使用ComfyUI API实现MiniMax-H3多模态视频与音频生成流水线

一项新的技术工作流现在允许开发者完全通过 ComfyUI 的无头 API 运行 MiniMax-H3——一个多模态视频和音频生成模型。该流程以 Python 脚本形式发布，自动化了从模型下载到输出收集的所有环节，无需图形界面。这为自动化及远程环境打开了强大的 AI 视频创作之门。

MiniMax-H3 是一个基于扩散的模型，可同时生成视觉内容和同步音频。ComfyUI 作为推理后端，提供灵活的基于图的执行引擎。新实现直接在 Python 中构建执行图，通过 HTTP 和 WebSocket 协议与服务器交互。

该脚本包含三种硬件配置：“quality”适用于 VRAM 至少 70GB 的 GPU，“balanced”适用于 38GB，“squeeze”适用于 20GB。每种配置为扩散 UNet、文本编码器和 VAE 选择适当的精度级别，如 bf16、int8 或 fp8 权重。例如，quality 配置使用 bf16 UNet 权重和 int8 的 Qwen3-VL-32B 文本编码器。

用户可以指定宽高比、百万像素、时长、种子、步数、采样器和调度器。系统支持文本到视频、首帧和末帧条件生成，以及参考图像条件生成。它还会根据 ComfyUI 的实时 /object_info 端点验证节点模式，确保与运行中的服务器兼容。

这一发展显著降低了尝试最先进视频生成的门槛。研究人员和开发者现在可以将 MiniMax-H3 集成到自动化流程、批量处理和无头服务器部署中。对 GPU 内存限制的显式处理使其在消费级和专业级硬件上都很实用。

该项目来自 Comfy-Org，利用了广泛采用的 ComfyUI 生态系统。通过提供可脚本化的方法，它补充了图形界面，并提供了一条程序化控制的路径。所包含的音频

把任意网站变成干净 JSON

现成爬虫与 AI 智能体

试用 Apify