MiniMax-H3: 1080p Text-zu-Video in ComfyUI nutzen

MiniMax-H3 in ComfyUI: Open-Weights-Video-KI lokal nutzen – der Praxis-Überblick August 2026

Lesezeit: etwa 14 Minuten

Seit dem 3. August 2026 gibt es MiniMax-H3 als Open-Weights-Modell zum Herunterladen – dasselbe Modell, das hinter der Hailuo-Videoreihe steckt, bisher nur als Cloud-Dienst mit Credit-Guthaben. Für alle, die KI-Video bisher nur über Web-Oberflächen kannten, ist das der interessantere Weg: dein Rechner, deine Gewichte, keine Upload-Warteschlange.

Die Eckdaten: H3 ist ein omni-modales Modell mit rund 33 Milliarden Parametern, erzeugt Clips von 5 bis 15 Sekunden, generiert synchronen Stereo-Ton im selben Diffusionsprozess und schafft laut Hersteller bis zu 2K-Auflösung. ComfyUI unterstützt es nativ ab dem Release-Tag.

Zwei Einschränkungen vorweg, die im Marketing untergehen. Erstens: Die volle 2K-Pipeline umfasst gehostete Komponenten – vollständig lokal arbeitest du unterhalb dieser Auflösung. Zweitens steht H3 unter einer eigenen Community-Lizenz mit Gebiets- und Nutzungsbeschränkungen, nicht unter Apache oder MIT. Beides ändert nichts daran, dass das Release beeindruckend ist – aber es ändert, was du damit planen kannst.

Dieser Ratgeber für aimageddon.de sortiert die Faktenlage August 2026: was H3 wirklich ist, was deine Hardware braucht, wie du es zum Laufen bringst – und wo Marketing und Homelab-Realität auseinandergehen. Wir betreiben keine eigene Testbank, sondern werten Projektdokumentation und veröffentlichte Praxiswerte aus.

Was ist MiniMax-H3 und warum ist es besonders?

Ein Video-Generator, kein Chat-Modell

Wichtig für die Einordnung: H3 wird gern als „Vision-Modell“ beworben, in erster Linie ist es aber ein Video-Generator. Es schreibt dir keine Texte und liefert keine Bildbeschreibungen zurück. Was es kann, ist das Verrechnen gemischter Eingaben – Text, Bilder, Videos und Audio als Referenzen – zu einem Clip. Wer eine textliche Analyse braucht, benötigt weiterhin ein separates Sprach- oder Vision-Modell in der Pipeline.

Der zweite technische Kniff betrifft den Ton. Bild und Audio entstehen in einem gemeinsamen Diffusionsprozess – kein Video-Render mit nachträglichem Dubbing, sondern beide Spuren werden über denselben Satz Sampling-Schritte entrauscht. Die Synchronität entsteht direkt in der Generierung.

Zwei Basismodelle statt einem

Ein Detail, das die Setup-Planung beeinflusst: H3 kommt in zwei Basisvarianten, und du lädst je nach Anwendungsfall die eine oder die andere:

• FL2VA (First-and-last-frame) deckt Text-zu-Video und Bild-zu-Video mit ab: kein Bild als Eingabe bedeutet reines Text-zu-Video, ein Bild ergibt First- oder Last-Frame-Generierung, zwei Bilder den Übergang dazwischen.
• Ref2VA (Omni-Reference) nimmt gemischte Referenzen entgegen – bis zu neun Bilder, drei Videoclips (je 2 bis 15 Sekunden, insgesamt höchstens 15) und drei Audioclips. Wichtig: Audio funktioniert nur zusammen mit Bild- oder Videoeingabe, nicht allein.

Für konsistente Serien – dieselbe Figur, dieselbe Stimme über mehrere Clips – ist Ref2VA der relevante Zweig.

