Как запустить генерацию видео и аудио MiniMax-H3 через ComfyUI без интерфейса: готовый пайплайн

Разработчики опубликовали туториал по развёртыванию MiniMax-H3 — мультимодальной модели для генерации видео и аудио — с помощью ComfyUI в качестве headless-бэкенда. Пайплайн полностью автоматизирован: скачивает нужные веса диффузии, текстового энкодера, видео-VAE и аудио-VAE с Hugging Face, запускает сервер ComfyUI и общается с ним через HTTP и WebSocket API.

Граф выполнения собирается прямо в Python с валидацией схем узлов через /object_info. Поддерживаются четыре режима: text-to-video, генерация по первому кадру, по последнему кадру и по референс-изображению. Пайплайн сам выбирает профиль весов (quality, balanced, squeeze) в зависимости от доступной видеопамяти — от 70 ГБ VRAM для качественного до 20 ГБ для сжатого.

Всё это позволяет экспериментировать с MiniMax-H3 без графического интерфейса ComfyUI, что удобно для автоматизации и интеграции в CI/CD. Код и конфигурация выложены в открытом доступе.