[Benchmark] 一張 5090 跑會說話的 33B 影片模型:MiniMax-H3 從下載到生出第一支片

白話版:一次就把畫面和聲音一起生出來

以前要做一支有人講話的短片，流程是分開的:先讓一個模型生影像，再讓另一個模型配音，最後想辦法把嘴型跟聲音對上。對不上是常態，因為那兩個模型從頭到尾沒見過對方。

H3 換了個做法。你給它一段文字，它一次就吐出畫面和聲音——講的話、風吹的聲音、背景的配樂，全部是同一次計算的產物。嘴型會對，不是因為有人去對，是因為畫面和聲音本來就是同一個東西的兩個側面，中間沒有接縫可以歪掉。

代價是它很大。這篇要講的就是怎麼把它縮到一張消費級顯卡塞得下，然後生出第一支片。

---

前言

樂團錄音有兩種做法。一種是分軌:鼓先錄、貝斯再疊上去、人聲最後補，好處是每軌都能單獨修，壞處是修完要花很多工夫讓它們聽起來像同時發生的。另一種是全員進棚一次收，聲音天生就是同一個空間裡長出來的。

影音生成模型現在大多是第一種。MiniMax 在 2026 年 8 月 2 日放出來的 H3 是第二種。

這篇是新手向的完整流程:一張 RTX 5090，從要下載哪些檔開始，到生出第一支有聲片為止。 我另外跑的機器和中間繞的路都不在這篇裡。

---

你會拿到什麼

跑完這篇你會有一套本機的影音生成環境，能做到:

• 純文字生出 4 到 15 秒、24fps、帶 32 kHz 立體聲的影片
• 對白嘴型自動同步，支援 11 種語言的口說
• 一支提示詞裡寫多個鏡頭，切點自己指定
• 畫面裡的文字可以逐字指定

做不到的:2K 輸出。那要靠沒有開源的 H3-Regenerate-2K，本機只有 768p 這一段。

長什麼樣子，直接看比較快。這支 15 秒是本機生的，一次生成、沒有後製、沒有對嘴:

---

先算你的卡夠不夠:四個檔案，31.7 GiB

新手最容易在這裡卡住，因為「33B 模型」這個說法會嚴重低估你要下載的東西。

H3 要四個檔案才跑得起來:

檔案	做什麼	全精度	我用的量化版
Transformer	生影音的本體	61.73 GiB	11.67 GiB（NVFP4）
文字編碼器	讀懂你的提示詞	47.97 GiB	14.61 GiB（NVFP4-AWQ）
影片 VAE	把潛在向量還原成畫面	4.85 GiB	同左
音訊 VAE	把潛在向量還原成聲音	0.56 GiB	同左
		115 GiB	31.69 GiB

這張表看最後一列就好:全精度 115 GiB，量化後 31.7 GiB。

⚠️ 但這是磁碟的數字，不是 VRAM 的數字，別把兩個混在一起（我一開始就混了）。實際跑起來 VRAM 峰值是 26,914 MiB，因為同時待在卡上的只有 transformer 和文字編碼器:

11.67 GiB (transformer) + 14.61 GiB (文字編碼器) = 26.28 GiB = 26,911 MiB
實測峰值                                              26,914 MiB

兩顆 VAE 只在最後把潛在向量還原成畫面和聲音時才用到，不必全程佔著。所以「我的卡夠不夠」要看的是 transformer 加文字編碼器，不是四個檔的總和。

三件事第一次看到會愣一下:

文字編碼器比影片模型還大。 那顆編碼器是 Qwen3-VL-32B——一個 32B 的視覺語言模型，只是拿來讀你的提示詞。量化完 14.61 GiB，比 transformer 的 11.67 還多。所以「33B 模型」講的只是 transformer，你實際要餵的是兩顆大模型。

VAE 有兩顆，一顆管畫面一顆管聲音。 這剛好證明了聲音在這裡跟畫面是平起平坐的:影片走影片 VAE、音訊走音訊 VAE，兩條都從同一個 transformer 出來。

