NOTE / 2026-09-18

MiniMax H3 × ComfyUI × RunPod：AI 影片生成入門

從零開始的 AI 影片流程：ComfyUI 與 MiniMax H3 的觀念、RunPod RTX 5090 實作步驟、20 分鐘長片流程與月費估算。

產生時間: 2026年9月18日晚上9:27
更新時間: 2026年10月7日晚上10:00
來源: CodeLibrary/RunpodGenVideo/docs/guide.html
標籤: 影片生成 runpod comfyui

寫給完全新手：看懂名詞、拆解零度博客〈桌面 AI 女友〉、在 RunPod 租 RTX 5090 跑起來、串成 20 分鐘長片，再算每月花費。資料日期：2026-09-17。

名詞速成

ComfyUI

「積木式」生圖／生影片程式：方塊（node）接成 workflow，存成 .json 拖進畫面就能用。

Diffusion model（擴散模型）

從雜訊去噪「畫」出影片的主腦。H3 主腦 33B 參數，int8 版 21 GB。

Text encoder（文字編碼器）

把提示詞翻成主腦懂的數字。H3 用 Qwen3-VL 32B（也看得懂圖），15.7 GB。

VAE

把壓縮空間還原成像素與聲音：影片 VAE（5.2 GB）、音訊 VAE（0.6 GB）。

LoRA

幾百 MB 的外掛補丁。Turbo LoRA 把 20 步壓到 8 或 4 步，快 2–4 倍，品質略降。

Steps / Shift / CFG

去噪步數／噪聲排程偏移（Turbo LoRA 有指定值）／聽提示詞的程度，官方 workflow 已預設。

VRAM（顯示記憶體）

H3 pruned int8 尖峰約 20 GB，5090 的 32 GB 剛好；不夠會 offload 到 RAM，慢 10 倍以上。

T2V / I2V / FL2V / R2V

文生／圖生／首尾幀生／參考生影片（用角色照片、聲音鎖身份）。文章用 I2V（fl2va 模型）。

提示詞經 Qwen3-VL 文字編碼器送進 33B 擴散主腦，Turbo LoRA 掛在主腦上減少步數，主腦輸出再由影片 VAE 與音訊 VAE 還原成含音訊的 mp4 — 圖 1：H3 的四個模型檔與 Turbo LoRA 在一次生成裡各做什麼

MiniMax H3 是什麼

發布: MiniMax（海螺 Hailuo 的公司），2026-08-03 開放權重；ComfyUI Day-0 原生支援（需 ComfyUI ≥ 0.30，Turbo workflow 需 ≥ 0.31）
能力: 影片＋原生立體聲音訊（對白、音效、配樂一次生成，嘴型同步）；24 fps；每段 4–15 秒；本地原生 1344×768（0.98 MP），2K 需雲端 Regenerate-2K
檔案: 官方 ComfyUI 四件組共 42.5 GB；R2V 再加 21 GB
VRAM: 12 GB 勉強（大量 offload）；24 GB 舒服；32 GB（5090）全放 VRAM，還可用 NVFP4 版（Blackwell 專屬，峰值 ~12 GB）
授權: H3 Community License：非商用免費；年營收 < 2,000 萬美元可商用需標註；有文章指出授權排除美國／歐盟／英國／韓國，商用前看原文
5090 實測: 5 秒 1344×768、14 步：~134 秒（全優化）／早期未優化約 5.5 分鐘；15 秒：~518 秒。Turbo 8 步再快約 1.7×，4 步約 3×（依步數推估）

文章解析：〈桌面 AI 女友〉用了什麼

來源：零度博客 2026-09-16、教學影片 YouTube JUu_J2NvoDA、成品示範 mp4。

模型清單（文章連結解析後的真實檔名）

類別	檔名	大小	放哪
diffusion_models	`minimax_h3_fl2va_pruned_int8_convrot.safetensors`	20.97 GB	`models/diffusion_models/`
text_encoders	`qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors`	15.69 GB	`models/text_encoders/`
vae ①	`minimax_h3_video_vae_fp16.safetensors`	5.21 GB	`models/vae/`
vae ②	`minimax_h3_audio_vae_fp32.safetensors`	0.61 GB	`models/vae/`
loras 8 步	`minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors`（lightx2v）	~1 GB	`models/loras/`
loras 4 步	`minimax_h3_fl2v_turbo_4step_v1.0_768p_comfyui_bf16.safetensors`	~1 GB	`models/loras/`

四件組來自 Comfy-Org/MiniMax-H3，LoRA 來自 lightx2v/Minimax-h3-Turbo。文章的 cloudeop／夸克載點只是鏡像，在 RunPod 直接從 HuggingFace 抓最快。

