HyperFlow H3 Flash
быстрая генерация видео со звуком за 6 шагов
2 min readupdated
Команда Video Rebirth выпустила сжатую версию модели MiniMax-H3, которая одновременно генерирует видео (от 5,2 до 15 секунд, 1344×768 при 24 fps) и синхронизированную стереодорожку 32 кГц. Вместо ~31B параметров оригинального трансформера здесь используется 13,7B или 13,9B, а генерация занимает всего 4–8 шагов без CFG (classifier-free guidance — метод усиления следования промпту). Благодаря квантизации (сжатию весов) в форматы GGUF и INT8 модель запускается на потребительских видеокартах с 24 ГБ VRAM и работает в ComfyUI, diffusers и stable-diffusion.cpp. Подойдёт тем, кто хочет локально создавать ролики со звуком из текста, ключевых кадров или референсов без серверных ферм.
Ключевые особенности
- Три режима работы: генерация по тексту (
t2va), по первому или первому и последнему кадру (fl2va), а также по референсам (ref2va— до 12 изображений, а в Python также видео и аудио). - Быстрый сэмплинг за 4, 6 или 8 шагов: ролик на 5,2 секунды за 6 шагов считается за 92 секунды на RTX 5090, 36 секунд на H200 и 8,7 секунды на 4× B200.
- Доступны форматы GGUF (от
Q3_K_Mвесом 7,2 ГБ доQ8_0на 15,2 ГБ), INT8 convrot (~16 ГБ) для ComfyUI и Python, а также неквантизированные веса BF16 (~27,4–27,9 ГБ). - Готовые шаблоны воркфлоу для ComfyUI (
hyperflow_t2v,hyperflow_i2v,hyperflow_flf2v,hyperflow_ref2v) и поддержка Unsloth Studio.
Что можно сделать
- Генерировать короткие сцены с готовым эмбиентом и звуковыми эффектами по текстовому описанию через шаблоны
hyperflow_t2vв ComfyUI или CLI. - Анимировать статичные изображения и делать плавные переходы между начальным и конечным кадрами с озвучкой в режиме
fl2va. - Собирать ролики с сохранением персонажей, объектов и стиля окружения, подавая до 12 референсов в режиме
ref2va(в Python-пакете можно подмешивать и видео/аудио-референсы).
Пример
import torch
from diffusers.utils.export_utils import encode_video
from hyperflow_h3_flash import load_pipeline
pipe = load_pipeline("t2va")
out = pipe(prompt="A chef slides a steaming bowl of ramen across a wooden counter; rain taps on the window.", num_frames=124, num_inference_steps=6, output=["videos", "audio", "sampling_rate"])
encode_video(out["videos"][0], fps=24, output_path="ramen.mp4", audio=out["audio"][0], audio_sample_rate=out["sampling_rate"])
Подробнее
Размер модели: 13,7B (fl2va) и 13,9B (ref2va) против ~31B у базовой MiniMax-H3.Требования к железу: протестировано на GPU с 24 ГБ и 32 ГБ VRAM при 16 ГБ+ ОЗУ (карты на 16 ГБ ещё не замерялись); без оффлоада в Python нужно ≥ 90 GiB VRAM.
Дополнительно качаются текстовый энкодер Qwen3-VL-32B и VAE из репозиториев MiniMax-H3 / Comfy-Org.
Лицензия MiniMax H3 Community License ограничивает использование на территории ЕС, Великобритании, Южной Кореи и США без отдельного разрешения MiniMax.














Comments