Transformer 有兩顆，但你一次只會用到一顆，下一節講怎麼選。

---

FL2VA 還是 Ref2VA?新手選 FL2VA

Transformer 有兩個版本。差別不在精度，在任務:

checkpoint	吃什麼輸入	什麼時候用
FL2VA	0 到 2 張圖	一般生成，含純文字生影片
Ref2VA	≤9 張圖、≤3 段影片、≤3 段音訊（總長 ≤15 秒，最多 12 個檔）	要模型參考特定角色、場景或聲音時

這裡有個新手一定會混淆的地方:checkpoint 的名字和任務的名字不是同一套。 FL2VA 這顆 checkpoint 底下有四個任務，官方文件分成下面四種。

任務	你給幾張圖
T2VA	不給圖，純文字生影片
I2VA	給一張，當首幀往後長
FL2VA	給兩張，指定首尾
L2VA	給一張，當尾幀往回推

換句話說，你下載的是 FL2VA 那顆檔，但不給圖跑的時候，你跑的任務叫 T2VA。等一下提示詞那節會看到，這兩者的寫法差一整行。

新手從 FL2VA 這顆開始、跑 T2VA 任務。 不用準備任何素材，而且這篇後面所有數字都是這樣量的。

兩顆 transformer 不會同時載入——它們是兩條不同任務的路，要換任務就換檔案。所以兩顆都下載只是多吃 11.67 GiB 的磁碟，VRAM 峰值一點都不會變。硬碟有空間的話兩顆都留著沒差，先跑通一顆再說。

---

下載:檔案放到哪個資料夾

量化版分散在兩個 repo，這是目前唯一的麻煩處。

# 1. Transformer（NVFP4,我做的）
hf download coolthor/MiniMax-H3-pruned-NVFP4 \
  --include "diffusion_models/minimax_h3_fl2va_pruned_nvfp4.safetensors" \
  --local-dir ComfyUI/models

# 2. 文字編碼器 + 兩顆 VAE（Comfy-Org 官方 repo）
hf download Comfy-Org/MiniMax-H3 \
  --include "text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors" \
             "vae/minimax_h3_video_vae_fp16.safetensors" \
             "vae/minimax_h3_audio_vae_fp32.safetensors" \
  --local-dir ComfyUI/models

兩個 repo 的資料夾結構都對齊 ComfyUI 的 models/，所以 --local-dir ComfyUI/models 下去就會自己落到對的位置:

ComfyUI/models/
├── diffusion_models/minimax_h3_fl2va_pruned_nvfp4.safetensors      11.67 GiB
├── text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors      14.61 GiB
└── vae/
    ├── minimax_h3_video_vae_fp16.safetensors                        4.85 GiB
    └── minimax_h3_audio_vae_fp32.safetensors                        0.56 GiB

⚠️ 我的 repo 是 gated，但設成自動核准——勾兩個確認框就會過，不用等人審。那兩個框是授權要求的，後面授權那節會講為什麼。

---

第一次跑:把這三個值設對

ComfyUI 的 H3 官方範本開起來就能跑，但有三個值建議先改。

① 步數改成 10，不要用範本的 20。

範本填 20。我照跑，一支片 324 秒。後來去翻官方附的那支 reproducible script reproducible-768p-t2va-request.sh，發現裡面根本沒有步數這個欄位——有的是 task、prompt、target{short_edge, aspect_ratio, duration_seconds}、seed、conditions，就是沒有步數。步數是 SGLang 服務端的內部預設值，官方從來沒公開過那個數字。

那個 20 是範本作者自己選的。實測 20 降到 10:324 秒 → 172 秒，省 47%，畫質看不出差別。 權重本身是 CFG-distilled 的，步數需求本來就低。