方法拆解

拼接式參考圖：左半桌面截圖、右半去背人物，同時鎖場景與人。素材在 ai-girlfriend/assets/，合成圖是 ai-girlfriend/assets/06_h3_composite_reference.png。
I2V（fl2va）workflow：合成圖接 first_frame，即官方 I2V 模板＋ Turbo LoRA（workflows/video_minimax_h3_i2v_lightx2v_turbo.json）。
四層 prompt：左右各鎖什麼、機位與字幕規格、服裝與換裝規則、逐秒時間軸（00:00–00:03 說什麼、00:06 起身…）＋音訊＋ NEGATIVE。官方格式是 integrated_multimodal_description / overall_soundscape / non_diegetic_music，對白寫成 <d>[Chinese] 說吧……</d>；英文版效果較好。
30 秒靠分段生成（單段上限 ~15 秒），新手先用 5 秒 864×480 試跑。
放大到 4K：用 ComfyUI 的 Real-ESRGAN／RTX VSR 節點。

RunPod 實作

用 Pod（按小時計費，terminate 就停），不用 Serverless。模型放在獨立的 Network Volume，Pod 刪了模型還在。

Network Volume 掛到 5090 Pod 的 /workspace，首次更新 ComfyUI 並下載模型，載入 workflow 生成影片，收工 Terminate；Pod 刪除後模型仍留在 Volume，下次直接再開 — 圖 2：一輪 RunPod 作業怎麼走，哪些東西收工後還留著

建 Network Volume（100 GB）
Storage → New Network Volume。Volume 綁定機房，要選有 RTX 5090 的：EU-RO-1、EUR-IS-1、EUR-NO-1（2026-09-17 皆 LOW 庫存）。$0.07/GB/月，100 GB ≈ $7/月，放得下 43 GB 模型。
開 Pod

GPU
NVIDIA GeForce RTX 5090（32 GB）：Secure $0.99/hr、Community $0.69/hr

Template
官方「ComfyUI - CUDA 13.0」（id wgd3p4n4o6，image runpod/comfyui:1.4.7-cuda13.0）。5090 是 Blackwell，一定要 CUDA 13 版，12.8 不支援

Volume
掛到 /workspace

Ports
8188（ComfyUI）8080（FileBrowser）8888（Jupyter）22（SSH），模板已含

其他
Container disk 預設 150 GB 不用改；設「X 小時後自動 terminate」當保險

首次開機會把 ComfyUI 複製到 volume，https://<pod-id>-8188.proxy.runpod.net 會 404 → 502 → 200，約 4 分鐘。

更新 ComfyUI 到 ≥ 0.31、下載模型

Pod → Connect → Web Terminal（或 8888 JupyterLab 的 Terminal）：

cd /workspace/runpod-slim/ComfyUI
git pull && pip install -r requirements.txt --break-system-packages
# 把本資料夾的 scripts/download_models.sh 內容貼成 /workspace/download_models.sh 後：
bash /workspace/download_models.sh        # 約 43 GB，機房頻寬通常 10–20 分鐘
# 重啟 ComfyUI：主控台 Pod → Restart（或 kill main.py 讓 supervisor 拉起）

檢查 /system_stats：comfyui_version ≥ 0.31、vram_total ≈ 32 GB。內建 ComfyUI-Manager 的「Missing models」鈕也能下載，但 40 GB 跑腳本較穩。

載入 workflow、跑第一段
1. 拖入 ai-girlfriend/workflow_i2v_turbo.json（或 Template Library → Video → MiniMax H3 I2V 再加 LoRA 節點），LoadImage 上傳 16:9 合成參考圖。
2. 依下表設定 Turbo 子圖，四個參數一起改。
3. Resolution Selector 先 16:9, 0.4 MP（864×480）、5 秒，成功再拉到 0.98 MP（1344×768）；別選 1.0 MP，超過上限。
4. Queue Prompt，輸出在 output/video/MiniMax_H3/，用 8080 FileBrowser 下載。
lora_name steps shift_video shift_audio 適合解析度

fl2v_turbo_8step_v1.0 8（可 4） 12 3 544p 混合比例（workflow 預設）

fl2v_turbo_4step_v1.0_768p 4 6 3 1344×768

第一次跑比較慢
首次多 1–2 分鐘載模型，之後 5 秒 768p、8 步每段約 1–1.5 分鐘。遇到 host memory exhausted 就降解析度或秒數；超過 10 分鐘代表 VRAM 溢出，降到 0.4 MP。
收工
按 Terminate，不是 Stop：Stop 仍收 volume 磁碟費 $0.20/GB/月和 150 GB 容器磁碟。模型留在 volume，下次從第 2 步再開。

lora_name	steps	shift_video	shift_audio	適合解析度
fl2v_turbo_8step_v1.0	8（可 4）	12	3	544p 混合比例（workflow 預設）
fl2v_turbo_4step_v1.0_768p	4	6	3	1344×768