„Open Weights“ ist hier kein Freibrief

Hier steckt die wichtigste rechtliche Information: H3 steht unter dem MiniMax H3 Community License Agreement – nicht unter einer permissiven Lizenz wie Apache oder MIT. Die Lizenz enthält nach übereinstimmenden Berichten Gebietsbeschränkungen, Verbreitungsauflagen, kommerzielle Bedingungen und Nutzungsbeschränkungen.

Praktisch heißt das: Es ist präziser, von einem Open-Weight-Modell zu sprechen als von einem vollständig freien Open-Source-Modell. Bevor du mit H3 bezahlte Auftragsarbeit renderst, lies die Lizenzdatei im Original-Repository – gerade der Gebietsaspekt und die kommerziellen Bedingungen sind hier ungewöhnlich und lassen sich nicht mit der Erfahrung aus anderen offenen Modellen abkürzen. Das ist ein Hinweis, keine Rechtsberatung.

Hardware: Was wirklich reicht

Die offizielle Angabe – und was die Community gemessen hat

Die einzige harte Hardware-Aussage aus dem Release lautet: H3 „läuft auf einer RTX 5090“ mit 32 GB VRAM. Inzwischen liegen aber deutlich konkretere Community-Messwerte vor, und die sind ermutigender als erwartet.

Der entscheidende Mechanismus: Das Diffusionsmodell muss nicht vollständig in den VRAM passen – ComfyUI streamt, was nicht hineinpasst. Auf kleineren Karten wird es dadurch langsamer, aber es scheitert nicht.

Rechne den Text-Encoder mit ein: H3 nutzt einen großen Vision-Language-Encoder in der 32B-Klasse, der zusätzlich Speicher belegt. Ein Trick aus der Praxis: Der Encoder läuft einmal pro Prompt, nicht bei jedem Sampling-Schritt – wer ihn nach dem Encoding auf die CPU auslagert, gewinnt spürbar VRAM zurück. Ein vollständiger Modellstapel liegt je nach Quantisierung bei rund 34 GB an Dateien.

Quantisierungen: reichlich vorhanden – mit einer Besonderheit

Anders als beim Release absehbar, gibt es inzwischen eine ganze Reihe quantisierter Gewichte in der Community: GGUF-Varianten in verschiedenen Stufen, dazu INT4-, INT8-, gemischte und NVFP4-Builds. Einzelne Repositories bündeln die Formate ausdrücklich für Consumer-Karten mit 16 bis 24 GB.

Eine technische Eigenheit solltest du kennen: Die verbreiteten K-Quants (Q4_K_M und Ähnliches) sind bei diesem Modell architektonisch nicht möglich. Der Grund ist die Modellbreite von 2688, die nicht durch 256 teilbar ist – eine Voraussetzung für K-Quants. Wer eine Datei mit K-Quant-Namen findet, sollte skeptisch sein: Dahinter steckt dann etwas anderes mit dem falschen Etikett. Greif zu den klassischen Stufen wie Q4_0, Q5_1 oder Q8.

ComfyUI einrichten für MiniMax-H3

Voraussetzungen und Bezugsquellen

Für die native Unterstützung brauchst du ComfyUI ab Version 0.30.0 – ältere Installationen kennen die H3-Nodes nicht. Bei den Gewichten hast du die Wahl zwischen dem Original-Repository von MiniMax und der für ComfyUI umgepackten Comfy-Org-Variante. Für den Einstieg ist Letztere bequemer, weil die Dateien schon in der erwarteten Struktur vorliegen.

Für quantisierte Builds kommen die Community-Repositories dazu – dort brauchst du je nach Format zusätzlich passende Custom Nodes.