② 解析度先用 864×480。

H3 的預設短邊是 768。先用 864×480 跑通，確認整條鏈沒問題再往上加——解析度是這裡最貴的旋鈕。

③ 長度用秒數換算成幀，而且別留空。

H3 的幀數要落在 17k + 5 的格點上。10 秒就是 243 幀（10.125 秒 @ 24fps）。留空會安靜吃掉範本的預設值，不會報錯，你會拿到一支長度不對的片還想不通哪裡怪。

跑完一支的樣子:

	數字
解析度 × 長度	864×480,243 幀（10.125 秒）
步數	10
時間	175 秒
VRAM 峰值	26,914 MiB

環境是 ComfyUI 0.30.1、torch 2.11.0+cu128、res_multistep + simple、功耗上限 500W、SageAttention 關掉。

---

提示詞才是這個模型真正的門檻

環境跑通之後，你會發現難的地方在寫提示詞。原因在架構上。

完整的 H3 系統有三個模組，而開源的只有中間那個:

模組	做什麼	開源？
H3-Context-IR	把口語需求編譯成結構化脈絡	❌
H3-Base	生 768p 的影音	✅ 只有這個
H3-Regenerate-2K	連同原始脈絡餵回去重生成 2K	❌

model card 講得很直白:

H3-Context-IR is critical to the quality of the final output, so we strongly recommend incorporating it into your generation pipeline or following the "Prompting Guidance" to build your own context-processing system.

換句話說，那份「提示詞寫作指南」其實就是那個沒開源模組的輸出格式，原廠等於在說第一段他們沒給你、你照規格自己補一個。

提示詞其實有兩部分，而純文字生成只用到第二部分

官方規格把提示詞分成兩段:第一段是對齊指令，第二段是三個核心欄位。

第一段只有在你給圖的時候才需要，格式如下——給了圖就必須寫明「哪張圖對到影片的第幾秒」，而且它必須是整份提示詞的第一行，後面空一行才接核心欄位。

For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

純文字生成（T2VA）沒有這一行，直接從三個核心欄位開始。新手先走這條，少一個出錯的地方。

第二段的三個欄位:

integrated_multimodal_description: [Shot 1] <風格>, <構圖>, <發生什麼>…
[Shot 2] At 00:06.000, the camera cuts to …

overall_soundscape: <環境音、動作音、非語言人聲>

non_diegetic_music: <樂器、速度、節奏、強弱>

三個欄位每次都要寫，互斥的是「哪一種聲音該寫進哪一欄」，這是新手最常搞混的地方:

這種聲音	寫在哪
對白、唱歌、角色聽得到的音樂（收音機、電視、手機）	integrated_multimodal_description
環境音、動作音、呼吸笑聲等非語言人聲	overall_soundscape（1–4 句）
只有觀眾聽得到的配樂	non_diegetic_music（1–3 句）

沒有的時候寫 N/A，不要自己造詞。 我第一次就寫成 No music.，那不在規格裡。⚠️ 兩欄的門檻不一樣:non_diegetic_music 沒配樂就可以寫 N/A，但 overall_soundscape 只有在你明確要求全片靜音時才寫 N/A。

鏡頭與運鏡

Shot 1 不帶時間戳。之後每個鏡頭編號遞增，切點時間嚴格遞增而且要落在片長內:

[Shot 2] At 00:03.500, the camera cuts to...

切換只能用這幾種寫法:the camera cuts to、the shot cuts to、the shot transitions to、the shot changes to、the shot switches to。溶接、淡入淡出、劃接只有在你明確要求時才用。

規格還給了一條判斷準則，很值得抄走:「一次切換要帶進新資訊——新的主體、空間、狀態、視角或時間。如果只是距離或角度要微調，改用運鏡而不是切鏡。」

下面這支就是拿來測切點準不準的，提示詞裡寫的是 [Shot 2] At 00:07.000。

運鏡有三個維度:動作類型 + 幅度 + 速度。中等幅度和正常速度通常省略不寫。

維度	可用的寫法
動作類型	Zoom In/Out、Push In / Pull Out、Pan Left/Right、Truck Left/Right、Tilt Up/Down、Pedestal Up/Down、Arc Shot、Tracking Shot、Static Shot、Shake Slightly/Strongly、POV、Roll Clockwise/Counterclockwise
幅度	with small amplitude / with large amplitude
速度	at slow speed / at fast speed

而且要寫成句子裡的自然動作，不是在句尾疊標籤:

The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.
The camera holds a static shot as the runner exits the frame.

