「FastVideo-FastH3-Trim-Comfy」音声付き動画生成モデル:配布ファイル一覧

「FastVideo-FastH3-Trim-Comfy」音声付き動画生成モデル:配布ファイル一覧

基本情報

項目 内容
リポジトリ FastVideo/FastVideo-FastH3-Trim-Comfy
まとめページ MiniMax-H3 のまとめ(記事14本)
公開元のまとめ MiniMax のモデルとライセンスのまとめ
公開日 2026-10-06
ライセンス minimax-h3-community-license-agreement
配布形式 safetensors
出典の種類 公開元の一次情報(公式リポジトリの再パッケージ版であり、一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

FastVideoチームより、実験的な軽量化動画生成モデル「FastH3 Trim」をComfyUIで利用できるように再パッケージ化したモデルファイル群「FastVideo-FastH3-Trim-Comfy」が公開されました。本モデルは、テキストを入力することで、同期したステレオ音声付きの動画(Text-to-Video/Audio)などをわずか8ステップで生成できるモデルです。ベースモデルである「MiniMax-H3」をベースにトランスフォーマーブロックの削減などの軽量化を施した「FastVideo-FastH3-Trim-8-Step」を、ComfyUIのワークフローで扱いやすい単一ファイル(safetensors)などの形式で提供しています。

スペック

公開された資料から確認できる「FastH3 Trim」および元モデル「MiniMax-H3」のスペックは以下の通りです。

  • アーキテクチャ・構造:
  • トランスフォーマーブロックを50ブロックから42ブロックへと削減(動画および音声の予測結果への影響が最も小さかった8ブロックを削除)。 – ランク16のタイムステップコンディショニングを採用しています。 – 元モデルは33Bパラメータ規模の密なシングルストリームトランスフォーマー(H3-Omni-Transformer)を核としており、テキストエンコーダーにはQwen3-VL-32Bの50層目の隠れ状態を利用しています。
  • 出力の仕様(元モデルのシステム仕様に基づく):
  • 出力尺: 4秒〜15秒。 – アスペクト比: 21:9、16:9、4:3、1:1、3:4、9:16など、幅広いアスペクト比に対応しています。 – 解像度: 短い辺がデフォルトで768ピクセル。 – フレームレート: 24 FPS。 – 音声: 32 kHz ステレオ。 – 対応言語(ダイアログ): アラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語の11言語を安定してサポートしています。
  • 推奨設定:
  • 推論ステップ数: 8ステップ。 – サンプラー: res_multistep。 – スケジューラー: simple。 – MiniMaxH3SigmaShift ノード設定: ビデオ生成時は10、オーディオ生成時は3。
  • ライセンス:
  • minimax-h3-community-license-agreement(モデルカード上のライセンス表記は license:other)。

性能・品質

モデルカードによると、「FastH3 Trim」はベースとなるH3モデルよりも4.2倍小さく、先行して公開されていた「FastH3 V2」よりも高速に動作すると報告されています。ただし、ブロックの削減による軽量化と高速化を図っている一方で、生成される品質面でのトレードオフが存在することが明示されています。

ベースとなった元モデル「MiniMax-H3」は、テキスト、画像、動画、音声を統合的に理解し、高品質な動画と同期したステレオ音声を同時に予測・生成する能力を持っています。元モデルのモデルカードでは、再現可能な768pの生成ユースケースとして以下の例が公表されています。

Use case Request Result
T2VA View script t2va.mp4
FL2VA View script fl2va.mp4
Ref2VA View script ref2va.mp4

元モデルでは、テキストから動画と音声を生成する「T2VA」のほか、最初と最後のフレーム画像を指定して動画を補間生成する「FL2VA」、画像や動画、音声をリファレンスとして入力するマルチモーダルな「Ref2VA」に対応しており、高い指示追従性能と一貫性を備えているとされています。今回の「FastH3 Trim」は、これらの強力な生成能力を維持しつつ、ローカル環境でより高速かつ効率的に動作させることを目指したモデルとなっています。

得意なこと・想定用途

FastH3 Trimは、ローカル環境での高速な動画生成に特化したモデルです。特に、テキストから動画と同期したステレオ音声を同時に生成する「Text-to-Video/Audio」を、わずか8ステップという極めて短い推論プロセスで実行できる点が最大の特徴です。元モデルであるMiniMax-H3の多機能性を引き継いでおり、4秒から15秒の動画生成や、21:9から9:16までの多様なアスペクト比(16:9、4:3、1:1、3:4など)での出力が可能です。

