Cách sử dụng MiniMax H3: Prompt, Chạy cục bộ và Âm thanh không tệ

Vào ngày 4 tháng 8, Simon Willison đã tải xuống khoảng 115 GB trọng số, hướng một bản port MLX không chính thức của MiniMax H3 vào chiếc MacBook Pro M5 Max của anh ấy, và yêu cầu tạo ra một con chồn hôi màu cầu vồng đang nhảy qua một khúc gỗ phủ rêu trong siêu thị. Chưa đầy 45 phút sau, anh ấy đã có một đoạn clip mà anh mô tả là thực sự ấn tượng — kèm theo một đoạn âm thanh mà anh mô tả là kỳ quặc, thứ tạp âm rác rưởi giống như lời nói. Chẩn đoán của chính anh ấy mới là phần hữu ích: anh đã không đưa ra bất kỳ chỉ dẫn âm thanh nào cho mô hình, và cũng chưa đọc hướng dẫn tạo prompt trước đó. Đó là bản tóm tắt ngắn gọn nhất có thể về cảm giác khi bắt đầu sử dụng H3, còn được bán với tên gọi Hailuo 3.0. Hình ảnh thì gần như tự động có được. Mọi thứ còn lại — âm thanh, nhịp độ cảnh quay, độ phân giải 2K, nhân vật phải sống sót qua bốn cảnh quay liên tiếp — bạn phải yêu cầu một cách tường minh, theo một định dạng khắt khe hơn hầu hết mọi mô hình video đang được sử dụng hiện nay.

Đây là hướng dẫn sử dụng, không phải bài tường thuật ra mắt. Ba cấp độ nguồn thông tin xuyên suốt tài liệu này và mỗi lần xuất hiện đều được ghi nhãn: tài liệu của chính công ty (thẻ mô hình, hai hướng dẫn viết prompt đi kèm trong kho lưu trữ, tài liệu API của nền tảng); các phát hiện của cộng đồng từ những người đã thực sự chạy thử — những người duy trì ComfyUI, các nhà đánh giá benchmark độc lập, tài liệu của nhà bán lại và các chuỗi thảo luận trên Hugging Face, tất cả đều có ngày tháng từ 31 tháng 7 đến 5 tháng 8 năm 2026; và một số ít chỗ chúng tôi tự đọc tệp gốc và nói rõ điều đó. Số liệu từ cộng đồng là các báo cáo đơn lẻ trên phần cứng không được kiểm soát, trừ khi có ghi chú khác. Khi những người thực hành bất đồng với nhau, sự bất đồng được nêu ra thay vì được giải quyết.

Trước hết: có lẽ bạn không đang chạy toàn bộ mô hình.

Phần lớn sự nhầm lẫn trong tuần đầu tiên của H3 bắt nguồn từ một sự thật về cấu trúc mà nội dung tiếp thị làm lu mờ. H3 không phải là một mô hình đơn lẻ. Theo model card của nó, đây là một hệ thống gồm ba phần, và chỉ phần ở giữa được mở mã nguồn:

• H3-Context-IR — một bộ tiền xử lý chỉ dẫn đa phương thức. Nó đọc văn bản, hình ảnh, âm thanh và video của bạn, suy luận về mối quan hệ giữa chúng và tạo ra một biểu diễn có cấu trúc, giàu ngữ nghĩa cho những gì bạn yêu cầu. Chỉ khả dụng qua API được lưu trữ. Nó được triển khai như một loại tác vụ riêng, trả về một prompt đã được làm giàu và không trả về video nào cả.

• H3-Base — mô hình sinh tham số 33B thực sự tạo ra khung hình và âm thanh. Đây là phần trọng số mở.

• H3-Regenerate-2K — một lượt tái tạo trong ngữ cảnh nâng kết quả 768p lên 2K. Chỉ khả dụng qua API lưu trữ.

Hai hệ quả rút ra ngay lập tức, và chúng quyết định toàn bộ quy trình làm việc của bạn. Thứ nhất, tạo ảnh cục bộ chỉ đạt trần 768p. Canvas gốc của H3 có cạnh ngắn 768 pixel, được giới hạn tối đa ở 768×1344 — tức khoảng 1344×768 cho tỷ lệ 16:9. Nếu đầu ra ComfyUI của bạn không phải 2K thì không có gì trục trặc; gói bạn tải về là H3-Base, và mô-đun upscaling không nằm trong đó. Thứ hai, API lưu trữ sẽ tự sửa một prompt cẩu thả, còn bản cài đặt cục bộ của bạn thì không. Mọi thứ mà Context-IR làm đối với một lượt gọi API trả phí — suy ra cấu trúc, làm rõ tham chiếu nào mang ý nghĩa gì, điền vào những chỗ bạn để mơ hồ — đều là bước mà giờ đây bạn phải tự làm bằng tay, hoặc nhờ một mô hình khác, trước khi H3-Base kịp nhìn thấy câu chữ của bạn. Chính sự bất đối xứng đó giải thích hầu hết các báo cáo kiểu "cùng một prompt chạy được trên Hailuo nhưng trong ComfyUI thì trông hỏng."