對白:身分寫外面，台詞寫裡面

會說話、唱歌或發出畫外人聲的角色給一個固定編號 (S1)、(S2)；兩個人一起講用 (S1,S2)。同一個角色跨鏡頭要用同一個編號，從不出聲的角色不給編號。

身分、語氣、音色、動作全部寫在 <d> 外面；<d> 裡面只有語言標籤和逐字台詞，標點都不准改，也不准翻譯。

The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>

兩個容易漏的細節:

• 旁白要用一模一樣的片語 says in an off-screen voiceover，而且緊接在那個 <d> 後面要寫明畫面上那個角色嘴巴是閉著的（while his lips remain completely closed）。不寫，模型就會讓他張嘴。
• 同一句話跨過切點時，兩邊都要放 <scenetrans>，而且要明講聲音是連續的;句子被片尾截斷的話改用 <cutoff>。

畫面上的文字

看板、招牌、標籤、字幕、霓虹燈——只要是畫面上真的看得到的字，一律用英文雙引號逐字包起來，原文照抄不翻譯:

A red neon sign reading "营业中" glows above the doorway.

這支是拿「本地跑得動」五個字去測的:

⚠️ 這支我重生過一次。第一版我把鏡頭寫成 extreme close-up 加 macro 推近，結果字被推到讀不出來——跟前面空袖子那條是同一個病，只是方向相反:一個太遠、一個太近。景別選錯，提示詞寫得再準都沒用。

最後那條最反直覺。你不能寫「哀傷的音樂」，只能寫樂器、速度、力度:

non_diegetic_music: A solo guqin plays widely spaced single notes at a very slow
tempo, each note allowed to decay almost to silence before the next. A sustained
erhu line enters beneath it at low volume midway through and holds a single pitch
without vibrato, then decreases in volume and stops before the final second.

裡面沒有一個情緒詞。哀傷是這些事實加起來的結果，不是輸入。你要描述的是聲音本身，不是它應該讓人有什麼感覺。

---

幾何優於詞彙:模型畫不出「不存在的東西」

這是整趟最值錢的一條，而且我是踩到才學會的。

示範片我選了楊過在絕情谷。這角色有個特徵:右臂被砍了。

第一版我寫 His left hand enters the frame。模型畫成右手。

直覺上會想把形容詞加重，寫得更用力、多強調幾次「左」。沒有用。真正有效的做法是把抽象屬性翻譯成畫面上看得到的事實:

我要的	❌ 沒用	✅ 有用
左手	his left hand	enters from the left edge of the frame
斷臂	his right sleeve hangs empty	讓空袖子入鏡:flat and collapsed with no arm inside it

差別在哪?「左手」是一個需要模型理解身體結構才能執行的詞;「從畫面左緣進來」是一個座標。對擴散模型來說，給座標比給左右方位可靠得多。

這支的提示詞只寫了 A bare human hand enters slowly from the left edge of the frame，沒有提「左手」也沒有提「右手」:

斷臂那條同理。你沒辦法叫它畫一條不存在的手臂，不存在的東西沒有像素。你只能叫它畫一個存在的東西:一條扁的、塌的、裡面沒東西的袖子。

還有一條我沒解決:遠景鏡頭裡空袖子還是讀不出來。那是景別的問題，提示詞救不了。要在遠景讓人看出「其中一條袖子是空的」本來就不合理，該改分鏡給中景，不是繼續疊形容詞。

---

NVFP4 只在 Blackwell 上算數

這條會咬人，而且咬得無聲。ComfyUI 啟動時會逐字印出這幾行:

