MiniMax-H3-GGUF
локальная генерация видео со стереозвуком
2 min readupdated
Команда Unsloth подготовила GGUF-квантования (сжатые версии весов для запуска на потребительском железе) омнимодальной генеративной системы MiniMaxAI/MiniMax-H3. Модель создаёт видеоролики длительностью до 15 секунд при 24 FPS сразу со встроенной стереодорожкой 32 кГц — звук генерируется совместно с картинкой, а не накладывается поверх. В репозитории собраны обе части пайплайна: шумоподавляющие модели (denoisers) и текстовый энкодер на базе Qwen3-VL. Релиз пригодится тем, кто хочет запускать тяжелую видеогенерацию локально через stablediffusion.cpp или Unsloth, экономя видеопамять без потери ключевых возможностей оригинала.
Ключевые особенности
- Два режима работы в отдельных файлах: версия
fl2va_prunedгенерирует ролик по тексту с опорой на ноль, один или два кадра (первый и последний), аref2va_prunedпринимает референсные картинки, видео и аудио. - Широкий выбор уровней сжатия: доступны как стандартные кванты от
Q2_K(от 6.22 GiB) доQ8_0(почти 20 GiB), так и динамические сборкиUD-со смешанной точностью от Unsloth. - Единый энкодер и общие VAE: текстовый энкодер
qwen3vl_32b_minimax_h3(в вариантахQ2_K_Mна 12.20 GiB иQ4_K_Mна 16.97 GiB) и VAE-модули подходят к обоим чекпоинтам, поэтому для смены режима достаточно докачать только сам denoiser. - Оптимизация под ограниченную VRAM: тяжёлый 12-гигабайтный текстовый энкодер можно выгрузить в оперативную память флагом
--backend te=cpu, а с параметром--offload-to-cpuмодель помещается и на видеокарты меньшего объёма.
Что можно сделать
- Сгенерировать атмосферные клипы со звуком с нуля: использовать
fl2va_prunedдля создания сцен по текстовому описанию — например, проход красной панды по мшистому бревну в туманном лесу с естественным звуковым сопровождением. - Анимировать переход между двумя кадрами: загрузить в
fl2va_prunedначальное и конечное изображения, чтобы модель достроила плавное движение и подходящее аудио между ними. - Собирать видео по мультимодальным референсам: подать в
ref2va_prunedобразцы картинок, видеофрагментов и звука, чтобы задать нужный стиль, объекты или акустику сцены.
Пример
sd-cli --mode vid_gen \
--diffusion-model minimax_h3_fl2va_pruned-UD-Q2_K_XL.gguf \
--llm qwen3vl_32b_minimax_h3-Q2_K_M.gguf \
--vae minimax_h3_video_vae_fp16.safetensors \
--audio-vae minimax_h3_audio_vae_fp32.safetensors \
--prompt "a red fox trotting through falling snow, cinematic" \
--width 640 --height 384 --video-frames 25 --steps 4 --cfg-scale 1.0 \
--backend te=cpu --diffusion-fa --output out.webmПодробнее
При запуске обязательны три флага:--mode vid_gen, --cfg-scale 1.0 (модель дистиллирована и падает при значениях выше 1.0) и --backend te=cpu.Файлы видео- и аудио-VAE в репозиторий не включены — их нужно скачать отдельно из
Comfy-Org/MiniMax-H3.Для самых маленьких квантов рекомендуют связку с энкодером
Q2_K_M, для остальных — Q4_K_M. Демо-пример 960x544 (124 кадра, 8 шагов) снят на UD-Q2_K_XL на одной видеокарте.Лицензия: MiniMax H3 Community License Agreement с территориальными ограничениями.














Comments