NineCrownsが公開したこのLoRAは、MiniMax-H3の音声・映像同時生成モデルにおける3〜4ステップのサンプリング用に設計されています。先頭・末尾フレーム/画像から動画生成/テキストから動画生成の汎用版と、複数参照画像によるリップシンク同期版があり、それぞれ約340 MiBの圧縮版とrank 64のフルバージョンが用意されています。作者によると、蒸留時にGGUF Q4_K_M、INT8、BF16の3種類のベースモデル精度を混在させたため、1つのLoRAで汎用的に利用可能であり、Q4_K_Mベースモデルと組み合わせることで、9 GiB未満のVRAMで動作し、ステレオ音声付き動画を最長15秒まで生成できます。リポジトリには480Pおよび768PのComfyUIワークフローが含まれており、CFG 1、eulerサンプリング3〜4ステップ、LoRA強度1.0が推奨されています。
なぜ重要か 少ないステップ数によりローカルでの動画生成時間を大幅に短縮でき、リポジトリには6個のComfyUIワークフローが含まれています。効果やVRAM使用量に関する数値はすべて作者による自己申告です。
Hugging Faceでのいいね数 3 · Hugging Faceでのトレンド上昇ポイント 3 · Hugging Faceでのダウンロード数 393
ライセンス:条件付き商用利用可(ベースモデルに制限あり) · ComfyUI:利用可能と推定 · VRAM:記載なし
地域別ライセンス:MiniMax H3のオープンウェイトライセンスには、EU、英国、韓国、米国(LICENSEのExcluded Territories)が含まれておらず、これらの地域ではMiniMaxからの別途の許諾が必要です。
理由
- ComfyUIの推奨設定とそのまま実行可能なワークフローが完備されており、複数の精度での比較動画も添付されています
使い方
- ComfyUIで対応するブランチのMiniMax-H3ベースモデルを読み込み(VRAMが9 GB未満の場合はQ4_K_M GGUFを使用)、FL2VAまたはRef2VA版のLoRAを適用し、強度を1.0に設定、モデルカードに従ってBetaSamplingSchedulerとMiniMaxH3SigmaShiftを設定します
リスク
- 鮮明度の向上、VRAM使用量、学習規模などの主張はすべて作者によるもので、独立した検証はありません
- リポジトリはApache-2.0と表記されていますが、ベースモデルのMiniMax-H3は条件付き商用利用ライセンスであり、EU、英国、韓国、米国は除外されているため、これらの地域での利用にはMiniMaxからの別途の許諾が必要です