怎麼做出 20 分鐘的影片

H3 一段最多 15 秒，20 分鐘＝至少 80 段，難點是角色和場景不飄。

劇本拆成分鏡表、生成關鍵幀，逐段生成時同場景走 FL2V 接龍、換場景走 R2V 重錨，片段與 TTS 配音一起串接，最後放大 — 圖 3：20 分鐘長片從劇本到成品的流程，以及兩條逐段生成路徑

分鏡與關鍵幀
劇本拆成每格 ≤ 15 秒的分鏡表（畫面、動作、對白、音效），每個場景用 Qwen-Image／Flux 或合成參考圖做一張首幀。
逐段生成
- 同場景 → FL2V 接龍：stitch_clips.sh --last-frame 抽上一段末幀當下一段 first_frame。
- 換場景或角色再出現 → R2V（ref2va 模型＋2 張角色參考圖＋可選聲音樣本）重錨身份。
- 接龍不超過 5–8 段就用關鍵幀重錨（社群共識的漂移上限）。
音訊
各段音色會微變：保留 H3 的腳步與環境音，對白改用一個 TTS（CosyVoice／Fish-Speech）統一配，最後用 ffmpeg 混。
串接與放大
stitch_clips.sh clips/ final.mp4（無損 concat，可加 0.2 秒 crossfade），最後才一次放大到 1080p／4K（Real-ESRGAN 或 RTX VSR，5090 有 NVENC）。

時間預算（5090、768p、8 步 Turbo）

項目	估計
每段 15 秒生成	~5 分鐘（14 步實測 8.6 分 × 8/14）
80 段一次全過	~6.7 小時 GPU
實務重生率 2–3×（角色跑掉、動作不對）	13–20 小時 GPU
每天 2 小時	約 1–2 週做完一支 20 分鐘

費用估算：RTX 5090，每天 2 小時

2026-09-17 RunPod 即時報價（list-gpu-types）；1 USD ≈ 32 TWD。

≈ $70Secure 月費（≈ NT$2,240）

≈ $51Community 月費（≈ NT$1,630）

≈ $45一支 30 分鐘片（3× 重生、Secure）

一個月（60 小時）

項目	Secure Cloud	Community Cloud	說明
GPU 時數 60 hr（2 hr × 30 天）	60 × $0.99 = $59.40	60 × $0.69 = $41.40	刪除 Pod 就停止計費
Network Volume 100 GB	$7.00	$7.00	$0.07/GB/月，模型常駐
開機／載模型的「熱身」耗損	~$3	~$2	每天多 5–6 分鐘 boot＋載模型
首次下載模型	~$0.30	~$0.20	一次性，約 15–20 分鐘

Community 是個人提供的機器，便宜 30%，但可能中斷、頻寬較不穩：長片批次用 Secure，試玩用 Community。

產能換算：每天 2 小時 ≈ 每天 20–24 段 15 秒（768p、8 步）≈ 每天 5–6 分鐘成片（未計重生）。一個月 ≈ 一支 20 分鐘成品＋大量草稿，總成本 ≈ $70。對比：買一張 5090 ≈ NT$8–9 萬，等於租 3 年多。

其他可考慮的 GPU（2026-09-17 報價，Secure）

GPU	VRAM	$/hr	月費（60 hr＋volume）	備註
RTX 4090	24 GB	$0.74	≈ $51	int8 模型剛好塞滿 24 GB，768p 15 秒可能 offload；不支援 NVFP4
RTX 5090	32 GB	$0.99	≈ $70	推薦，CUDA 13 + FP4 kernel
RTX PRO 4500 Blackwell	32 GB	$0.72	≈ $54	同 VRAM、較慢、同樣 Blackwell；EU-RO-1 有貨，想省錢可試
L40S	48 GB	$1.09	≈ $76	VRAM 大但算力不如 5090
RTX PRO 6000	96 GB	$2.09	≈ $136	可跑 bf16 全精度、2K，玩票太貴

試算：一支 30 分鐘影片

1,800 秒 ÷ 15 秒＝120 段，每段約 5 分鐘；成本取決於重生比率（一段要生幾次才能用）。

重生比率	誰會遇到	GPU 時數	Secure $0.99	Community $0.69	每天 2 hr 要幾天
1×（全過）	理論值，不會發生	10 hr	$10	$7	5 天
2×	prompt 已調熟、單一場景	20 hr	$20	$14	10 天
3×（常見）	多場景、有對白、要角色一致	30 hr	$30	$21	15 天
4×	新手第一支、劇情複雜	40 hr	$40	$28	20 天

再加草稿（864×480／4 步、每段 ~45 秒 × 3 次）、~10% 開機損耗與 volume，就是上方的 ≈ $45（≈ NT$1,440，約三週）；Community 約 $33。試算器預設值即此情境：