Đáng chú ý từ chính kho lưu trữ: các trọng số được gắn nhãn minimax-h3-community-license-agreement thay vì Apache hoặc MIT (sẽ nói thêm về điều này bên dưới, vì đây là phần quyết định liệu bạn có thể phát hành được hay không), mô hình được liệt kê với 33B tham số ở định dạng F32/BF16, và tính đến hôm nay có đúng một nhà cung cấp suy luận — fal — được liệt kê là đang phục vụ mô hình này. 23 bản tinh chỉnh, 20 bản lượng tử hóa và 31 Spaces đã được xây dựng dựa trên nó, một tín hiệu khá rõ rệt cho thấy cộng đồng đã nhanh chóng hành động như thế nào.

Định dạng prompt: các khối cảnh quay, không phải mã thời gian.

Đây là nơi cộng đồng và tài liệu đang công khai mâu thuẫn với nhau, và điều này quan trọng hơn bất kỳ điều gì khác trong bài viết này.

Mẫu lan truyền nhanh nhất — qua Reddit, rồi đến một số hướng dẫn đã xuất bản — chia clip thành các khoảng mã thời gian: [0s-2s], [2s-5s], và cứ thế, tiếp theo là cấu trúc sáu khối gồm cam kết phong cách, dòng thời gian, máy quay, âm thanh, văn bản được viết ra và danh sách tiêu cực. Nó được thiết kế ngược bằng cách đọc 45 prompt mẫu mà công ty gửi kèm, và không phải là vô nghĩa: những ví dụ đó thực sự là danh sách cảnh quay kèm bảng tín hiệu âm thanh, với độ dài trung bình khoảng 130 ký tự Trung Quốc và dài nhất lên tới 657 và 858 ký tự.

Nhưng của chính công ty VIDEO_PROMPT_WRITING_GUIDE_base_en.md, nằm trong của kho lưu trữ docs thư mục, quy định một điều khác. Nó tổ chức theo khối cảnh quay, không phải theo khoảng thời gian. Chúng tôi đọc trực tiếp; cấu trúc mà nó yêu cầu là:

• Hướng dẫn — các quy tắc căn chỉnh hình ảnh, được sử dụng cho các chế độ khung hình chính (I2VA, FL2VA, L2VA) và được bỏ qua đối với chế độ văn bản thuần túy thành video.

• integrated_multimodal_description — phần nội dung chính, được chia thành [Cảnh quay 1], [Cảnh quay 2], v.v.

• âm cảnh tổng thể — một đến bốn câu mô tả âm thanh nội tại.

• nhạc ngoài cốt truyện — một đến ba câu nhạc nền.

Trong đó, các quy ước đủ cụ thể để có thể kiểm tra được. [Shot 1] không nhận bất kỳ dấu thời gian nào — các cảnh quay tiếp theo mở đầu bằng một cú cắt tuyệt đối, diễn đạt như "Tại 00:03.500, máy quay cắt sang…". Chuyển động máy quay được viết dưới dạng loại chuyển động cộng biên độ cộng tốc độ, được lồng vào câu tiếng Anh tự nhiên thay vì xếp chồng dưới dạng nhãn: một cú push-in chậm với biên độ nhỏ, chứ không phải camera: dolly-in, slow. Các chuyển động có sẵn là bộ quen thuộc — zoom, pan, tilt, tracking, arc, POV và shake ở các biến thể nhẹ hoặc mạnh. Lời thoại được bọc trong thẻ: <d>[English] Get in the car.</d>, với dấu câu được giữ nguyên chính xác và không bao giờ được dịch hoặc diễn giải lại. Người nói có ID ổn định — (S1), (S2) và (S1,S2) cho câu thoại chung — với độ tuổi, giới tính, âm sắc và chất giọng được mô tả ở lần xuất hiện đầu tiên. Voiceover được đánh dấu là lời thoại ngoài màn hình kèm ghi chú rõ ràng rằng môi khép kín — đó là cách ngăn mô hình nhép môi theo lời dẫn trên khuôn mặt. Các đoạn hội thoại cắt xen kẽ dùng một <scenetrans> làm điểm đánh dấu cùng với một tuyên bố về tính liên tục.

Các điều cấm được nêu rõ ràng trong hướng dẫn cũng mang nhiều thông tin như các quy tắc của nó: không gắn dấu thời gian cho cảnh quay đầu tiên, không lặp lại lời thoại, ca hát hoặc nhạc trên màn hình trong overall_soundscape, không dùng các từ trừu tượng về tâm trạng trong non_diegetic_music, và không bao giờ viết lại một câu thoại. Và một sự vắng mặt đáng chú ý — hướng dẫn chính thức hoàn toàn không có mục negative-prompt, nghĩa là danh sách "các chuyển cảnh bị cấm" trong bản mẫu cộng đồng phổ biến là do cộng đồng tự đặt ra, không phải một tính năng được ghi trong tài liệu.

Nên coi trọng cuộc xung đột này ở mức nào? Trong một cuộc thảo luận trên Hugging Face tại kho lưu trữ H3, một thành viên cộng đồng đã đăng cấu trúc kiểu mã thời gian như một bản hướng dẫn, và một người thực hành khác đáp lại thẳng thừng rằng họ đã dùng một cấu trúc tương tự, rằng nó hoàn toàn sai, và rằng mọi người nên đọc tài liệu hướng dẫn đi kèm thay vào đó. Đó là một người phản bác một người khác, không phải là phán quyết của người bảo trì. Cách chúng tôi hiểu các bằng chứng: cả hai đều hoạt động thông qua API được lưu trữ, vì Context-IR chuẩn hoá bất cứ thứ gì bạn gửi vào; chỉ có định dạng được tài liệu hoá là đáng tin cậy khi dùng trực tiếp với H3-Base. Nếu bạn đang chạy các trọng số cục bộ, hãy làm theo tệp trong kho lưu trữ. Nếu bạn đang dùng API và một lời nhắc dạng mã thời gian đang mang lại cho bạn những clip tốt, thì bộ tiền xử lý đang làm công việc đó cho bạn, và bạn không nên kết luận rằng định dạng đó chính là thứ đã tạo ra chúng.