Die Ordnerstruktur – und die beiden VAEs

Ein Punkt, an dem viele Setups scheitern: H3 braucht zwei separate VAE-Dateien – eine für Video, eine für Audio. Beide müssen vorhanden sein, unabhängig von deiner Grafikkarte und der gewählten Quantisierung. Die typische Struktur unterhalb von ComfyUI/models/:

• diffusion_models/ (oder unet/ bei GGUF): die H3-Basisdatei, je nach Zweig FL2VA oder Ref2VA
• text_encoders/: der Vision-Language-Encoder
• vae/: beide Dateien – Video-VAE und Audio-VAE

Nach dem Neustart tauchen die Dateien in den Dropdowns der Loader-Nodes auf. Erscheinen sie nicht, liegt es fast immer am falschen Unterordner oder am fehlenden Neustart.

Drei Einstellungen, die stimmen müssen

Aus der Praxis-Dokumentation der Community stechen drei Punkte heraus, die sich nicht erraten lassen:

• Die Frame-Anzahl folgt einer Formel: Sie muss dem Muster 17n + 5 entsprechen – also 22, 39, 56, 73 und so weiter. Andere Werte führen zu Fehlern.
• Der CLIP-Loader braucht den Typ minimax – nicht die Voreinstellung.
• Als Sampler wird res_multistep genannt, und die offiziellen ComfyUI-Vorlagen verwenden den Scheduler simple. Wer stattdessen beta einstellt, arbeitet gegen die vorgesehene Konfiguration.

Erster Workflow: Text-zu-Video

Klein anfangen

Der einfachste Einstieg ist Text-zu-Video über den FL2VA-Zweig ohne Bildeingabe. Beschreib die Szene, setz eine moderate Auflösung und eine kurze Clip-Länge – und halte dich an die Frame-Formel. Fang bewusst klein an, um Prompt-Verhalten und Renderzeit auf deiner Karte kennenzulernen, bevor du hochgehst. Jede zusätzliche Sekunde und jede Auflösungsstufe multiplizieren Rechenzeit und Speicherbedarf.

Renderzeit realistisch einplanen

Zur Orientierung: Auf einer 32-GB-Karte dauerte ein gemessener Durchlauf mit 243 Frames bei 544×960 und 20 Schritten rund zehn Minuten. Auf kleineren Karten mit Streaming entsprechend länger. Plane iteratives Arbeiten ein – Prompt anpassen, kurzen Test rendern, bewerten, wiederholen – und speichere gelungene Zwischenstände als Workflow-JSON. Bei einem 33B-Modell zählt jeder gesparte Fehl-Render.

Multimodale Fähigkeiten nutzen

Neben reinem Text kann H3 ein Startbild in Bewegung setzen und über Referenzen ein Motiv, eine Bewegung oder eine Stimme durch den Clip tragen. Das ist der praktisch wertvollste Teil für konsistente Serien: Statt bei jeder Generierung eine leicht andere Figur zu bekommen, gibst du eine Referenz vor.

Wie weit das trägt, zeigt ein dokumentiertes Community-Beispiel: dreißig Sekunden aus drei aneinandergehängten Shots, gerendert mit einer Q5_1-Quantisierung – derselbe Sprecher und dieselbe Stimme über beide Schnittstellen hinweg. Genau dafür ist der Ref2VA-Zweig gebaut.

Ergänzend erlaubt First-and-last-frame die Vorgabe von Anfangs- und Endbild für geplante Kamerafahrten oder saubere Loops, und In-place-Editing ändert einen bestehenden Shot gezielt, statt ihn neu zu generieren.

Qualität und Fehlerbehebung

Sampler und CFG

Wie bei jedem Diffusionsmodell steuern Sampler, Schrittzahl und CFG-Wert das Verhältnis von Prompt-Treue zu Bewegungsnatürlichkeit. Ein zu hoher CFG-Wert überzeichnet und erzeugt Artefakte, ein zu niedriger ignoriert deinen Prompt. Halte dich an die vorgesehene Kombination aus res_multistep und simple, ändere pro Testlauf nur einen Parameter – und nimm Community-Empfehlungen mit Vorsicht: Die Konfiguration ist noch jung, und Werte aus anderen Modellen übertragen sich nicht.

