ComfyPilotComfyPilot
文档 / 教程 / FastVideo FastH3：ComfyUI 工作流示例

FastVideo FastH3：ComfyUI 工作流示例

FastVideo FastH3 在 ComfyUI 中以 8 个采样步数生成带同步音频的 MiniMax H3 视频，支持文生视频与首尾帧工作流。

教程 minimax-h3-fastvideo 更新于 2026-10-31

查看官方原文

FastVideo FastH3：ComfyUI 工作流示例

FastVideo FastH3 在 ComfyUI 中以 8 个采样步数生成带同步音频的 MiniMax H3 视频，支持文生视频与首尾帧工作流。

FastVideo FastH3 是 FastVideo 团队基于 MiniMax H3 蒸馏得到的 DMD2 模型，能以 8 个采样步数生成带原生同步音频的视频，而不是基础模型的完整调度。它复用了 H3 的文本编码器、视频 VAE 和音频 VAE，因此输出设置与基础模型一致，而采样步数大幅减少。

FastH3 预览版由 Nuva Lab 与 NVIDIA FastGen 团队合作开发；蒸馏细节请阅读 FastH3 发布公告。ComfyUI 内置的是 8 步 V2 检查点，由 Comfy-Org 重新打包在 FastVideo-FastH3-Comfy 仓库中。

FastH3 以部分运动和音频保真度换取速度。适合草稿、迭代和快速出片；对画质要求最高时请使用基础版 MiniMax H3 工作流。

[!NOTE] 该蒸馏检查点仅支持文本生成视频和首尾帧图生视频。Ref2VA（多参考条件）未做蒸馏；基于参考的生成请使用基础版 MiniMax H3 工作流。

环境要求

  • ComfyUI 0.36.0 或更高版本
  • MiniMax H3 的文本编码器和 VAE（与基础模型共用，见下方列表）

FastH3 文本生成视频

以 8 个步数从文本提示词生成带同步音频的视频。

<video controls src="https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/output/video_fastvideo_fasth3_t2v.mp4" />

[card] 下载工作流 下载 JSON，或在模板库中搜索 "FastVideo FastH3: Text to Video"

提示词技巧

  1. 描述完整场景：先说明整体场景（地点、角色、正在发生什么），再拆分为按时间排列的分镜
  2. 分镜、镜头与音频：在一段提示词中同时描述分镜、镜头运动和配套音频（对白、音效、音乐）
  3. 分辨率：H3 的原生画布短边为 768px，面积为 768×1344，分辨率会取整到 32 的倍数。节点接受更大的尺寸，但只会更慢，细节不会增加
  4. 时长：时长输入会对齐到模型 24fps 下每块 17 帧（17k+5）的网格
  5. 步数固定为 8：该蒸馏检查点按 8 步训练；更改调度器的步数会降低质量

提示词编写资源请参阅提示词指南。

FastH3 图生视频

让静态图片动起来并带同步音频，支持可选的首尾帧控制。

<video controls src="https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/output/video_fastvideo_fasth3_i2v.mp4" />

[card] 下载工作流 下载 JSON，或在模板库中搜索 "FastVideo FastH3: Image to Video"

输入素材

将此文件上传到对应的 LoadImage 节点，或使用你自己的图片：

[card] red\_line\_barrier.png 图生视频工作流的示例首帧

首尾帧模式

将图片连接到 MiniMaxH3ImageToVideo 节点的 first_frame 和/或 last_frame，即可在两个关键帧之间生成运动。两者都不连接时为文本生成视频。

提示词技巧

  1. 描述运动与音频：画面外观由图片提供，提示词应聚焦运动、镜头和配套音频
  2. 时长：时长输入会对齐到模型 24fps 下每块 17 帧（17k+5）的网格
  3. 步数固定为 8：调度器保持 8 步；该检查点按此调度蒸馏

模型下载

扩散模型来自 FastVideo 仓库；文本编码器和 VAE 与基础版 MiniMax H3 模型共用。

[card] 扩散模型: fastvideo\_fasth3\_8step\_v2\_pruned\_int8\_convrot 放置于 ComfyUI/models/diffusion_models/
[card] 文本编码器: qwen3vl\_32b\_minimax\_h3\_nvfp4\_awq 放置于 ComfyUI/models/text_encoders/
[card] VAE: minimax\_h3\_video\_vae\_int8\_convrot 放置于 ComfyUI/models/vae/
[card] VAE: minimax\_h3\_audio\_vae\_fp32 放置于 ComfyUI/models/vae/

模型存放位置

ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── fastvideo_fasth3_8step_v2_pruned_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
│   └── 📂 vae/
│       ├── minimax_h3_video_vae_int8_convrot.safetensors
│       └── minimax_h3_audio_vae_fp32.safetensors

工作流结构说明

两个 FastH3 工作流与基础版 H3 设置共用以下节点，并采用蒸馏专用设置：

  • BlockSparseAttention：运行 Video Sparse Attention（VSA），keep_percent 设为 10，并从调度的 20% 处开始生效，在保持质量的同时降低注意力计算成本
  • MiniMaxH3SigmaShift：应用与蒸馏调度匹配的 H3 sigma shift（视频为 10，音频为 3）
  • ComfyMathExpression：将时长输入转换为 24fps 下 17k+5 网格上的有效帧 length
  • 采样器：res_multistep 采样器，配合 simple 调度器，8 步

FastH3 权重包含 to_gate_compress 门控层，VSA 的粗粒度分支会读取这些层。基础版 H3 checkpoint 没有这些层。要比较这两种方法，请在 Model Sparse Attention 节点上将 method 设为 sol-attn，并保持相同的种子。sol-attn 无需匹配的权重，可在任意 H3 checkpoint 上按你设置的 tau 运行。