Soạn một bản tóm tắt sơ sài theo phương ngữ của H3.

Lấy lời nhắc mười hai từ của Willison làm đầu vào — một con chồn hôi màu cầu vồng đang nhảy qua một khúc gỗ phủ rêu trong siêu thị. Viết theo cách được mô tả, nó trở thành gần như: một khối [Shot 1] mở đầu bằng việc nêu rõ phong cách (người thật đóng, máy quay cầm tay, ánh sáng đèn huỳnh quang) và khung hình (một lối đi trong siêu thị, khúc gỗ phủ rêu bắc ngang trên sàn linoleum, các kệ hàng lùi dần), sau đó là chủ thể và hành động theo thứ tự vật lý — hai bước nhón chân, một cú khụy gối, cú nhảy, pha tiếp đất — với máy quay là một chuyển động tracking chậm, biên độ thấp, kết thúc ở phía bên kia khúc gỗ; một overall_soundscape gồm tiếng móng vuốt trên sàn linoleum, tiếng cọ xát ẩm ướt của khúc gỗ, tiếng tủ lạnh vo ve và tiếng bánh xe đẩy xa xa; và một dòng non_diegetic_music: một đoạn nhạc gảy dây ngắn, nhẹ, không lời. Trong đó chẳng có gì là thiên tài sáng tạo cả. Đó vẫn là ý tưởng y hệt, nhưng với bốn thứ mà H3 yêu cầu được cung cấp thật sự — và đó là sự khác biệt giữa một âm thanh nền phòng không được yêu cầu và một bản nhạc phim do bạn thiết kế.

Bước này mang tính cơ học, lặp đi lặp lại và lãng phí nhân lực, chính vì vậy công ty đã phát hành một công cụ cho việc này mà hầu như chưa được giới truyền thông nào chú ý. Kho lưu trữ chứa một thư mụckỹ nănggồm chín kỹ năng tác tử, và kỹ năng đầu tiên —h3-prompt-writing— thực hiện chính xác điều này: nó nhận một yêu cầu và viết một H3 prompt có cấu trúc trên tất cả năm chế độ tạo nội dung, hoàn chỉnh với phần âm thanh và phần nhạc. Tám kỹ năng còn lại là các công thức thể loại (quảng cáo sản phẩm, phim hoạt hình 3D ngắn, video giải thích bằng giấy thủ công, phụ đề video ca nhạc, đoạn giới thiệu game co-op, lai giữa vẽ tay và live-action, v.v.) áp dụng cùng một định dạng trong một quy trình làm việc.

Để chạy kỹ năng đó cần một mô hình văn bản, không phải mô hình video, và đây là nơi router thực sự hữu ích thay vì một plugin. LLM của riêng công ty, MiniMax M3, là một lựa chọn hợp lý cho công việc và nằm trên OrcaRouter với giá $0.30 cho mỗi triệu token đầu vào và $1.20 cho mỗi triệu token đầu ra — giá niêm yết của nhà cung cấp, vì chúng tôi chuyển tiếp với mức chênh lệch 0% — với cửa sổ ngữ cảnh 1 triệu token và, bất thường, video là một loại đầu vào được chấp nhận. Chi tiết cuối cùng đó chính là điều khiến nó phù hợp: bạn có thể đưa cho nó hướng dẫn prompt chính thức, bản tóm tắt của bạn, và một đoạn video tham chiếu thực tế trong một lần gọi, và nhận lại được khối [Shot N] mô tả nó. Việc biên soạn một prompt chỉ tốn một phần nhỏ của một xu so với việc tạo video tính phí theo giây, vì vậy không có lý do gì để viết tay những thứ này. Hai lưu ý thẳng thắn: Bản thân việc tạo video H3 không chạy trên OrcaRouter — các đoạn clip đến từ nền tảng của công ty, fal, hoặc GPU của chính bạn — và bước biên soạn chỉ là một tiện ích, không phải là sự đảm bảo chất lượng. Điều router mang lại cho bạn ở đây là phần văn bản của pipeline nằm sau một khóa duy nhất với khả năng chuyển đổi dự phòng tự động, để một sự cố nhà cung cấp giữa chừng không làm kẹt hàng đợi render, và việc thay M3 bằng một mô hình khác để so sánh các prompt đã biên soạn chỉ là thay đổi một chuỗi chứ không phải một hợp đồng mới.

Audio là nơi mọi người đều lạc lối trong ngày đầu tiên.

Kiểu lỗi được xác nhận nhiều nhất trong tuần đầu tiên chính là điều Willison gặp phải: để trống phần âm thanh và H3 sẽ tự bịa ra thứ gì đó một cách tệ hại. Anh ấy nhận được tiếng ồn giống lời nói từ một prompt không có hướng dẫn âm thanh. Bài viết phân tích ngược các ví dụ chính thức báo cáo cùng kiểu lỗi này ở mức độ nhẹ hơn — bỏ khối âm thanh và mô hình xuất ra tiếng ồn phòng không được yêu cầu — và coi đây là những thiếu sót chứ không phải sai lầm, đó là cách đúng đắn để nghĩ về một mô hình âm thanh-hình ảnh kết hợp. Nó luôn tạo ra một bản nhạc nền. Lựa chọn duy nhất của bạn là có chỉ định nó hay không.