Praktische Handlungsempfehlungen August 2026

• Lizenz zuerst lesen, wenn du kommerziell arbeitest. Die Community-Lizenz enthält Gebiets- und Nutzungsbeschränkungen – das ist die einzige Prüfung, die sich nicht nachholen lässt.
• Hardware ehrlich einschätzen, aber nicht zu pessimistisch: Auch 16-GB-Karten laufen mit Q4_0 – langsamer durch Streaming, aber sie laufen.
• Den passenden Zweig wählen: FL2VA für Text- und Bild-zu-Video, Ref2VA für konsistente Serien mit Referenzen.
• Beide VAE-Dateien laden – der häufigste Setup-Fehler.
• Die drei Pflicht-Einstellungen setzen: Frame-Anzahl nach 17n+5, CLIP-Typ minimax, Sampler res_multistep mit Scheduler simple.
• Text-Encoder nach dem Encoding auslagern, wenn der VRAM knapp wird – er läuft nur einmal pro Prompt.
• Keine K-Quants suchen – bei diesem Modell technisch nicht möglich.
• Workflows als JSON sichern, sobald ein Setup läuft. Bei zehn Minuten pro Render zählt jeder vermiedene Fehlversuch.

Fazit: Beeindruckend, aber kein Plug-and-Play

MiniMax-H3 ist eines der interessantesten Video-Releases dieses Jahres – ein 33B-Modell mit synchronem Ton aus einem gemeinsamen Diffusionsprozess, das dank Community-Quantisierungen auch auf 16- und 24-GB-Karten läuft. Dass ComfyUI es ab Tag eins nativ unterstützt, macht es für Homelab-Nutzer:innen realistisch zugänglich.

Zwei Dinge solltest du aber vor dem Download klären. Die Lizenz ist keine permissive Open-Source-Lizenz, sondern eine Community-Lizenz mit Gebiets- und Nutzungsbeschränkungen – bei kommerzieller Arbeit ist das die erste und wichtigste Prüfung. Und die volle 2K-Auflösung umfasst gehostete Komponenten; rein lokal arbeitest du darunter.

Wenn du das weißt, ist der Rest handwerklich lösbar: passende Quantisierung wählen, beide VAEs laden, die drei Pflicht-Einstellungen setzen – und mit kurzen Clips anfangen. Zehn Minuten pro Render sind kein Tempo, bei dem man Parameter raten sollte.

Quellen und weiterführende Informationen

• MiniMax H3 on Comfy – Open-Weight Video Model (comfy.org) – offizielle Ankündigung, Funktionsumfang und native ComfyUI-Unterstützung.
• Comfy-Org/MiniMax-H3 (huggingface.co) – für ComfyUI umgepackte Modelldateien mit Verweis auf das Original-Repository.
• MiniMax-H3-GGUF – Modellkarte (huggingface.co/joeygambino) – gemessene VRAM-Belegung und Renderzeit auf einer 32-GB-Karte, Empfehlung für 16-GB-Karten und Erläuterung zur K-Quant-Problematik.
• MiniMax-H3-NVFP4 – Modellkarte (huggingface.co/lilcheaty) – Ordnerstruktur, Pflicht-Einstellungen für Sampler und CLIP-Loader, Frame-Formel und Versionsanforderung an ComfyUI.
• MiniMax-H3-GGUF – Basismodelle und Referenzgrenzen (huggingface.co/molbal) – Unterschiede zwischen FL2VA und Ref2VA sowie Limits für Bild-, Video- und Audioreferenzen.
• Minimax-H3 quantisierte Sammlung für Consumer-GPUs (huggingface.co/Abiray) – Architekturangaben, Lizenzhinweis und Formatübersicht für Karten mit 16 bis 24 GB.
• MiniMax H3 Review: Features, ComfyUI, Hardware, License (airmore.ai) – Einordnung der Community-Lizenz und der gehosteten Komponenten in der 2K-Pipeline.
• MiniMax H3 Open Weights Land With Native ComfyUI Support (comfyui-wiki.com) – Release-Datum und Einordnung des Modells.