Native ops:   ...
emulated ops: mxfp8, nvfp4, float8_e5m2, float8_e4m3fn   ← 在非 Blackwell 上

emulated 的意思是:檔案照載、照跑，但權重在做矩陣乘法之前會被轉回高精度。 你拿到 11.67 GiB 的小檔案，速度一點都沒有。

所以量化格式不是「壓多小」的排行榜，是「你的卡認不認得」的相容表。挑格式之前先看那一行 Native ops 裡面有什麼。不是 Blackwell 的話，改用 Comfy-Org 的 pruned_int8_convrot（19.53 GiB）比較實在。

---

換個量化格式，同一個 seed 不會生出同一支片

這件事幾乎沒有量化的 repo 會講，但它決定你換完格式會不會以為自己弄壞了什麼。

同 seed、同提示詞，NVFP4 和 INT8 生出來不是同一支片。 構圖不一樣、神鵰站的位置不一樣、石刻上讀得出來的字數也不一樣。

兩邊都成立，沒有誰壞掉。量化改的是數值，去噪的軌跡就會發散，固定種子只是讓你從同一個起點出發，走著走著還是落到別的地方。

我把並排對照片放進 repo，就是為了這個。換格式之後第一件事別急著懷疑自己裝錯，先接受你在跟一個新的模型講話。

---

授權:台灣在範圍內，而且方向跟直覺相反

這條會嚇到人，所以要講清楚。

MiniMax H3 Community License 有地域限制，而且是「排除」不是「限定」。條文原文:

"Applicable Territory" means worldwide, excluding the Excluded Territories.
"Excluded Territories" means the European Union, the United Kingdom,
the Republic of Korea and the United States of America.

台灣在授權範圍內。 被排除的反而是法規最嚴的那四個地方。

⚠️ 這裡有個讀反的陷阱:官方 QA 頁的措辭是「limited to the EU, UK, South Korea, and the US」，看起來像「只限這四個地方」，實際意思是「對這四個地方受限」。條文跟摘要不一致的時候信條文。

要散布的話 §III 有幾條硬規定:附授權副本、改過的檔案要顯著標示、附一份固定文字的 NOTICE。§V.2 還要求你散布前讓每個接收者受到「至少跟第五節與 Exhibit A 的使用限制同等嚴格」的可執行條款約束，並且告知對方那些限制適用。注意範圍是「至少同等嚴格的使用限制」，不是「整份合約原封不動照搬」。這就是為什麼我的 repo 是 gated，不是為了擺架子。

有趣的是 §III.3 的鼓勵事項第三條寫著:

publish at least one technical blog post or a public statement describing your experience using MiniMax H3 Works

授權條文本身在鼓勵你寫這篇文章。

---

進階:兩個可以跳過的機制問題

這節不讀不影響使用。 想直接開始生片的，上面的東西夠了。

為什麼「剪枝版」不是把模型變笨

Comfy-Org 出的 pruned 版不是有損剪枝，而且這件事是原廠自己講的，不是社群發現的。model card 寫著:

H3-Omni-Transformer is a 33B-parameter dense, single-stream Transformer, with approximately 13B parameters residing in AdaLN-related branches. Because the AdaLN modulation outputs can be precomputed and cached, these parameters do not need to be loaded for inference-only deployment.

翻成白話:那 13B 的參數負責算「每一層要怎麼做 modulation」，而 modulation 只跟 timestep 有關。既然只跟 timestep 有關，那就先算好存成一張查表就行，推論時根本不用把那 13B 載進來。

Comfy-Org 的 pruned 就是把這件事做成檔案:adaln_proj 那 13.04B 絕大部分換成一張 8 維的 timestep 查表 adaln_t_table [1025, 8]——13,039,369,728 個參數降到 43,642,368 個，約 299 倍（縮減後的 adaln_proj 張量仍有殘留，不是整個拿掉），總參數 33.12B → 20.11B。數學上等價，不是砍品質。

