Руководство описывает программный конвейер MiniMax-H3 для видео и аудио
В руководстве описан полный процесс генерации видео с MiniMax-H3 через ComfyUI, работающий как безголовый сервер инференса. Конфигурация учитывает объём памяти GPU, свободное место на диске, точность модели, разрешение, длительность ролика, параметры сэмплирования и несколько режимов генерации. Подходящий профиль весов выбирается динамически с учётом доступного оборудования.
Процесс программно устанавливает и запускает ComfyUI, а затем загружает с Hugging Face веса диффузионной модели, текстового энкодера, видео-VAE и аудио-VAE. Python взаимодействует с запущенным сервером через HTTP- и WebSocket API, а граф выполнения ComfyUI создаётся непосредственно в коде.
Перед запуском система сверяет описания узлов с данными активной конечной точки /object_info и на этой основе проверяет граф. Поддерживаются генерация текста в видео, использование первого и последнего кадров для задания условий, а также генерация по референсным изображениям. Конвейер выполняет совместное декодирование видео и аудио, отслеживает прогресс и собирает результаты, не требуя графического интерфейса ComfyUI.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.