H3MD Director: 2–3 Minuten Video in einem Durchlauf mit MiniMax H3 in ComfyUI

Worum es geht

Unter dem Namen H3MD Director hat ein Entwickler (auf Reddit als ReferenceFluffy6159 unterwegs) ein kostenloses Node-Pack für ComfyUI veröffentlicht, die grafische, knotenbasierte Oberfläche für KI-Workflows. Es ermöglicht, mit MiniMax H3 Videos von zwei bis drei Minuten Länge in 1080p in einem einzigen Durchlauf zu erzeugen. Das Modell selbst schafft pro Lauf nur gut zehn Sekunden, die meisten Workflows hören laut dem Autor bei 10 bis 15 Sekunden auf. Die Modellgewichte sind nicht Teil des Pakets; MiniMax H3 hat eine eigene Lizenz.

Wie das Verketten funktioniert

Die Herausforderung bei langen Videos ist nicht, Clips aneinanderzuhängen, sondern Übergänge nahtlos zu halten, Farbdrift zu vermeiden, den Grafikspeicher einzuhalten und Fehler reparierbar zu machen. H3MD löst das so:

• Fortsetzung im Latentraum: Das nächste Segment startet mit den letzten 39 Frames des Latents (der internen, komprimierten Bildrepräsentation) des vorigen. Das vermeidet, dass beim Dekodieren und erneuten Kodieren Schärfe und Farbe verloren gehen.
• Zweistufiges Sampling: Sechs Schritte in halber Auflösung, dann ein gelernter Latent-Upscaler, dann drei Schritte in voller Auflösung. Die Engine stammt aus Luna-H3-Sampler (GPL-3.0).
• Automatische Aufteilung und Kachelung: Zu lange Einstellungen werden anhand eines Token-Budgets geteilt. Der Hochauflösungsdurchlauf läuft als ganzes Bild oder in möglichst wenigen Streifen; bei Speichermangel (OOM) wird automatisch mit mehr Streifen wiederholt.
• Festplatten-Cache und Fortsetzen: Jedes Segment wird sofort auf Platte geschrieben, im RAM liegt nur eines. Ein Segment mit 243 Frames bei 1088x1920 braucht rund 3 GB.
• Gezielt neu rendern: Über rerun_segments (z. B. „8-10“) werden nur missratene Abschnitte neu erzeugt; ihr Ende wird an den Anfang des nächsten gespeicherten Segments gekoppelt, sodass der Rest unberührt bleibt.

Weitere Funktionen

Ein eingebauter visueller Editor („Director“) mit Medienablage, Timeline und Shot-Tabs erlaubt es, Bilder, Videos und Audio mit @-Tags zu referenzieren. Mit „Motion Copy“ treibt ein Referenzvideo die Bewegung an (Tiefenkarte, SAM3-Personensilhouette, Fun ControlNet), das Aussehen kommt aus eigenen Fotos. Beispiele auf der Projektseite sind Musikvideos mit Lippensynchronisation, ein Mehr-Shot-Film und Motion-Transfer. Speichern geht über H3MD Save Video Interp, optional mit RIFE-Interpolation von 24 fps auf höhere Bildraten. H3 ist fest auf 24 fps ausgelegt.

Gegen Drift: lowres_anchor

Bei verketteten Segmenten wachsen Sättigung und Schärfe, Gesichter wirken älter. Laut Entwickler entsteht die Farbdrift im Niedrigauflösungsdurchlauf. Die Gegenmaßnahme lowres_anchor zieht Kanalstatistiken zurück zum ersten Segment der Szene. Gemessen über eine 133-Sekunden-Einstellung blieb die Sättigung bei 0,33–0,36 statt von 0,34 auf 0,48 zu steigen. Das sind Herstellerangaben des Entwicklers; unabhängig geprüft ist das nicht. Auch bei den Referenzfotos gibt es Lehren: Graue Studiohintergründe färben das Video grau, ein breites Grinsen friert in jedem Frame ein, Holzböden und Fliesen wechseln das Muster.

Was du zum Ausprobieren brauchst

Die Schätzung wurde auf einer RTX 5090 mit 32 GB kalibriert. Unter 16 GB VRAM sollte man niedrigere Auflösung (z. B. 768x1344), kürzere Segmente und weniger Referenzmedien nutzen. Der 32B-Textencoder folgt Prompts am besten; mit 4B plus ClipProj spart man über 10 GB VRAM bei nur leicht schwächerem Prompt-Verständnis. Dazu kommt viel Festplattenplatz für Cache und Modelle. Installation: Ordner custom_nodes öffnen, git clone des Repos, ComfyUI neu starten, kein pip install nötig. Die Modelle werden laut Workflow-Hinweis von Hugging Face geladen.

Notebookcheck testete MiniMax H3 mit ComfyUI auf einem Razer Blade 16 mit RTX 5090 (die Quelle spricht von 24 GB VRAM). Ein 480p-Clip eines Ziegelsteinraumschiffs brauchte rund 5,5 Minuten. Der Autor war mit den Ergebnissen zufriedener als mit den Gratisstufen von Kling AI und Seedance, lobte die Reference-to-Video-Konsistenz (Bilder „Ship_front“ und „Ship_rear“ als Referenzen) und kritisierte, dass Full HD in seinem Setup nicht verfügbar war. Prompts ließ er von ChatGPT auf MiniMax H3 zuschneiden. Nach seiner Einschätzung wird Videogenerierung ab etwa 8 GB VRAM interessant. Laut einer Pressemitteilung von DomoAI erzeugt H3 Clips von vier bis 15 Sekunden in 768P bis 2K und akzeptiert bis zu neun Bilder, drei Videos und drei Audiodateien als Referenz.

Einordnung

H3MD Director zeigt, wie die Community ein auf Kurzclips ausgelegtes offenes Videomodell zu Minuten-Material ausbaut. Praktisch wertvoll sind das Reparieren einzelner Segmente und die Speicherverwaltung. Die Hürde bleibt hoch: Der Workflow ist komplex, nutzt viele Fremd-Nodes und Modelle mit jeweils eigener Lizenz, und die Qualität hängt von Referenzfotos und Prompts ab. Bekannte Schwächen sind laut README Geisterhände bei schnellen Armbewegungen, nicht garantierte Speichergrenzen außerhalb des empfohlenen Pfads und ungetestetes H.265. Lizenz: AGPL-3.0 mit Pflicht zur sichtbaren Nennung; kommerzielle Nutzung ist erlaubt, modifizierte Netzversionen müssen den Quellcode veröffentlichen.