ComfyUI H3 — ติดตั้งและใช้ workflow สร้างวิดีโอพร้อมเสียง

MiniMax H3 เป็นโมเดลที่เผยแพร่น้ำหนักออกมาให้รันเองได้ แต่นั่นก็แปลว่าคุณต้องประกอบทุกอย่างเอง — โหลดไฟล์โมเดล วางให้ถูกโฟลเดอร์ ต่อโหนดให้ครบ แล้วหวังว่าจะไม่มีอะไรพัง

ComfyUI คือที่ที่งานนี้เกิดขึ้น มันคืออินเทอร์เฟซแบบต่อโหนดที่ให้คุณเห็นทุกขั้นตอนของการสร้างภาพและวิดีโอ ถ้ายังไม่รู้จัก ComfyUI เลย แนะนำอ่าน ComfyUI: Workflow สำหรับ AI Image ที่ยืดหยุ่นที่สุด ก่อน แล้วค่อยกลับมาที่นี่

บทความนี้จะโฟกัสเฉพาะฝั่ง H3 — วางไฟล์ยังไง workflow ทำงานยังไง ปรับตรงไหน และมีกับดักอะไรที่ทำให้เสียเวลาเป็นชั่วโมง

ไฟล์ที่ต้องโหลดและที่วาง

ไฟล์โมเดลของ H3 ที่ใช้กับ ComfyUI อยู่ที่ Comfy-Org/MiniMax-H3 บน Hugging Face มีสี่ไฟล์ที่ต้องมีครบ:

ไฟล์	โฟลเดอร์ปลายทาง
minimax_h3_video_vae_fp16.safetensors	ComfyUI/models/vae/
minimax_h3_audio_vae_fp32.safetensors	ComfyUI/models/vae/
minimax_h3_ref2va_pruned_int8_convrot.safetensors	ComfyUI/models/diffusion_models/
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors	ComfyUI/models/text_encoders/

โครงสร้างที่ถูกต้องหน้าตาแบบนี้:

ComfyUI/
├── models/
│   ├── vae/
│   │   ├── minimax_h3_video_vae_fp16.safetensors
│   │   └── minimax_h3_audio_vae_fp32.safetensors
│   ├── diffusion_models/
│   │   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
│   └── text_encoders/
│       └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

ข้อผิดพลาดที่เจอบ่อยที่สุด คือวางไฟล์ diffusion model ลงในโฟลเดอร์ checkpoints ตามความเคยชินจาก Stable Diffusion แล้วโหนด UNETLoader มองไม่เห็น ต้องอยู่ใน diffusion_models เท่านั้น

อีกจุดคือ VAE สองตัวต้องอยู่ครบ ถ้าลืมตัวเสียง คลิปจะออกมาเงียบสนิทโดยไม่มี error แจ้ง เพราะโหนดถอดเสียงจะหาไฟล์ไม่เจอแล้วข้ามไป

โหนดของ H3 ที่ต้องรู้จัก

เมื่อติดตั้งครบแล้ว ComfyUI จะมีโหนดชุดใหม่ที่เป็นของ H3 โดยเฉพาะ ตัวที่เจอในงานจริงคือ:

MiniMaxH3ReferenceToVideo — โหนดหลัก รับ prompt กับภาพอ้างอิงเข้าไป แล้วเตรียม latent ให้ sampler นี่คือจุดที่คุณเสียบภาพตัวละครและกำหนดความยาวคลิป

MinimaxH3LatentUpscaler3D — ตัวขยายความละเอียดที่ทำงานใน latent space โดยตรง ไม่ต้อง decode ออกมาเป็นภาพก่อน ประหยัดทั้งเวลาและ VRAM

MiniMaxH3SigmaShift — ปรับตาราง sigma ให้เข้ากับลักษณะของโมเดล มีผลต่อความคมและความนิ่งของการเคลื่อนไหว

VAEDecodeAudio — ถอดเสียงออกจาก latent โดยใช้ audio VAE เป็นโหนดที่แยกจาก VAEDecode ฝั่งภาพ

LTXVSeparateAVLatent และ LTXVConcatAVLatent — แยกและรวม latent ของภาพกับเสียง จำเป็นเพราะระหว่างทางเราต้องจัดการสองสายนี้คนละแบบ