而這也決定了量化該從哪裡下手。AdaLN 發出的 scale 和 shift 會乘進每一條 residual，誤差一路穿過 50 個 block，每個採樣步再累積一次，滾起來像複利。原版要嘛保護那 39% 的參數（保護完檔案比 INT8 還大）、要嘛一起量化下去碰運氣。剪枝版讓這個兩難直接消失，因為那個投影已經不在推論路徑上了。

檔案實際長這樣（從 NVFP4 檔標頭讀的）:

200 個線性層量化,每層四個張量:
  weight          U8       [5376, 3584]   打包 FP4
  weight_scale    F8_E4M3  [5376, 448]    每區塊縮放
  weight_scale_2  F32      []             每張量全域縮放
  comfy_quant     U8       [19]           格式標記
沒動的:BF16 219 · F16 51 · F32 4（norm / embedding / bias / adaln_t_table）

沒動的那些正是不該動的:normalization、embedding、bias，還有剛剛那張查表。

為什麼 NVFP4 比 INT8 快 5%，而那 5% 不是算力

同一組條件下兩種量化的對照:

	NVFP4	INT8-ConvRot
檔案	11.67 GiB	19.53 GiB
時間	175 s	185 s
VRAM 峰值	26,914 MiB	28,581 MiB
SM 時脈均	2,696 MHz	2,585 MHz
溫度峰	82 °C	80 °C

時間那一列容易讀成「NVFP4 算得比較快」。它不是。

我們自己在 DGX Spark 上量過同一件事:NVFP4 把影片模型砍小三分之一，速度一點沒快，因為影片 diffusion 的瓶頸在算力，不在頻寬。weight-only 的量化只把權重變小，該做的乘法一次都沒少。

把兩個比值擺在一起就清楚了:

• 時間 185 → 175 秒 = 少花 5.4%（換算成吞吐量比則是快 5.7%）
• 時脈比 2,696 / 2,585 = 高 4.3%

時脈就解釋掉了絕大部分。 兩趟都被熱和功耗綁著跑，NVFP4 那趟只是時脈守得比較高。合理的解釋是權重小了 40%，搬資料吃掉的功耗少，同一個 500W 預算裡分給運算單元的就多——所以它跑得比較燙（82 對 80 °C），也比較快。

順帶一提:600W 降到 500W 反而更快

把功耗上限從 600W 拉到 500W，時間 185 → 175 秒。降 17% 的功率，快 5%。哪有這種事?

第一個念頭當然是量錯了。重跑，一樣。

監控數據講得很清楚:500W 下溫度峰值 82 °C，而 5090 大約 84 °C 就開始 thermal throttle;時脈只跑到 clocks.max.sm（3,090 MHz）的 84–87%。卡住它的不是功率預算，是溫度。 給更多功率只會更快撞上那道牆，然後在降頻的來回震盪裡賠更多。

⚠️ 這段有一個必須標明的前提:當時房間 35 °C。溫度真正該看的是 ΔT:82 − 35 = 47 °C。換算到 25 °C 的室溫，同樣的 ΔT 是 72 °C，離熱牆的距離從 2 °C 變成 12 °C，整個結論可能就不成立。

所以絕對秒數是「這台機器那一天」的數字，可以搬走的是比值。 你的房間比我涼，這條可能對你不適用;但「先確認自己是不是被熱卡住，再決定要不要加功率」這個順序，到哪裡都適用。

---

開始之前確認三件事

1. 你的卡是 Blackwell（不是的話改用 pruned_int8_convrot,NVFP4 只會幫你省磁碟)
2. ComfyUI 啟動訊息裡 Native ops 有 nvfp4
3. 步數改成 10，別用範本的 20

---

如果只能記一條，我會留幾何那條。「左手」是一個要模型懂身體才能執行的詞，「從畫面左緣進來」是一個座標;空的袖子畫得出來，不存在的手臂畫不出來。

寫提示詞卡住的時候，先問自己一句:我要的東西，在畫面上是什麼形狀。