Японский автор Kamimoto показал AudioFirst — схему для MiniMax H3, в которой звук генерируется отдельно от видео. На RTX 4070 с 12 ГБ VRAM быстрый режим делает 14-секундный ролик за 125,7 секунды. Голос звучит чище, а длинный клип готов примерно на 28 секунд быстрее, чем в прежней версии.
Kamimoto выложил ComfyUI-ноды и workflow для сообщества. Это его замеры, не независимый бенчмарк. Я сам этот граф не запускал, но идея интересная: видео-модель получает отдельный проход для речи, а значит, ей не приходится распределять ограниченное число шагов сразу между картинкой и звуком.
MiniMax H3 портил голос при ускорении — звук вынесли в отдельный проход
MiniMax H3 генерирует видео с нативным звуком. Модель открыли в августе 2026 года. По заявлению MiniMax, она поддерживает разрешение до 2K и ролики длиной до 15 секунд. Для локального запуска это удобно: видео и озвучку не нужно собирать отдельно. Но при агрессивном ускорении появлялся компромисс.
В прежнем быстром workflow Kamimoto использовал четыре шага. Картинка выходила достаточно чистой, а речь звенела по-металлически. Автор описывает звук так: «будто человек говорит внутри металлической трубы». Можно было увеличить число шагов. Но тогда дополнительные вычисления понадобились бы и для тяжёлого видео.
AudioFirst распределяет задачи между двумя проходами. Сначала видео уменьшается до 32×32 пикселей, а звук генерируется за восемь шагов. Такой почти пустой видеоряд занимает около 1,2 секунды на шаг. Затем готовую речь фиксируют и строят под неё видео. Примерно как если бы персонажу заранее дали запись реплики, по которой он двигает губами.
- Проход 1 — аудио: видео 32×32, звук генерируется за 8 шагов.
- Проход 2 — видео: речь из первого прохода сохраняется, изображение достраивается под неё.
Текстовые и визуальные условия в обоих проходах остаются общими. Поэтому тяжёлую языковую часть не приходится запускать заново. После генерации видео нода проверяет, что звук не изменился, и сохраняет результат.
«Разница во времени — около 2,5 секунды, поэтому я выбрал 8 шагов с запасом». — Kamimoto о выборе числа шагов для аудио
Для сравнения на слух автор проверил 4, 5, 6 и 8 шагов. При четырёх и пяти металлический оттенок ещё слышен. На шести и восьми он уже не мешает. Kamimoto выбрал восемь шагов ради запаса. Это наблюдение на его материалах, а не гарантия для любого голоса и промпта.
Быстрый режим MiniMax H3 выигрывает на длинных клипах
У AudioFirst есть стандартный и ускоренный режимы. Стандартный сохраняет прежнюю схему видео: четыре шага при 544×960, затем вывод через X2 VAE в 1088×1920. Качество и настройки кадра остаются прежними, зато обработка звука добавляет около 11–13 секунд.
В быстром режиме работает LBH 3+1. Первые три шага видео считаются в 384×672, затем 3D-апскейлер увеличивает латент до 544×960. Последний шаг выполняется уже в большем размере. X2 VAE выводит готовое видео в 1088×1920. На длинных роликах экономия заметнее: меньше шагов нужно считать в высоком разрешении.
| Длина видео | До AudioFirst, секунды | Стандартный, секунды | Быстрый, секунды |
|---|---|---|---|
| 5 секунд | 60,8 | 72,8 | 60,0 |
| 10 секунд | 105,7 | 118,9 | 93,6 |
| 14 секунд | 153,8 | 165,1 | 125,7 |
Все значения — замеры Kamimoto на RTX 4070 с 12 ГБ VRAM. Время считали от запуска обработки в ComfyUI до сохранения файла. На 5-секундном клипе быстрый режим почти сравнялся с исходным, а на 14-секундном оказался примерно на 28 секунд быстрее. Стандартный режим во всех трёх случаях добавил 11–13 секунд. Часть сравнений автор проводил в разные дни, поэтому небольшую разницу во времени стоит считать ориентиром.
AudioFirst в ComfyUI проще начать со стандартного workflow
В инструкции Kamimoto советует сначала поставить стандартный вариант. У него проще зависимости и свободнее выбор соотношения сторон. Быстрый workflow требует одинакового соотношения сторон для малого и большого разрешения; изображения в обоих размерах обрезаются по центру. В стандартном варианте ширину и высоту можно задавать свободно, если обе величины кратны 32.
Установка через ComfyUI-Manager
- Убедитесь, что в ComfyUI уже работает MiniMax H3.
- В ComfyUI-Manager найдите и установите H3 AudioFirst X2 Stream и H3 X2 Stream. Для быстрого режима добавьте H3 LBH X2 Stream.
- Скопируйте примеры изображений из examples/assets репозитория автора в папку input: Manager их не устанавливает.
- Разместите модели из README: ускоренную MATLOW, текстовый энкодер Qwen3VL, видео- и аудио-VAE H3 и X2 Detail VAE. Для быстрого варианта понадобится также LBH 3D upscaler.
- Перетащите workflow из examples в ComfyUI, подставьте своё изображение и промпт. Стандартные варианты называются fl2va_audiofirst_05s, 10s и 14s; быстрые — fl2va_audiofirst_lbh_05s, 10s и 14s.
Можно установить ноды и через Git или ZIP: остановить ComfyUI и запустить setup.bat из репозитория. Для быстрой версии добавьте --with-lbh. Не используйте этот способ вместе с Manager: тогда одни и те же custom nodes могут установиться дважды. Папка ComfyUI — каталог, где лежит main.py.
Два режима решают разные задачи, замеры пока авторские
Для свободного кадрирования и простых зависимостей подойдёт стандартный вариант. Для длинных диалоговых сцен и более короткого рендера — быстрый. Тут придётся учитывать ограничение соотношения сторон и поставить дополнительные модели. Думаю, стоит сначала проверить звук на коротком фрагменте со своими настройками. Авторский тест подтверждает идею на RTX 4070, но не обещает такое же время на другой карте.
MiniMax описывает H3 как открытую модель для генерации видео с нативным звуком. AudioFirst собрал автор из сообщества — в официальном релизе этой функции нет. Тут сработало аккуратное разделение задач: сначала получить речь, которую хочется оставить, потом под неё считать картинку.
Источники
Источникnote.com