จุดที่ทำให้คนที่เคยเล่นแต่โมเดลภาพงงคือ สาย latent ของ H3 มีทั้งภาพและเสียงปนกันอยู่ เวลาจะขยายความละเอียด ต้องแยกเสียงออกก่อน ขยายเฉพาะฝั่งภาพ แล้วค่อยรวมกลับ ไม่งั้นเสียงจะเพี้ยน

Workflow แบบสองรอบ — เรนเดอร์ร่างก่อน แล้วค่อยขยาย

วิธีที่ตรงไปตรงมาที่สุดคือเรนเดอร์ที่ความละเอียดปลายทางเลยในรอบเดียว แต่มันช้ามาก เพราะทุก step ของ sampler ต้องคำนวณที่ความละเอียดเต็ม

วิธีที่เร็วกว่า คือทำสองรอบ:

รอบที่ 1 — ร่างหยาบ ตั้งความละเอียดที่ 0.2 megapixels (ประมาณ 608×352 สำหรับอัตราส่วน 16:9) แล้วเดิน sampler ด้วย sigma ช่วงต้น รอบนี้เร็วมากเพราะภาพเล็ก แต่ได้โครงสร้างการเคลื่อนไหวและองค์ประกอบครบแล้ว

ขั้นขยาย ส่ง latent เข้า Minimax H3 Latent Upscaler (3D) โดยตั้งโหมดเป็น megapixels แล้วกำหนด target_megapixels เป็น 1.0 ตรงนี้คือหัวใจ — การขยายเกิดใน latent ไม่ต้อง decode ออกมาเป็นภาพแล้ว encode กลับ ซึ่งจะทำให้รายละเอียดหาย

รอบที่ 2 — เก็บรายละเอียด เดิน sampler อีกครั้งด้วย sigma ช่วงท้ายแค่ 3 step ที่ความละเอียดใหม่ รอบนี้ไม่ได้สร้างภาพใหม่ แค่เติมรายละเอียดลงบนโครงที่มีอยู่แล้ว

จากนั้น decode ทั้งภาพและเสียง รวมเป็นวิดีโอด้วย CreateVideo แล้วเซฟด้วย SaveVideo

ผลลัพธ์คือได้คลิปคุณภาพเทียบเท่าการเรนเดอร์ที่ 1.0 MP ตรง ๆ แต่ใช้เวลาน้อยกว่ามาก เพราะ step ส่วนใหญ่เกิดตอนที่ภาพยังเล็กอยู่

ตารางความละเอียดที่ควรรู้

ComfyUI คำนวณขนาดจริงจากค่า megapixels ที่คุณตั้ง โดยปัดให้หารด้วย 32 ลงตัว ตารางนี้คือค่าที่ใช้บ่อยสำหรับอัตราส่วน 16:9:

megapixels	ขนาดที่ได้ (16:9)
0.2	608 × 352
0.4	864 × 480
0.6	1056 × 608
0.8	1216 × 672
1.0	1376 × 768
1.2	1504 × 832
1.5	1664 × 928
2.0	1920 × 1088

ถ้าทำคอนเทนต์แนวตั้งสำหรับ TikTok หรือ Reels ก็สลับด้านกัน หลักการเดียวกัน

ควรตั้งเท่าไร? สำหรับงานที่จะลงโซเชียล 1.0 MP เพียงพอแล้ว ถ้า VRAM เหลือและอยากได้คมกว่านั้นค่อยขยับเป็น 1.5 แต่เวลาเรนเดอร์จะเพิ่มขึ้นตามพื้นที่ ไม่ใช่ตามความยาวด้าน — ขยับจาก 1.0 เป็น 2.0 คือทำงานเป็นสองเท่า

ปุ่มที่ต้องแตะบ่อย

เมื่อ workflow พร้อมแล้ว ในการใช้งานจริงคุณจะแตะแค่ไม่กี่จุด:

• ช่องภาพอ้างอิง — เสียบภาพตัวละครหรือฉาก เรียงลำดับให้ตรงกับที่อ้างถึงใน prompt
• ช่อง Prompt — วางข้อความ prompt ที่เขียนไว้ ต้องอ้างป้ายภาพตามลำดับสายที่ต่อจริง ไม่ใช่ตามลำดับที่คุณคิดในหัว
• Duration — ความยาวคลิปเป็นวินาที workflow จะแปลงเป็นจำนวนเฟรมให้เอง
• target_megapixels — ความคมปลายทาง เพิ่มได้ถ้า VRAM เหลือ

ลำดับของภาพอ้างอิงเป็นจุดที่พลาดกันบ่อย ถ้าคุณเขียน prompt โดยอ้างถึงภาพใบที่สองว่าเป็นตัวละครหญิง แต่เสียบไฟล์สลับกัน โมเดลจะสร้างออกมาผิดคนโดยไม่มีอะไรเตือน

กับดักที่ทำให้ workflow พัง

มีจุดหนึ่งที่ควรรู้ไว้ก่อนจะไปเสียเวลาแก้เอง:

อย่าลากสายเข้าช่อง mode ของ upscaler โหนด Minimax H3 Latent Upscaler (3D) ใช้ระบบ DynamicCombo ซึ่ง ComfyUI จะอ่านค่าจาก widget เท่านั้น พอคุณลากสายเข้าไป มันจะ resolve ค่าไม่ได้แล้ว workflow พังทั้งเส้น

ถ้าจำเป็นต้องควบคุมค่านี้ด้วยโหนดอื่น ให้ต่อเข้า ช่องลูก แทน เช่น mode.megapixels ซึ่งรับสายได้ปกติ

อีกเรื่องคือ ลำดับของการแยกและรวม AV latent ถ้าคุณส่ง latent ที่ยังมีเสียงปนเข้า upscaler ตรง ๆ ผลลัพธ์จะออกมาเป็นเสียงรบกวน ต้องแยกด้วยโหนด separate ก่อนเสมอ แล้วรวมกลับหลังขยายเสร็จ

ประหยัดเวลาด้วยเทมเพลทสำเร็จรูป

การประกอบทุกอย่างข้างบนตั้งแต่ศูนย์ใช้เวลาไม่น้อย — โหลดโมเดลหลายสิบกิกะไบต์ ติดตั้ง custom node ให้ครบ ต่อสายเอง แล้วดีบั๊กจนกว่าจะรัน

ทางลัดคือใช้ Docker image ที่มีทุกอย่างพร้อมแล้ว รันบนเครื่อง GPU ที่เช่าเป็นรายชั่วโมง กดปุ่มเดียวได้ ComfyUI ที่มีโมเดล H3 ครบ พร้อม workflow แบบสองรอบเสียบไว้ให้เรียบร้อย

วิธีเช่าเครื่องและตั้งค่าให้ถูก อ่านต่อได้ที่ เช่าเครื่อง GPU ทำ H3 บน vast.ai

สรุป

การรัน H3 บน ComfyUI มีสามเรื่องที่ต้องทำให้ถูก — วางไฟล์โมเดลให้ตรงโฟลเดอร์ โดยเฉพาะ diffusion model ที่ต้องอยู่ใน diffusion_models ไม่ใช่ checkpoints, จัดการสาย AV latent ให้แยกก่อนขยายและรวมหลังขยาย, และ ไม่ลากสายเข้าช่อง mode ของ upscaler

ส่วน workflow แบบสองรอบคือวิธีที่ให้คุณภาพเท่าเดิมแต่เร็วกว่ามาก เรนเดอร์ร่างที่ 0.2 MP ขยายใน latent ไปที่ 1.0 MP แล้วเก็บรายละเอียดอีก 3 step

เมื่อ workflow พร้อมแล้ว ขั้นถัดไปคือเขียน prompt ให้ได้ผลลัพธ์ที่ต้องการ ซึ่งเป็นคนละทักษะกันโดยสิ้นเชิง — อ่านต่อที่ สร้างวิดีโอด้วย H3 จากบทถึงคลิปจริง

---

อยากได้เทมเพลทที่พร้อมใช้ทันที? AI Unlocked มีคอร์สสร้างละครสั้นด้วย H3 พร้อม Docker image และ workflow ที่ปรับมาแล้ว ดูแพ็กเกจได้ที่ หน้าราคา