Tổng hợp các hướng dẫn trong tài liệu hướng dẫn prompt chính thức cùng với những gì tài liệu của nhà phân phối và người đánh giá báo cáo là thực sự hiệu quả:

• Đối thoại là thứ khó yêu cầu nhất. Hãy giới hạn lời thoại ở một hoặc hai câu cho mỗi năm giây của clip. Lời thoại quá dài gây ra việc nói vội vàng, âm thanh kéo dài quá khung hình cuối, hoặc khớp môi gượng gạo — được các nhà đánh giá phản ánh nhất quán.

• Mô tả người nói trước lời thoại và cách truyền đạt kèm theo. Tuổi, giới tính, âm sắc và giọng địa phương ở lần xuất hiện đầu tiên theo hướng dẫn chính thức; các ghi chú truyền đạt đơn giản, trực tiếp (rõ ràng, ấm áp, đều đều) thay vì chỉ đạo diễn xuất cầu kỳ, vốn được cho là làm giảm độ đồng bộ.

• Liên kết mọi hiệu ứng với một sự kiện có thể nhìn thấy được."Tiếng nút bần bật ra đúng ngay khi nút bần bay" thay vì "âm thanh: một tiếng bật". Các từ ngay khi, khi và sau đó chính là những gì tạo nên sự đồng bộ.

• Mô tả ngắn gọn âm nhạc theo thể loại, nhịp độ, tâm trạng và nhạc cụ — không bao giờ theo nghệ sĩ hoặc bài hát. Thêm "no vocals" khi hình ảnh cần dẫn dắt; đây là cách đã được ghi nhận để giữ bản phối gọn gàng.

• Xếp lớp không gian âm thanh trong một mệnh đề. Mưa rơi trên kính, tiếng trò chuyện rì rầm, tiếng tách cốc va vào nhau thỉnh thoảng, nhạc jazz nền dịu nhẹ — tất cả gộp trong một câu thay vì liệt kê riêng lẻ.

• Không nhắc lại lời thoại trong phần soundscape. Một điều cấm rõ ràng trong hướng dẫn chính thức; các phần được thiết kế để tách biệt, và lặp lại một câu thoại ở đó là cách để có nó hai lần.

• Nếu một từ cần phải đọc được trên màn hình, hãy gõ từ đó trong dấu ngoặc kép. Các nhà đánh giá báo cáo rằng các chuỗi được chỉ định hiển thị rõ ràng, trong khi các yêu cầu mơ hồ ("các yếu tố HUD", "một tấm biển") lại trả về nhiễu hình chữ cái.

Theo nhiều người đánh giá, điểm mà âm thanh thực sự phát huy là âm thanh vật lý cụ thể — foley và hiệu ứng gắn với thứ gì đó hữu hình — và âm thanh môi trường. Nó yếu hơn đối với các yêu cầu trừu tượng hoặc mang tính không khí. Các cảnh nhiều người nói thường cần chỉnh sửa để đúng thứ tự người nói, và chất lượng phát âm khác nhau tùy theo ngôn ngữ, vì vậy hãy thử ngôn ngữ mục tiêu trên một clip thử trước khi giao một dự án cho nó. Một số người đánh giá cũng chỉ ra giới hạn thực tế: âm thanh đủ tốt để phân phối trên mạng xã hội và nhìn chung không đủ tốt để phát hành dưới dạng bản phối cho phát sóng hoặc quảng cáo trả phí mà không cần thay thế. Không điều nào trong số đó là hướng dẫn của nhà cung cấp; đó là những gì những người làm nghề báo cáo.

Tham chiếu: giao cho mỗi tệp một công việc

Hệ thống tham chiếu của H3 là điểm khác biệt mạnh nhất và cũng là nơi dễ mắc lỗi thiết lập nhất. Các giới hạn được ghi trong tài liệu API của nền tảng: tối đa 9 ảnh, 3 clip video và 3 clip âm thanh, giới hạn tổng cộng 12 tệp, với mỗi video hoặc âm thanh tham chiếu dài từ 2 đến 15 giây và tổng thời lượng của chúng không vượt quá 15 giây. Tham chiếu đến video yêu cầu ít nhất một ảnh hoặc video; chỉ có âm thanh không được chấp nhận.

Kỹ thuật mà cả hướng dẫn tham khảo chính thức và các báo cáo từ cộng đồng đều thống nhất là gắn thẻ cho từng đầu vào và gán cho nó một nhiệm vụ. Tham chiếu theo thẻ đúng theo thứ tự các tệp được đính kèm — <Picture 1>, <Video 1>, <Audio 1> — sau đó nêu trong lời nhắc tham chiếu nào điều khiển thuộc tính nào: danh tính, phong cách, chuyển động, camera hay giọng nói. Các lời nhắc ví dụ chính thức mở đầu chính xác theo cách này, tuyên bố rằng hình ảnh thứ nhất là tham chiếu tâm trạng và phong cách tổng thể, còn hình ảnh thứ hai là nhân vật chính. Các học viên cho biết việc gán rõ ràng hoạt động hiệu quả hơn đáng kể so với việc đổ chín hình ảnh vào và hy vọng.

Hai chi tiết khiến mọi người mất bản render:

• <Picture 1> không phải là mood board — nó chính là khung hình đầu tiên tại thời điểm 0,000 giây và thuộc về [Shot 1]. Hãy mô tả những gì có trong khung hình (phong cách, chủ thể, bố cục, các điểm neo của cảnh) trước khi mô tả hành động tiếp nối từ khung hình đó. Hãy coi nó như một khung hình tĩnh mà bạn đang tạo hoạt hình, chứ không phải một gợi ý.

• Có hai checkpoint riêng biệt, và dùng nhầm một trong hai sẽ thất bại âm thầm. fl2va xử lý text-to-video và tác vụ khung hình đầu/cuối; ref2va xử lý reference-to-video. Đây là lỗi ComfyUI được báo cáo nhiều nhất: đồ thị R2V chạy trong khi mô hình FL2VA vẫn đang được chọn. Cũng đáng biết rằng một người bình luận trên bài thông báo ComfyUI đã chỉ ra rằng template R2V đi kèm chỉ hiển thị hai ô tham chiếu hình ảnh mặc dù mô hình chấp nhận chín ô — giới hạn của template, không phải giới hạn của mô hình.

Về phía hosted, thêm hai lưu ý thực tế từ tài liệu reseller: tham số ratio là bắt buộc trên các endpoint ref2va, không thể để là \"adaptive\", và các tác vụ chồng chéo trả về mã 429 cho tác vụ đồng thời thay vì được xếp hàng đợi — vì vậy hãy xử lý hàng loạt theo tuần tự hoặc tự xây dựng hàng đợi của bạn. Về phía cục bộ, ref_image_size mặc định là match, nhanh hơn; max giữ nguyên cạnh ngắn lên đến 2048 pixel trên ảnh tham chiếu và tốn thời gian.

Một lần chạy cục bộ thực sự tốn bao nhiêu thời gian thực tế

Tải xuống toàn bộ kho lưu trữ chính thức là 498 GB, và bản sao được đóng gói lại từ ComfyUI là 343 GB. Bạn không cần cả hai ở dạng đầy đủ. Bốn tệp mà hướng dẫn của chính ComfyUI liệt kê cho chuyển văn bản thành video và chuyển hình ảnh thành video có tổng dung lượng khoảng 42,5 GB:

• Mô hình khuếch tán — minimax_h3_fl2va_pruned_int8_convrot.safetensors, 20.97 GB, vào models/diffusion_models.

• Bộ mã hóa văn bản — qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors, 15.69 GB, vào models/text_encoders.

• Video VAE — minimax_h3_video_vae_fp16.safetensors, 5.21 GB, vào models/vae.

• Audio VAE — minimax_h3_audio_vae_fp32.safetensors, 0.61 GB, cũng đặt vào models/vae.

• Thêm cho tham chiếu đến video — minimax_h3_ref2va_pruned_int8_convrot.safetensors, thêm 20.97 GB.

Con số {{1}}42.5 GB{{/1}} đó không phải là thông số VRAM — mà là dung lượng ổ đĩa, và các phần được truyền tải (stream) và dỡ tải (offload). Lý do khiến mô hình lại có thể chạy vừa trên các card đồ họa phổ thông là một mẹo kỹ thuật mà {{2}}ComfyUI{{/2}} đã ghi chép: khoảng 40% tham số nằm trong các nhánh điều chế {{3}}AdaLN{{/3}}, đầu ra của chúng có thể được tính toán trước và thay thế bằng các bảng tra cứu (lookup table) tương đương về mặt chức năng, làm giảm số tham số của mô hình khi tải từ {{4}}33.12B{{/4}} xuống còn khoảng {{5}}20.11B{{/5}} mà, {{6}}theo ComfyUI{{/6}}, không mất chất lượng. Bản full precision sẽ là {{7}}123.6 GB{{/7}}. Các checkpoint int8 chưa cắt tỉa ({{8}}34.04 GB{{/8}} mỗi cái) và các bản bf16 ({{9}}66.28 GB{{/9}} mỗi cái) đều có sẵn nếu bạn fine-tuning hoặc theo đuổi vài phần trăm độ trung thực cuối cùng.

Yêu cầu ComfyUI 0.30.0 trở lên, và nó đi kèm ba mẫu: T2V, I2V và R2V. Điểm khởi đầu mà mọi hướng dẫn và người duy trì đều hội tụ về cho lần chạy đầu tiên được chủ ý đặt ở mức nhỏ: 16:9 ở 0,4 MP (864×480), 5 giây, 20 bước, bộ lấy mẫu res_multistep với bộ lập lịch simple, denoise 1.0, batch 1. Hãy xuất ra một tệp MP4 chứa cả video và âm thanh nổi trước khi bạn động đến độ phân giải hoặc độ dài. Một điểm bất thường về số học cần biết trước: thời lượng được khớp vào lưới khung hình 17k+5, vì vậy yêu cầu 5 giây trở thành 124 khung hình — khoảng 5,17 giây ở 24 fps — và yêu cầu 10 giây cho ra 243 khung hình, tức 10,125 giây. Các yêu cầu trong khoảng 5–15 giây là vùng an toàn hơn.

