ULL Studio подключила к локальному Director в ComfyUI экспериментальный генератор 90-секундного видео одним дублем на MiniMax H3. Он собирает ролик из коротких сегментов. Сохранённые данные помогают продолжить рендер после сбоя или переделать часть, не начиная заново. Пока функция скрыта в клиентской версии.
В записи разработчики показывают рабочий процесс через интерфейс и GPU. Публиковать функцию они собираются после дополнительных проверок. Тут интереснее всего сам подход: длинный ролик можно собирать по частям и возвращаться к сбойному сегменту, вместо того чтобы каждый раз запускать весь рендер.
MiniMax H3 собирает длинное видео короткими сегментами
Для длинного рендера сохраняют латенты — промежуточные данные, из которых строится изображение. Допустим, нужно переделать сегмент k. Тогда первые k−1 берут из сохранения, а сам сегмент k и все последующие создают заново. Текст для новых частей тоже можно изменить. Сохранение подходит только при совпадении размера видео и параметров перекрытия. Если настройки различаются, данные не подставляют.
Прогресс записывается в файл и сохраняется после закрытия интерфейса. В локальном тесте авторы сделали три сегмента общей длиной 11,5 секунды за 270 секунд. Когда они правили второй сегмент, первый совпал с исходным видео вплоть до 66-го кадра. Новая формулировка повлияла только на следующие части. Удобно: из-за одного неудачного фрагмента весь ролик заново рендерить не нужно.
В записи от 23 октября, обновлённой 24 октября, команда сообщила, что прогнала полный цикл через интерфейс: генерацию, продолжение и переделку выбранного сегмента на локальном GPU. Это отчёт разработчиков ULL Studio, а не независимый бенчмарк. Похоже, результат стоит повторить на своей видеокарте и в своём разрешении.
82 теста нашли ограничения в Director
Авторы написали 82 теста: сначала 35, потом ещё 47. Для проверки они подменяли компоненты языковой модели и ComfyUI, оставляя подключённым настоящий вход сервера. Так нашли три ограничения внутри Director. К возможностям MiniMax H3 они не относились.
- Сценарий молча обрезался после 8 сцен, хотя тестовый длинный вариант содержал 15. Для длинного режима предел подняли до 31 сцены; длительности сегментов теперь принимают значения от 2,8 до 90,9 секунды.
- Импортируемое аудио обрывалось на 68-й секунде. В длинном режиме ограничение увеличили примерно до 91 секунды — это внутренний предел продукта, а не заявленный лимит аудиореференса модели.
- Оценка времени опиралась на старый коэффициент: около 9,7 секунды рендера на секунду видео вместо примерно 21,5 секунды на используемом продуктовом пути. На ролике велосипеда длиной 45 секунд оценка давала 961 секунду — примерно в 2,2 раза меньше фактической оценки для этого режима.
Нашёлся ещё один неприятный баг: если видео скачивалось не полностью, программа могла решить, что загрузка завершилась. Теперь она проверяет длину файла. Если клиенту незаметно отдать оборванное видео, это уже брак.
Мосты между сценами оставили на проверку автора
Чтобы резкая смена места не нарушала непрерывность, языковая модель сначала оценивает разницу между соседними сценами по шкале от 0 до 3. При большом разрыве она предлагает промежуточную сцену. Автодобавление выключено по умолчанию: автор может посмотреть текст, изменить его или удалить и только потом запустить генерацию.
Так команда решила поступить из-за нестабильной оценки: модель могла по-разному оценить один и тот же сценарий. В коротком тесте мост помогал в основном при резкой смене локации — например, при переходе из спальни на холм. Поэтому команда не стала вставлять такие переходы везде и ограничила их число для одной короткой истории.
