MiniMax H3 в ComfyUI теперь собирается по таймлайну: каждый шот пишется текстом, а черновик рендерится за 10–15 секунд. Редактор выложил igorls на Reddit, код под GPL-3.0, работает он с моделью HyperFlow H3 Flash INT8.
Тем, кто делает видео локально, это избавляет от сборки графа под каждый клип: несколько текстовых полей, один стиль на весь проект и монтаж на дорожках Picture и Sound. Персонажа можно добавить картинкой и вызывать в любом шоте как @Name. Каждый шот рендерится со своим звуком, шоты можно склеить без видимого стыка: продлить кадр назад или вперёд либо соединить два шота. Есть озвучка записанным голосом и HTTP-API, так что агент может управлять редактором.
Цифры с машины автора (RTX PRO 6000, модели уже загружены): драфт 640x352 на 4 шагах занимает 10–15 секунд на клип. Финал 1344x768 на 6 шагах с перерисовкой в 1920x1088 съедает около 50 секунд GPU на каждую секунду видео, то есть 5-секундный шот — примерно 4,5 минуты. Нужны ComfyUI 0.43 и новее, модели и папки перечислены в README. Минимальную видеопамять автор не знает: тестировал в основном на RTX PRO 6000 и просит тех, у кого карта меньше, написать, как пошло.
Где подвох: модель не всегда держит кадр, на запрос крупного плана пришли голова и плечи. Реквизит между шотами плывёт: лицо повара совпало во всех трёх шотах, а блюдо на тарелке нет. Финал не повторяет драфт кадр в кадр, и звук у финала свой. Драфт показывает, работает ли промпт, но не то, как будет выглядеть финал.
Для тех, кто уже сидит в ComfyUI и готов ждать несколько минут за финальный шот, инструмент полезный. Демо собрано локально, кроме графики: её сделал кодинг-агент Fable 5.2 через открытый motion-graphics. Пока самое интересное, какая карта это потянет, и на этот вопрос автор сам ответа не дал.
ИсточникReddit: AI-видео и картинки
Подробный разборКлип MiniMax H3 обычно собирают графом из десятка нод. В H3 Editor — несколько полей на шот