Chi phí thực tế về mặt thời gian, theo báo cáo từ cộng đồng (tất cả đều là các lần chạy đơn lẻ, không kiểm soát, trên các cài đặt khác nhau — biểu đồ trên hiển thị từng cấu hình bên cạnh thanh tương ứng): một chiếc RTX 3060 12 GB với 32 GB RAM hệ thống và một ổ NVMe nhanh đã hoàn thành bài kiểm tra cơ sở 864×480 / 124 khung hình / 20 bước trong chưa đầy chín phút bằng cách sử dụng tải động. Một laptop RTX 4090 16 GB với SageAttention được bật đã xử lý 960×540, 5 giây, 20 bước trong 182 giây. Một bản dựng NVFP4 trên một chiếc RTX 5090 duy nhất đã tạo ra một đoạn clip 864×480 với 243 khung hình (10,1 giây) ở 10 bước trong 175 giây, đạt đỉnh 26,9 GiB VRAM với chỉ 31,7 GB tệp trên đĩa. Tài liệu tham khảo cookbook của chính SGLang — 1344×768, 124 khung hình, 50 bước trên hai chiếc RTX 5090 với tải theo lớp — mất 559,67 giây. Và đường dẫn Apple Silicon, thông qua bản chuyển thể MLX không chính thức, mất chưa đầy 45 phút cho một đoạn clip duy nhất.

Các ghi chú thực tế rút ra từ những báo cáo đó:

• RAM hệ thống và tốc độ ổ đĩa là yếu tố then chốt, không phải tùy chọn.Trên thẻ 12 GB, các tệp được chọn vượt quá VRAM theo thiết kế, do đó đường dẫn giảm tải chạy qua RAM rồi đến SSD. 32 GB RAM xuất hiện trong cả hai báo cáo VRAM thấp thành công. Không có kết quả 8 GB nào được xác minh.

• SageAttention là giải pháp tăng tốc miễn phí duy nhất — khoảng 2× trong ComfyUI, ít hơn nếu quá trình chạy của bạn bị chi phối bởi lưu lượng offload. Cài đặt bản wheel khớp chính xác với bản dựng PyTorch và CUDA của bạn cùng với ComfyUI-KJNodes, sau đó chèn Patch Sage Attention KJ giữa trình tải UNET và bộ dẫn hướng rồi đặt nó ở chế độ tự động. Hãy mong đợi các cảnh báo rằng một số lớp H3 không phải là FP16/BF16; cơ chế dự phòng đó đã được ghi chú và là điều bình thường.

• Số bước có thể thương lượng.Điểm chuẩn 5090 chạy 10 và đường cơ sở ComfyUI chạy 20, trong khi cấu hình tham chiếu SGLang sử dụng 50. Chưa ai công bố đường cong chất lượng theo bước, vì vậy hãy tự tìm mức tối thiểu của bạn trước khi cho rằng bạn cần 50.

• Thay đổi một biến tại một thời điểm để thoát khỏi OOM. Cách khôi phục được ghi trong tài liệu là giảm trở lại 0.4 MP, 5 giây, batch 1, và chỉ điều chỉnh một núm mỗi lần thử.

• Âm thanh im lặng có nghĩa là audio VAE không được kết nối với nút đầu ra video. Đây là một lỗi khác biệt so với lỗi âm thanh kém chất lượng, và dễ bị hiểu nhầm là mô hình từ chối tạo ra âm thanh.

• Apple Silicon không được hỗ trợ chính thức. Hướng đi của Willison là PipeNetwork/minimax-h3-mlx, một bản port từ cộng đồng, chạy qua uv với một tệp yêu cầu MLX. Tài liệu của chính công ty nêu tên SGLang, vLLM, Diffusers và ComfyUI, với việc triển khai điển hình gồm bốn GPU ở BF16, và không nói gì về Metal hoặc MPS. Hãy coi hỗ trợ Mac là do cộng đồng duy trì.

Local so với hosted, kèm theo số liệu.

Vì mô-đun 2K và bộ tiền xử lý prompt chỉ có trên bản lưu trữ đám mây, nên đây không thực sự là chuyện chọn một trong hai. Mô hình mà kiến trúc đẩy bạn theo là: lặp lại cục bộ ở 768p, nơi mỗi lần thử chỉ tốn tiền điện và ba phút, sau đó trả tiền để mua bản hoàn thiện. Phí tính theo giây thì ổn cho cảnh bạn giữ lại, nhưng lại tai hại cho bốn mươi cảnh bạn vứt bỏ.

Về giá cả, hãy cẩn thận vì giá chênh lệch khoảng 2 lần tùy vào người bán, và bài đăng blog của chính nhà cung cấp không đưa ra con số đô la cụ thể — chỉ nói rằng bản 2K có giá dưới một phần ba so với các mô hình chủ đạo và bản 768p có giá dưới một nửa so với bản 720p của đối thủ. Điều được công bố cụ thể: fal, hiện là nhà cung cấp suy luận duy nhất được liệt kê trên kho lưu trữ Hugging Face, tính phí $0.16 mỗi giây ở 768p và $0.26 mỗi giây ở 2K. Các trang theo dõi thứ cấp báo cáo giá niêm yết của chính công ty thấp hơn đáng kể — khoảng $0.09–$0.10 mỗi giây ở 768p và $0.13–$0.14 mỗi giây ở 2K — và chúng không khớp nhau đến từng xu, vì vậy hãy coi những con số đó chỉ mang tính tham khảo và kiểm tra trang giá của nền tảng trước khi bạn lập ngân sách. Đồng thời, hãy tính cả việc video tham chiếu được tính phí theo thời lượng của chính nó cũng như theo đầu ra được tạo ra.

Chạy thử với một con số thực tế. Một trăm clip giữ lại, mỗi clip tám giây, sẽ tạo ra 800 giây video: khoảng 112 đô la với mức giá 0,14 đô la cho chuẩn 2K, khoảng 208 đô la theo mức 0,26 đô la của fal, và khoảng 76 đô la nếu bạn xuất bản ở 768p với mức giá niêm yết thấp nhất. Bốn mươi clip bị loại cho mỗi clip giữ lại là yếu tố quyết định hóa đơn, và những clip đó nên được tạo cục bộ. Đây cũng là lý do để giữ mức giá bạn so sánh ở mức trung thực — trên OrcaRouter, phần văn bản của quy trình đó được chuyển qua theo danh sách nhà cung cấp với mức phụ giá 0%, nên khi nhà cung cấp giảm giá, giá mới có hiệu lực ngay trong ngày thay vì phải chờ tính toán lại biên lợi nhuận. Một lần nữa, tạo video không phải là việc của chúng tôi; vấn đề chỉ là bước tổng hợp không nên là khoản mục bạn phải bận tâm.

Read the license before you build a product on this

Đây là phần mà hầu hết các hướng dẫn "cách sử dụng" bỏ qua, và đối với nhiều độc giả, đây là phần duy nhất thay đổi quyết định. Chúng tôi đã đọc trực tiếp tệp LICENSE trong kho lưu trữ. Các trọng số được phân phối theo H3 Community License Agreement, không phải là giấy phép mã nguồn mở, và nó chứa các điều khoản đủ bất thường để trích dẫn đại ý:

• Lãnh thổ. Giấy phép xác định "Lãnh thổ Áp dụng" là toàn thế giới, ngoại trừ Liên minh Châu Âu, Vương quốc Liên hiệp Anh, Hàn Quốc và Hoa Kỳ. Nói một cách đơn giản, điều đó loại trừ một phần lớn những người hiện đang đăng kết quả tạo sinh cục bộ — và hạn chế này được viết để áp dụng đến cả đầu ra, không chỉ các trọng số.

• Ghi công. Sử dụng thương mại yêu cầu hiển thị "H3" trên giao diện sản phẩm; giấy phép cũng khuyến khích hiển thị thông báo "Powered by H3".

• Ngưỡng doanh thu. Các tổ chức có doanh thu trên 20 triệu đô la Mỹ mỗi năm từ các sản phẩm hoặc dịch vụ được xây dựng dựa trên nó phải được công ty cấp phép bằng văn bản riêng.

• Không chưng cất. Bạn không được sử dụng H3 hoặc đầu ra của H3 để cải thiện bất kỳ mô hình AI nào khác, ngoại trừ các dẫn xuất của H3. Điều đó loại trừ cách tiếp cận dữ liệu tổng hợp thông thường.

• Luật điều chỉnh. Hồng Kông SAR, có thẩm quyền xét xử độc quyền tại các tòa án Hồng Kông.

• Một thành phần thực sự mở. Trình mã hóa văn bản Qwen3-VL-32B được cấp phép Apache 2.0; các hạn chế nêu trên áp dụng cho các trọng số H3.

Chúng tôi không phải luật sư của bạn và đây không phải là lời khuyên pháp lý — hãy đọc giấy phép và tài liệu Hỏi & Đáp mà công ty đính kèm bên cạnh, và nếu bạn đang phát triển sản phẩm thương mại tại một lãnh thổ bị loại trừ, hãy nhờ luật sư tư vấn thay vì tin vào cách đọc từ một blog. Điểm khác biệt thực tế là: API lưu trữ là một giao dịch khác với các điều khoản khác so với giấy phép cộng đồng trên các trọng số, vì vậy nếu giấy phép địa phương không phù hợp với bạn, thì tuyến API vẫn có thể khả dụng. Hãy kiểm tra các điều khoản của nền tảng bạn mua.

Kế hoạch kiểm tra tuần đầu tiên

Chạy năm lần, theo thứ tự này, là đủ để biết liệu H3 có phù hợp với pipeline của bạn hay không:

• Lần chạy 1 — kiểm chứng hệ thống. Mẫu T2V, 864×480, 5 giây, 20 bước, res_multistep/simple. Tiêu chí thành công là một tệp MP4 có âm thanh stereo bên trong, không phải một đoạn clip đẹp.

• Lần chạy 2 — chứng minh định dạng quan trọng. Cùng một chủ đề hai lần: một lần là mô tả một dòng tự do, một lần viết là [Shot 1] cộng thêm không gian âm thanh tổng thể cộng thêm nhạc ngoài câu chuyện. Nếu phiên bản thứ hai không rõ ràng tốt hơn so với H3-Base, thì có gì đó sai trong thiết lập của bạn.

• Run 3 — một dòng hội thoại.Một người nói, một câu, cách diễn đạt được mô tả, năm giây. Đây là cách nhanh nhất để đánh giá liệu âm thanh có đủ tốt cho mục đích sử dụng của bạn hay không, cũng như cách phát âm của ngôn ngữ mục tiêu.