自己調參數算

影片長度（分鐘）
每段秒數
每段生成時間（秒）
重生比率
草稿每段秒數 × 次數: ×
GPU $/hr
每天使用小時
Volume $/月

段數        120 段
正片 GPU    30.0 hr（含 3× 重生）
草稿 GPU    4.5 hr
+10% 損耗   38.0 hr 合計
GPU 費用    $37.57
Volume      $7.00（1 個月）
總計        $44.57  ≈ NT$1,426
工期        19 天（每天 2 hr）

為什麼 AI 角色都長得很像？怎麼做出自己的角色

模型學的是機率分布，prompt 越模糊（「beautiful girl, realistic」）越往「平均臉」走：對稱、光滑皮膚、大眼。加上大家用同幾個模型（H3、Wan、Flux、Qwen-Image）、互抄 prompt、出廠審美微調（RLHF／aesthetic tuning）、共用參考圖（文章人物圖檔名就是 ChatGPT-Image-2026年9月16日），輸出自然收斂。解法是給足離開平均值的具體資訊，並每次都帶同一套參考資料。

步驟（做到 4 就夠玩，5 是進階）

步驟	做什麼	工具	時間／費用
1. 角色設定書	80–150 字「角色聖經」：年齡、臉型、3 個不尋常的辨識特徵（眉尾痣、虎牙、M 型髮際線）、髮型、身材、2–3 套服裝、表情、聲音。避開 beautiful / perfect / idol，每個 prompt 都貼這段。	文字檔	30 分鐘／$0
2. 主參考圖	生正面半身照，抽到喜歡為止並記下 seed；要求素顏感、真實皮膚紋理、非攝影棚光。	ComfyUI 內 Qwen-Image／Flux，或 ChatGPT Image／Midjourney	1 小時／~$1
3. 參考圖集	用圖片編輯模型做同一人的多角度、5 種表情、3 種光線、每套服裝，共 10–30 張，放進 `character/<name>/`，之後只用這批。	Qwen-Image-Edit／Flux Kontext	1–2 小時／~$2
4. 用進影片	H3 R2V：2 張參考圖（正面＋3/4 側）＋ 10 秒聲音樣本，鎖身份最強；I2V：用第 3 步的圖合成關鍵幀。prompt 都貼角色聖經。	`workflows/video_minimax_h3_ref2v_lightx2v_turbo.json`、`scripts/download_models.sh --r2v`	同一般生成
5. 角色 LoRA（進階）	用 20–30 張圖訓練生圖模型（Flux／Qwen-Image）的角色 LoRA，5090 上 30–60 分鐘，之後任何場景都生得出同一張臉。H3 影片 LoRA 目前（2026-09）工具早期、33B 需 80 GB+ 顯卡，先不建議。	ai-toolkit／kohya／musubi-tuner	1 小時／~$1–2
6. 聲音	固定一段 10–20 秒聲音樣本當 R2V 音訊參考，或用 TTS 聲音複製統一配音。	H3 R2V／Fish-Speech／CosyVoice	30 分鐘
7. 一致性測試	生 5 段不同場景並排比臉，飄了就回第 3 步補參考圖。	ComfyUI	30 分鐘／~$0.5

讓角色「不像 AI」的 prompt 技巧

寫缺點（雀斑、碎髮、不對稱）和不常見的組合（「深棕短髮＋淺色眼睛＋方下巴」，而非「long black hair beautiful」）。
指定鏡頭與光（「35mm、自然窗光、些微過曝」，而非「cinematic lighting」）。
負面詞加 idol, doll-like, airbrushed skin, symmetrical face, instagram filter。
對白用 <d>[Chinese] …</d>，並在 soundscape 描述聲音特質（「略低、語速慢、鼻音」）。

參考連結

原文：零度博客〈桌面 AI 女友〉｜影片 YouTube
ComfyUI 官方：MiniMax H3 Day-0 支援公告｜官方教學（T2V/I2V/R2V、prompting tips）
模型：Comfy-Org/MiniMax-H3｜lightx2v Turbo LoRA｜Turbo GitHub（設定表、workflow）
VRAM／速度：awesome-minimax-h3｜5090 實測 8.6 分鐘/15 秒｜kingy.ai 安裝與除錯｜NVIDIA Sol Engine 5090 加速
RunPod：ComfyUI - CUDA 13.0 模板｜API key｜文件
本資料夾：local-image-guide.html（Mac 本機生圖教學）、ai-girlfriend/assets/（文章素材）、workflows/（三個 Turbo workflow json）、scripts/download_models.sh、scripts/stitch_clips.sh

數字皆為 2026-09-17 查詢；GPU 價格與庫存每天變動，開機前再查一次。