実験的なブロック削減により、ベースモデルと比較して4.2倍の小型化と、先行するFastH3 V2を上回る動作速度を実現しています。このため、最新のハイエンドGPUだけでなく、より広範なコンシューマー向けハードウェアでの試行錯誤や、リアルタイムに近い速度が求められるプロトタイピングに適しています。また、11言語(アラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語)のダイアログ生成を安定してサポートしているため、多言語対応のコンテンツ制作にも活用できます。

元モデルの設計思想に基づき、テキストだけでなく画像や動画、音声をリファレンスとして入力するマルチモーダルな指示追従も得意としています。今回のTrim版は、これらの強力な生成能力を維持しつつ、トランスフォーマーブロックを50層から42層へ削減することで、生成品質と計算コストのバランスを最適化しています。短尺の動画素材や、音声が同期したキャラクターの動き、風景動画などを素早く生成したい場合に非常に有用なモデルです。

類似モデルとの違い

先行して公開された 音声付き動画生成モデル「FastH3 V2」のFP8およびNVFP4版公開 は、トランスフォーマーブロックが50層維持されていますが、今回のTrim版はこれを42層に削減することでさらなる高速化を狙っています。また、音声付き動画生成モデル「FastH3 Trim」8ステップ版が公開 で提供されたモデルをベースに、ComfyUIの標準的なディレクトリ構造に合わせて再構成し、単一のsafetensorsファイルとして配布している点が今回のリポジトリの大きな違いです。これにより、ComfyUIユーザーは複雑な変換作業なしに、配布されたファイルを指定のフォルダに置くだけで利用できるようになっています。

配布ファイル

FastVideo/FastVideo-FastH3-Trim-Comfy で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
diffusion_models/fastvideo_fasth3_trim_8step_bf16.safetensors 37.49GB
diffusion_models/fastvideo_fasth3_trim_8step_fp8.safetensors 19.68GB
diffusion_models/fastvideo_fasth3_trim_8step_int8_convrot.safetensors 18.92GB
diffusion_models/fastvideo_fasth3_trim_8step_nvfp4.safetensors 11.89GB
text_encoders/qwen3vl_32b_minimax_h3_bf16.safetensors 51.51GB
text_encoders/qwen3vl_32b_minimax_h3_int8_convrot.safetensors 27.14GB
text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors 15.69GB
vae/minimax_h3_audio_vae_fp32.safetensors 605MB
vae/minimax_h3_video_vae_fp16.safetensors 5.21GB
vae/minimax_h3_video_vae_int8_convrot.safetensors 2.81GB

入手方法

モデルファイルはHugging Faceのリポジトリ FastVideo/FastVideo-FastH3-Trim-Comfy から入手可能です。配布形式はsafetensorsで、利用するハードウェアの世代や精度に合わせて以下のバリエーションが提供されています。

  • fastvideo_fasth3_trim_8step_nvfp4.safetensors: NVIDIA Blackwell世代(RTX 50シリーズ等)向け
  • fastvideo_fasth3_trim_8step_fp8.safetensors: NVIDIA Ada世代以降(RTX 40シリーズ等)向け
  • fastvideo_fasth3_trim_8step_int8_convrot.safetensors: 近年のNVIDIA GPU全般向け(テンプレートのデフォルト形式)
  • fastvideo_fasth3_trim_8step_bf16.safetensors: リファレンス品質、または他形式への変換用

ComfyUI(バージョン0.36.0以降)での利用が推奨されており、公式の FastVideo FastH3: Text to Video ワークフローテンプレートを使用することでスムーズに導入できます。入手した各ファイルは、ComfyUIの models フォルダ内の以下のディレクトリに配置してください。

📂 ComfyUI/
└── 📂 models/
    ├── 📂 diffusion_models/
    │   └── (fastvideo_fasth3_trim_8step_*.safetensors を配置)
    ├── 📂 text_encoders/
    │   └── (qwen3vl_32b_minimax_h3_*.safetensors を配置)
    └── 📂 vae/
        ├── minimax_h3_audio_vae_fp32.safetensors
        └── (minimax_h3_video_vae_*.safetensors を配置)

推論時には、テンプレートのサンプラー設定(8ステップ、res_multistep、simple)を維持し、MiniMaxH3SigmaShift ノードの値をビデオ生成時には10、オーディオ生成時には3に設定することが推奨されています。なお、本モデルの利用にあたっては minimax-h3-community-license-agreement への同意が必要です。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス minimax-h3-community-license-agreement(商用利用不可): MiniMax の MiniMax H3 Community License です。ウェイトの利用を認める地域が EU・英国・韓国・米国に限られ、日本は対象外です(第II条・第V条4)。対象外の地域では個別の許諾が必要です。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(minimax-h3-community-license-agreement)は商用利用を認めていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

関連記事

次に読むなら

出典