Haftungsausschluss

Allgemeine Information, keine eigenen Messungen. Dieser Artikel auf aimageddon.de dient der allgemeinen Information über das Open-Weights-Modell MiniMax-H3 und seinen Einsatz in ComfyUI; er ersetzt keine individuelle technische oder rechtliche Beratung. Wir betreiben keine eigene Testbank: Genannte Leistungs- und Speicherwerte stammen aus Projektdokumentation und veröffentlichten Community-Messungen und wurden nicht unabhängig reproduziert. Angaben entsprechen dem Recherchestand August 2026 und können sich durch Updates von Modell, Quantisierungen oder ComfyUI kurzfristig überholen.

Zu Hardware- und Leistungsangaben. Genannte VRAM-Werte, Renderzeiten und Quantisierungsempfehlungen beziehen sich auf einzelne dokumentierte Konfigurationen und lassen keinen Rückschluss auf dein System zu; der tatsächliche Bedarf hängt von Auflösung, Clip-Länge, Schrittzahl, gewähltem Modellzweig und Betriebssystem ab. Quantisierte Modelle weichen in ihren Ausgaben von den Originalgewichten ab. Angaben zur maximalen Auflösung beziehen sich auf die vollständige Systemkette des Anbieters, die auch gehostete Komponenten umfassen kann – rein lokale Ergebnisse können davon abweichen.

Lizenz und generierte Inhalte. MiniMax-H3 steht unter einer eigenen Community-Lizenz, die unter anderem Gebietsbeschränkungen, Verbreitungsauflagen und Bedingungen für die kommerzielle Nutzung enthält; maßgeblich ist der Lizenztext in der zum Einsatzzeitpunkt gültigen Fassung – lies ihn vor jedem produktiven Einsatz. Für KI-generierte Videoinhalte sind Urheber-, Persönlichkeits- und Markenrechte zu beachten, insbesondere wenn Referenzmaterial mit erkennbaren Personen, geschützten Werken oder Marken verwendet wird; hol im Zweifel rechtlichen Rat ein, bevor du solche Inhalte veröffentlichst oder kommerziell verwendest. Seit dem 2. August 2026 gelten zudem die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung: Realistisch wirkende, erzeugte oder veränderte Bild-, Ton- und Videoinhalte können kennzeichnungspflichtig sein, wenn sie beruflich verbreitet werden.

Hardware, Dienste und Affiliate. Der Betrieb großer Modelle verursacht erhebliche Rechenlast und Stromkosten. Repositories und Cloud-Dienste, über die Modellgewichte bezogen oder Teile der Pipeline ausgeführt werden, können jederzeit eingeschränkt oder eingestellt werden. Beim Kauf im Fernabsatz steht dir nach § 312g BGB ein 14-tägiges Widerrufsrecht zu; seit dem 19. Juni 2026 verlangt § 356a BGB zusätzlich eine leicht zugängliche digitale Widerrufsfunktion, § 312k BGB regelt den Kündigungsbutton bei Abo-Diensten. Bei Sachmängeln greifen §§ 437, 438 BGB mit zwei Jahren Frist, in den ersten zwölf Monaten mit Beweislastumkehr nach § 477 BGB. Nach § 11 PAngV müssen Händler bei beworbenen Preissenkungen den niedrigsten Preis der letzten 30 Tage ausweisen. Einige Links führen zum Amazon-Partnerprogramm oder zum Awin-Netzwerk; kaufst du darüber, erhält aimageddon.de eine Provision ohne Mehrkosten für dich. Alle Markennamen sind eingetragene Warenzeichen der jeweiligen Inhaber.