• Run 4 — kỷ luật tham chiếu. R2V với ref2va checkpoint, hai hoặc ba tham chiếu, mỗi tham chiếu được gắn thẻ rõ ràng và được giao một nhiệm vụ, với <Picture 1> được mô tả là chính khung hình đầu tiên. Sau đó cố tình phá vỡ nó: gắn cùng các tham chiếu đó mà không có phân công và so sánh.

• Run 5 — bước cuối cùng. Đưa prompt 768p cục bộ tốt nhất của bạn lên API được lưu trữ ở 2K và xem Context-IR cùng lượt tái tạo bổ sung thêm gì. Mức chênh lệch đó chính là thứ mà mức giá mỗi giây đang mua, và đó là cách duy nhất để định giá quy trình lai một cách trung thực.

Câu hỏi thường gặp

Tôi có thể lấy được 2K từ các trọng số cục bộ không?

{{1}}Không. Gói mở là H3-Base, có canvas gốc với cạnh ngắn 768 pixel (tối đa 768×1344).{{/1}} {{2}}2K đến từ H3-Regenerate-2K, một mô-đun tái tạo trong ngữ cảnh riêng biệt mà công ty giữ trên API lưu trữ.{{/2}} {{3}}Bạn có thể tăng kích thước cục bộ bằng bất kỳ trình tăng kích thước đa năng nào, nhưng đó là một thao tác khác với bước tái tạo của riêng H3 và sẽ không khớp với nó.{{/3}}

Tại sao cùng một prompt lại hoạt động khác nhau trên API và trong ComfyUI?

Vì API chạy H3-Context-IR trước. Nó đọc văn bản và các tài liệu tham khảo của bạn, suy luận về cách chúng liên quan với nhau, và chuyển cho H3-Base một chỉ dẫn có cấu trúc và giàu thông tin. Khi chạy cục bộ, không có giai đoạn nào như vậy — H3-Base nhận được nguyên văn thô của bạn. Một lời nhắc mơ hồ mà qua API vẫn tạo ra một clip tử tế thực chất đang được hỗ trợ bởi một bộ tiền xử lý mà bạn không cài đặt, đó là lý do tại sao định dạng prompt được ghi chép lại quan trọng với người dùng cục bộ hơn nhiều so với người dùng API.

Mẫu timecode [0s-2s] có sai không?

Đây không phải điều mà tài liệu hướng dẫn đi kèm yêu cầu. Tệp VIDEO_PROMPT_WRITING_GUIDE_base_en.md của công ty tổ chức theo các khối [Shot N], không gán mốc thời gian cho Shot 1, và diễn đạt các cú cắt sau đó dưới dạng thời gian tuyệt đối ("Tại 00:03.500, máy quay cắt sang…"). Nó cũng không có phần negative-prompt, vì vậy danh sách "các chuyển cảnh bị cấm" trong template phổ biến là một phần bổ sung từ cộng đồng. Dù vậy, những người thực hành đang báo cáo kết quả API tốt với dạng timecode — có lẽ vì Context-IR chuẩn hoá nó. Cách hiểu của chúng tôi: hãy dùng định dạng đã được ghi trong tài liệu với các trọng số cục bộ, và đừng gán công cho các mốc timecode trong ngoặc về những kết quả API mà bộ tiền xử lý có thể đã tạo ra.

Liệu một công ty ở Mỹ hoặc EU có thể sử dụng các trọng số mở (open weights) cho mục đích thương mại không?

Văn bản giấy phép mà chúng tôi đọc loại trừ EU, Vương quốc Anh, Hàn Quốc và Hoa Kỳ khỏi Lãnh thổ Áp dụng của nó, và điều khoản loại trừ được viết để bao gồm cả đầu ra lẫn trọng số. Đó là một trở ngại nghiêm trọng cho việc triển khai thương mại tại những khu vực đó, và đây là vấn đề pháp lý chứ không phải vấn đề kỹ thuật — hãy tự đọc giấy phép và tệp Hỏi & Đáp rồi tham khảo ý kiến tư vấn. API được lưu trữ được điều chỉnh bởi các điều khoản riêng của nền tảng, không phải giấy phép cộng đồng, vì vậy cần được đánh giá riêng biệt thay vì giả định rằng nó bị hạn chế ở mức tương tự.

Những gì cần kiểm tra trước khi commit

H3 đáng giá một cách khác thường cho một dạng công việc cụ thể: các clip ngắn, được thiết kế âm thanh, nhất quán với tham chiếu, khi bạn sẵn sàng viết một danh sách cảnh quay thực thụ. Nó khắt khe một cách khác thường về cách bạn yêu cầu. Ba điều đáng để bạn tự kiểm chứng, vì chúng là những thứ thay đổi nhanh nhất: liệu có thêm nhà cung cấp suy luận nào xuất hiện bên cạnh fal (điều sẽ giúp hạ giá mỗi giây xuống), liệu mẫu ComfyUI R2V có phát triển vượt qua hai ô tham chiếu để đạt tới chín ô của mô hình hay không, và liệu thói quen dùng timecode của cộng đồng hay định dạng shot-block được ghi chép lại sẽ thắng khi có ai đó chạy một phép so sánh có kiểm soát với các trọng số nội bộ. Chưa ai công bố phép so sánh đó. Cho đến khi họ làm vậy, bản hướng dẫn trong kho lưu trữ là lựa chọn tốt hơn — và nó nằm ngay trong bản tải về mà bạn đã tốn 42 GB.