MiniMax-H3 影音同步生成新手教學。完整版 115 GiB 要四張卡，量化後 31.7 GiB 一張 RTX 5090 就夠。要下載哪些檔、放哪、怎麼設、提示詞怎麼寫。

同一支 15 秒 1080p 有聲影片，出片時間對半砍，畫面沒有變差。步數 20 改 14、SageAttention 2.2.0、放大器換成 RTX Video Super Resolution，三個開關各省多少、怎麼開、坑在哪。

拿 MiniMax-H3 生一段有角色的影片，踩到三件事:非原生解析度會掉下效能懸崖、遠景人臉必糊、以及「鬢邊白髮」在模型眼裡是年齡不是身分。最後靠 z-image 生參考圖走 h3-r2v,121.4 秒把楊過鎖回來。

RTX 5090 一張卡跑完 MiniMax-H3 的十個效果 embedding。最大的坑是位置:放在提示詞開頭會靜默失效，畫面卻照樣會變，所以「產物不一樣」不能當生效證據。它們也不是關鍵字，是 50 到 142 個預先編好的向量。附十支實測影片與速查表。

同一張 5090、同樣 14 步、同樣品質設定，六個加速組態各值幾 %。原生 768p 的 15 秒片從 OOM 變成 8.6 分鐘。chunk 參數切越細越快、torch 換成 cu130 省 32%，而 SageAttention 跟 Sol-Attn 這兩個單看 kernel 快 4 倍的東西，端到端只值 2-3%。

Ref2VA 是 H3 唯一吃得下多張參考圖的模式。用兩張 z-image 人設圖生一段 10.1 秒的雙角色對話，台詞 ASR 逐字比對 CER 6.8%，三個錯字全是同音字。含六段格式全文與節點接線。

同一張 RTX 5090、同一句簡體台詞、同一段雙人對白，兩個會講話的開源影片模型對打。LTX-2.5 出片 28.67 秒，H3 81.22 秒，ASR 逐字比對都是 CER 0%。兩邊峰值 VRAM 都落在 31,7xx MiB，只剩不到 900 MiB。

NVIDIA Sol-H3 的兩段式做法搬到 RTX 5090：H3 只生 672×384 草稿（25.5 秒一支），挑中的那支才交給 LTX-2.5 三步精修。附可下載的 ComfyUI workflow。