MiniMax H3 в ComfyUI на RTX 5060 Ti 16 ГБ: генерация видео и русская озвучка

Решил проверить, на что способен MiniMax H3 при локальном запуске через ComfyUI.

Началось всё случайно: меня попросили сделать видеозаставку, и я захотел собрать её сам. В новых версиях ComfyUI как раз появился MiniMax H3 — заодно решил нормально протестировать модель.

Для эксперимента взял несколько знакомых логотипов СМИ, с которыми работаю, и начал делать небольшой мультфильм. Никакого серьёзного плана, раскадровки или понимания, каким будет результат, не было. Я просто генерировал одну сцену за другой.

Работал на NVIDIA RTX 5060 Ti 16 GB. Честно говоря, я не ожидал, что модель вообще уместится в 16 ГБ видеопамяти, но она запустилась. Не в максимальном качестве, конечно: мне удалось генерировать 15-секундные ролики в разрешении 864×480.

Процесс устроен довольно просто. Для каждой сцены я готовил первый и последний кадры, писал короткий сценарий и отправлял всё в генерацию. Один 15-секундный ролик на RTX 5060 Ti создавался примерно 40 минут.

Эксперимент быстро затянулся. Сначала появилась одна сцена, затем вторая, а в итоге — 7 отдельных сцен по 15 секунд. Я склеил их одну за другой, без переходов, сложного монтажа и попыток замаскировать места соединения. Хотелось посмотреть именно на то, что MiniMax H3 сможет сделать внутри каждой сцены.

Первые фрагменты получились без диалогов: тогда я ещё не знал, что MiniMax H3 умеет генерировать русскую речь. Позже добавил реплики и обнаружил, что модель не только говорит по-русски, но и синхронизирует движение губ с речью.

Результат получился нестабильным. В одних сценах голос и синхронизация вышли очень хорошо, в других — заметно хуже. Но всё это модель генерирует прямо в видео, без отдельной озвучки и последующей подгонки движения губ.

Главной целью было проверить, что можно получить от MiniMax H3 на потребительской видеокарте с 16 ГБ VRAM, почти без монтажа и сложного продакшена.

И вот что получилось 👇