【ComfyUI】MiniMax H3の主要高速化ノードを組み合わせ別で比較してみた【動画生成AI】

ついにローカルにもMiniMax H3というOmni-Reference（オムニリファレンス）に対応した動画生成AIが登場しました。

しかし、高性能がゆえに生成時間も長くなってしまいます。
ですが、そんな生成時間を少しでも短くできる高速化ノードが存在します。

なので今回は、26/8/8時点での主要な高速化ノードを使い生成時間がどれだけ変わるのか。生成される動画の品質にはどれほど影響があるのかを、FL2VAとRef2VAの両方で試してみることにしました。

実行環境

今回の検証で使用した実行環境です。

OS : Windows 11
GPU : NVIDIA GeForce RTX 5090 32GB
CPU : Intel Core Ultra 7 265K
メモリ : 128GB
ComfyUIバージョン : 0.30.1
Pythonバージョン : 3.13.6
PyTorchバージョン : 2.9.1+cu130

使用したモデル

使用したモデルです。

・FL2VA
・diffusion_models
minimax_h3_fl2va_int8_convrot.safetensors

・text_encoders
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

・vae
minimax_h3_video_vae_fp16.safetensors

・vae
minimax_h3_audio_vae_fp32.safetensors

・Ref2VA
・diffusion_models
minimax_h3_ref2va_int8_convrot.safetensors

・text_encoders
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

・vae
minimax_h3_video_vae_fp16.safetensors

・vae
minimax_h3_audio_vae_fp32.safetensors

使用する高速化ノード

使用する高速化ノードは以下の3つです。

これらはComfyUI標準のノードではなく、カスタムノードです。
それぞれ以下のカスタムノードで導入することが出来ます。

・MiniMax H3 Mem Eff Sage Attention Patch
ComfyUI-KJNodes

・Patch Sol-Attn
ComfyUI-SolAttn_triton

・Spectrum Apply MiniMax H3
ComfyUI-Spectrum-MiniMax-H3

生成条件

生成条件は以下の通りです。

FL2VAでは576×736 (10秒) 、Ref2VAでは864×480 (10秒)の動画をシード値固定で8つの条件で生成します。
条件は以下です。

Mem Eff Sage	Sol-Attn	Spectrum
なし	なし	なし
あり	なし	なし
なし	あり	なし
なし	なし	あり
あり	あり	なし
あり	なし	あり
なし	あり	あり
あり	あり	あり

パラメーターのある高速化ノードは、全てデフォルトで行います。

FL2VAの開始フレームで指定した画像とプロンプトは以下。

The scene shifts to the city streets.
The town's art style is anime-style.
A video of the character from <Picture 1> dancing in the city.
The only audio is the background music.

[Shot 1] The character from <Picture 1> is standing still with both arms held at their sides. The scene is filmed from behind, with the camera gradually moving closer.

[Shot 1] At 00:03.000, the camera cuts to a frontal view of the character from <Picture 1>.
The character in <Picture 1> performs an acrobatic dance.

[Shot 2] At 00:05.000, switch the camera to an upward angle.

[Shot 3] 00:06.500, Cut the camera to the side of the character in <Picture 1>.

[Shot 4] At 00:08.500, switch the camera to the side view.
The character in <Picture 1> forcefully extends their right arm upward, holds that pose, and finishes the dance.

Ref2VAで指定した画像とプロンプトは以下。

A fight scene.
The location is a multi-story parking garage.

The person in <Picture 1> and the person in <Picture 2> are facing each other, poised for combat.

[Shot 1] At 00:01.000, the two are engaged in a stylish hand-to-hand fight.

[Shot 2] At 00:05.000, the two unleash their finishing moves, triggering intense visual effects.

[Shot 3] At 00:08.000, the two shake hands, acknowledging each other's valiant effort.