MiniMax H3 の動画にガイドを入れる LoRA、推論の費用を下げる話

モデル

MiniMax H3 の動画にガイドを入れる LoRA、推論の費用を下げる話

スポンサーリンク

MiniMax H3 向けガイド LoRA が ComfyUI に対応。

この記事のポイント

  • MiniMax H3の動画生成に使うLoRA
  • ガイド潜在でソース動画を条件付け
  • 17k+5フレーム、解像度・長さに注意

数字で見る

この記事に出てくる数字

LoRA Rank Rank-64
ノイズ量 0.1%
フレーム数 17k+5

どこで使えるか

動画の画質を高めつつ写実性を保ちたい人向け。ガイド動画の解像度・長さを出力と合わせる必要がある Hugging Faceで公開済み ComfyUIのMiniMaxH3AddGuideノード使用

スポンサーリンク

解説

かみくだいて説明します

Alissonerdx さんが 2026 年 9 月 6 日に Hugging Face に公開した MiniMax H3 向けの Rank-64 LoRA が、ComfyUI に対応しました。動画の解像度とフレーム数に合わせれば、ソース映像を写真的にシャープに仕上げられます。
既存の参照映像ノードとは違う仕組みなんですね。作る側からすると、具体的にどこが置き換えられるんですか。
動画 VAE でソースを潜在変数に変換し、ターゲットの時間軸に合わせた条件ブロックとして読み込ませます。位置合わせの手間をモデルに任せるので、フレームごとのズレを気にせず対応が取れます。
映像のデータを数値の塊で渡すんですね。そこがまだ掴めません。
正確には、動画の情報を数値の圧縮データに替えて送り込むイメージです。文字で説明するのではなく、映像そのもののデータを神経網に直接届けるので、細部の対応を正確に覚えさせられます。
なるほど。訓練時のノイズの掛け方はどう違うんですか。
ガイド側は 0.1% のノイズだけ追加してほぼクリーンに保ち、ターゲット側は通常通りノイズを乗せます。モデルが二つを同時に消すのではなく、片方からもう片方へ写す作業だけを学習します。
0.1% ですね。フレーム数の指定が 17k に 5 を足した数値だけなのはなぜですか。
ガイドがターゲットより短い場合も、解像度が違う場合も、時間軸の対応が崩れてしまいます。
では、fl2va 基底モデルでの動作はどのくらい検証されているんですか。
ref2va では主に訓練とテストを行っており、fl2va でも動く見込みですが、検証は ref2va より少ない状況です。
最後に、ComfyUI 側のノード追加の手間は要りますか。
ComfyUI 標準の MiniMaxH3AddGuide ノードで frame_idx を 0 に設定するだけで使えます。追加インストールは不要です。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル