基于这几天的实际操作经验，我整理了一篇完整的技术总结。
RTX 4090 本地跑 MiniMax H3 视频生成：完整技术方案与踩坑总结
一、背景
MiniMax H3 是目前开源视频生成模型的第一梯队，支持参考图生视频（Ref2VA）、音频驱动、角色一致性等能力。本文基于 RTX 4090 24GB + ComfyUI-aki-v3.2 的实际生产经验，从模型清单、核心参数、踩坑注意点、优化方案四个维度做完整总结。
二、模型清单
2.1 H3 视频生成核心模型（4 个）
| 模型 | 文件名 | 大小 | 作用 |
|---|---|---|---|
| UNET | minimax_h3_ref2va_pruned_int8_convrot.safetensors | ~20GB | 视频生成主网络，int8 量化 + 剪枝 +convrot 优化 |
| CLIP | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | ~18GB | 32B 参数文本编码器，AWQ 量化，type 必须设为 minimax |
| 视频 VAE | minimax_h3_video_vae_fp16.safetensors | ~几 GB | 视频潜空间编解码 |
| 音频 VAE | minimax_h3_audio_vae_fp32.safetensors | ~几 GB | 音频潜空间编解码 |
2.2 角色一致性辅助模型（3 个）
| 模型 | 文件名 | 大小 | 作用 |
|---|---|---|---|
| 写实底模 | RealVisXL_V4.0.safetensors | 6.46GB | SDXL 写实风格，生成角色参考图 |
| IP-Adapter | ip-adapter-plus_sdxl_vit-h.safetensors | 770MB | 角色特征锁定，确保跨镜头一致性 |
| ControlNet | controlnet-openpose-sdxl.safetensors | 2.5GB | 姿势控制，锁定角色动作 |
三、核心参数（经过验证的安全配置）
3.1 视频生成参数
| 参数 | 值 | 说明 |
|---|---|---|
| 分辨率 | 1280×704 | 1344×768 会卡死（已验证 2 次），1280×704 是 24GB 安全上限 |
| 帧数 | 124 帧/段 | 24fps ≈ 5.2 秒/段 |
| 采样器 | res_multistep | H3 专用多步采样器，比默认更快更好 |
| 采样步数 | 25 | 质量与速度的平衡点 |
| CFG | 4.0 | H3 推荐低值，太高会过曝 |
| 调度器 | simple | H3 专用调度器 |
| denoise | 1.0 | 全量去噪 |
| ref_image_size | match | 参考图尺寸匹配输出 |
3.2 质量增强节点
| 节点 | 参数 | 作用 |
|---|---|---|
| MiniMaxH3SigmaShift | shift_video=12.0, shift_audio=3.0 | 视频/音频噪声偏移，提升细节和动态范围 |
| MiniMaxH3MotionContext | context_length="22", audio_context_length=24 | 链式生成，以上一段最后一帧为起点，保证连贯性 |
3.3 ComfyUI 启动参数
python main.py --listen 127.0.0.1 --port 8188 --vram-headroom 2
--vram-headroom 2：预留 2GB 显存余量，避免静默溢出导致系统卡死。
四、踩坑注意点（血泪教训）
4.1 显存溢出导致系统卡死（最严重）
现象：运行一段时间后鼠标键盘无响应，只能强制重启，系统日志显示 Kernel-Power 41 意外重启。
根因：生成角色图时加载的 RealVisXL（6.5GB）没有卸载，直接提交 H3 视频生成任务，两模型叠加超过 24GB 显存。ComfyUI 日志显示 H3 加载需 MiniMaxH3 19995MB + MiniMaxH3TEModel 14956MB。
解决：每段生成前调用 /free API 卸载所有模型 + 显存安全检查（空闲 <18GB 时等待释放）。
4.2 分辨率红线
- 1344×768：24GB 显存下运行 ref2va 会卡死（已验证 2 次）
- 1280×704：安全运行，是当前配置的上限
4.3 API 格式陷阱
- ref2va 的参考图必须用
ref_images数组传入，用ref_image_0键名会报错 LoadLatent必须用文件夹名，用完整前缀路径会解析失败- CLIPLoader 的 type 必须设为
minimax，否则 qwen3vl 模型加载失败
4.4 后期合成注意
- H3 生成的视频自带背景音（环境噪声），后期合成时必须去掉原始音频轨道，否则与 TTS 配音叠加很嘈杂
- 字幕中不要出现角色名（"旁白/小 A/老王/老板"），直接显示台词内容
- 每段 TTS 时长必须与对应视频段时长对齐，否则会出现音视频重叠或不同步
五、优化方案
5.1 显存管理（必做）
# 1. 每段生成前卸载所有模型
def free_models():
urllib.request.urlopen(f"{COMFY_URL}/free", method="POST")
# 2. 显存安全检查：空闲<18GB时循环等待
def wait_for_vram(min_free_gb=18.0):
while get_vram_free() < min_free_gb:
time.sleep(5)
5.2 速度优化（可选，效果显著）
当前问题：每段生成前都 /free 卸载模型 → 下一段重新加载 H3 大模型 → 每段浪费约 3-4 分钟。
优化方案：8 段视频用的是同一个 H3 模型，只需要第 1 段加载，后续 7 段直接复用，不卸载不重新加载。
| 指标 | 优化前 | 优化后（预计） |
|---|---|---|
| 每段总耗时 | 9.9 分钟 | ~6 分钟 |
| 8 段总耗时 | 69 分钟 | ~45 分钟 |
| 节省时间 | - | 约 24 分钟（35%） |
5.3 模型选择优化
- 使用 int8 量化 UNET（
pruned_int8_convrot），比 fp16 省约 40% 显存 - 使用 AWQ 量化 CLIP（
nvfp4_awq），32B 参数量化后可在 24GB 运行 - 角色图生成用 RealVisXL（写实风格），不要用 animagine（动漫模型不适合写实）
5.4 链式生成优化
使用 MiniMaxH3MotionContext 节点，第 1 段用参考图生成（r2v），后续段以上一段最后一帧为起点（i2v），保证角色和场景的连贯性，同时比每段独立生成节省显存。
六、实际性能数据
| 指标 | 数值 |
|---|---|
| 显卡 | RTX 4090 24GB |
| 分辨率 | 1280×704 |
| 每段帧数 | 124 帧（≈5.2 秒） |
| 每段实际生成 | 5-6 分钟 |
| 每段总耗时（含模型加载） | 9.9 分钟 |
| 8 段总耗时 | 69 分钟 |
| 每段视频大小 | 1.4-2.2 MB |
| 安全分辨率上限 | 1280×704 |
| 安全帧数上限 | 124 帧（200 帧待测试） |
七、总结
RTX 4090 24GB 跑 MiniMax H3 是完全可行的，但需要注意：
- 显存是生命线：必须严格管理模型加载/卸载，
--vram-headroom 2+/freeAPI 是标配 - 分辨率有红线：1280×704 是安全上限，1344×768 必卡死
- 量化是关键：int8 UNET + AWQ CLIP 是 24GB 能跑起来的前提
- 链式生成省显存：Motion Context 比独立生成更连贯更省显存
- 后期合成要去原音：H3 自带背景噪声，必须去掉原始音频轨道
掌握以上要点，你就可以在 4090 上稳定生产 AI 短剧了。
