生した場合は、動画／音声VAEおよびGPUの空き容量（headroom）が原因です。すべてのクラッシュを単純に「VRAM不足」と判断せず、最後に正常終了したノードを記録してください。まず再生時間と解像度を縮小し、他のGPU利用アプリを終了させ、既知の互換性のある量子化設定でテストを行ってください。

VAEが読み込めない場合は、動画および音声ファイルが models/vae 内に存在し、完全な状態であること、かつ正しいローダーによって選択されていることを確認してください。最終動画に音声が含まれていない場合は、音声VAEが結合潜在表現（joint latent）の音声部分を正しくデコードしたか、および最終動画ノードが両ストリーム（動画＋音声）を正しく多重化（mux）したかを確認してください。H3 VAEおよびTensorRT高速化ガイド を参照すると、デコードのボトルネックとサンプリング速度の問題を分離できます。

蒸気、水との接触、トング、顔、三日月の形状は、単純なハンマー打撃が通過した後の、より高度な動きとデコードの検証ポイントとなります。

最適化を1つずつ追加

ベースラインが正常に動作したら、Turbo LoRA、SageAttention、ブロックキャッシュ、別の量子化、カスタムVAEパスなどを追加する前に、ワークフローを複製してください。1つの変数のみを変更し、同じシードとプロンプトで再実行してください。ピークVRAM使用量、壁時刻（wall time）、出力ファイルサイズ、可視化可能なアーティファクト、音声品質を記録してください。4段階の加速は、高速な動きや音声に影響を与える可能性があります。クリップが依然として品質審査を通過する場合にのみ、速度向上は意味を持ちます。

動作確認済み1つのグラフを本番向けワークフローへと進化

グラフ、実行環境、出力を一括でバージョン管理

動作確認済みのワークフローJSONを、以下の情報を含むマニフェストとともに保存してください：ComfyUI のコミットハッシュ、カスタムノードのコミットハッシュ、Python／PyTorch／CUDAのバージョン、GPUモデル、モデルのハッシュ値、シード値、解像度、再生時間、サンプラー設定。今後 /prompt 経由で送信する予定がある場合は、API形式のワークフローを別途エクスポートしてください。エディタ用JSONとAPI用JSONは互換性がありません。プレビュー、最終MP4、ログはすべて同一ジョブIDの下に保管してください。

長尺のストーリーでは、短いブロック単位で処理し、承認済みの終端点（endpoint）を次のブロックへと継承してください。マルチキーフレームワークフロー では中間的な視覚的アンカーについて説明しており、再開可能なマルチショットワークフロー では、終盤近くで障害が発生した場合でも、全工程を最初からやり直さずに済むようにチェックポイントを活用する方法を紹介しています。

MiniMax H3 reference-to-video output sample

同一人物の同一性、参照画像の影響、カメラ挙動、ネイティブ音声、および基本的な FL2VA パスが安定した後の最終マルチプレクスファイルを確認するための、明確に完成された H3 参照出力。

ローカル H3 か Seedance Agent の選択

実際に価値を生む場合にのみローカル制御を維持

モデルファイルを自マシン上に留めなければならない場合、カスタムノードや実験的量子化が必要な場合、GPU 環境を自ら維持できる場合、かつイテレーション時間が許容可能である場合に、ローカル H3 は意味を持ちます。ワークフロー JSON、シード、中間状態、自動化エンドポイントへ直接アクセスできることで、研究や特殊なパイプラインにおいてその制御性は価値がありますが、継続的なメンテナンス負担も発生します。

Seedance Agent は、ドライバー互換性、ストレージ、オフロード、ノードバージョン、レンダリング復旧といった課題を「第二のプロジェクト」として扱いたくないチームに適しています。簡潔な指示をレビュー可能なショットプランに変換し、各ショットに参照役割と承認基準を紐付け、完成出力を提示し、承認後に弱いセクションのみを再実行できます。

終了フレームは、衝撃から完成品に至る一連のローカル処理全体を通じて、人物の同一性、衣装、工房のレイアウト、および三日月の幾何形状が保持されるかどうかを検証します。

結論

信頼性の高い MiniMax H3 ローカル環境構築 は、「H3」とラベル付けられたすべてのものをダウンロードすることから始めるのではなく、まず適切なタスクファミリーを選択することから始めます。ハードウェアとストレージの要件を確認し、ComfyUI を更新し、1つの拡散チェックポイントとそれに一致するテキストエンコーダーおよび両方の VAE をペアリングし、ファイルを所定のフォルダーに配置し、アクセラレーションや複雑な参照を追加する前に短いベースラインレンダリングを実行します。動作確認済みの組み合わせはすべてバージョン管理し、新しいノードや量子化によって既知の正常動作環境が上書きされないようにします。ローカル制御よりも、プランニング、レビュー、連続性、回復可能な制作プロセスが重要である場合は、プロジェクトを Seedance Agent で開始し、スタック全体のメンテナンスを自ら行わずに MiniMax H3 を活用してください。