При проверке на настоящей локальной языковой модели она иногда добавляла к сцене тег <Picture 1>, которого не было в исходном тексте. Проверку поправили: незнакомый тег удаляется до валидации. Ещё одна проблема возникала при переводе на английский: короткие указания превращались в длинные киношные описания. Для длинного режима написали отдельную инструкцию, которая сохраняет краткость и субъекта действия.
После исправлений три перехода прошли проверку. Но пока команда не подтвердила, что мосты улучшают само видео. В записи разработчики отмечают: предложение моста пока выглядит как исходная сцена с добавленной фразой о перемене. Тут важнее посмотреть на рендер, чем на аккуратно написанный текст.
Время рендера лучше не угадывать
Сначала в интерфейсе хотели показывать примерную длительность, но потом убрали оценку. Замер в 21,5 секунды на секунду видео сделали на одном компьютере и в одном разрешении. На той же машине смена разрешения давала расхождение примерно в 2,4 раза. Что будет на других GPU, команда не знает.
По оценке команды, локальный рендер 90 секунд видео занимает около 30–35 минут. Это ориентир для их конфигурации, не обещание для любого компьютера. После запуска интерфейс показывает фактический остаток времени. Если собираете свой генератор, такой подход надёжнее точного на вид таймера, основанного на чужом бенчмарке.
| Референсные изображения | Длительность сегмента | Время генерации | Пиковая VRAM |
|---|---|---|---|
| 2 | 6 секунд | 171 секунда | 14,3 ГБ |
| 9 | 6 секунд | 246 секунд | 15,4 ГБ |
Это замеры ULL Studio на 540p, сделанные на одной локальной GPU с 16 ГБ памяти. Девять референсов увеличили время примерно в 1,4 раза и заняли ещё 1,1 ГБ VRAM — почти весь запас карты. Раньше в системе принимались только четыре картинки: столько входов разработчики добавили в узел. По их разбору, MiniMax H3 на четырёх изображениях не ограничен: интерфейс расширили до девяти. Сторонняя документация по H3 тоже указывает предел в девять референсных изображений.
Расширили вход — и сразу нашли следующий косяк. Номера узлов для картинок совпадали с номерами фиксированных узлов ComfyUI. Из-за несовпадения типов данных седьмое изображение ломало соединения. Номера перенесли в отдельный диапазон, а граф проверили с 1, 4 и 9 изображениями, со звуком и без. Лимит на бумаге увеличили быстро; довести максимальное значение до рабочего состояния оказалось отдельной задачей.
Локальный запуск подходит не всем, а коммерческую лицензию нужно проверить
Тем, кто собирает ролики для заказчиков, стоит отдельно проверить лицензию. В обзоре Musetta о MiniMax H3 указано ограничение для США, Великобритании, стран ЕС и Южной Кореи, включая использование результатов. Перед коммерческой работой проверьте актуальные условия модели и правила для своей страны. Локальный рендер лицензию не отменяет.
Из этого девлога я бы забрал несколько приёмов для своей сборки: сохранять промежуточные данные, перезапускать рендер с выбранного сегмента, проверять ответы LLM до передачи в граф и контролировать целостность скачанного видео. Оценки времени тоже лучше привязывать к реальному запуску на конкретной машине.
Показательно, что часть ошибок прошла тесты с поддельными компонентами, но проявилась в настоящем проходе через интерфейс. В одном случае продолжение показывало прогресс 5/4: экран повторно прибавлял сохранённые сегменты, хотя узел уже считал полный номер. Исправление добавили и в сам тест. Тесты нужны, но реальный сценарий всё равно приходится запускать целиком.
Функцию пока скрыли в клиентской сборке, чтобы не отдавать пользователям незавершённый инструмент. 90 секунд звучат впечатляюще, но я бы сначала смотрел, насколько надёжно рендер продолжает работу после сбоя и какой результат получается на разных видеокартах.
Источники
MiniMax H3 reference limits: 9 images, 3 videos, 3 audio, 12 total
MiniMax H3 in ComfyUI: specs, VRAM and the license catch
Источникnote.com
