2.0 updated

Detail could be found in the link below:

新版本更新詳細可以參考下方連結

https://civarchive.com/articles/33990/minimax-h3-simple-workflow-multiref-for-low-vram-updated-20

This is a simple workflow for VoxCPM2, featuring a single-speaker setup and a multi-speaker setup.

這是作為輸助語音生成VoxCPM2的Workflow

https://civarchive.com/models/2865730/voxcpm2-simple-workflow-for-low-v-ram

I've also written an article about VoxCPM2—feel free to check it out if you're interested!

還有關於VoxCPM2的文章, 有興趣可以看看

https://civarchive.com/articles/34023/why-do-we-still-need-a-audio-generation-model-even-minimax-h3-could-produce-audio

This is the simplest Minimax H3 Multi Ref workflow, and you can easily convert it to Image to Video or First-Last Frame to Video if needed. Detailed instructions can be found in the article linked below, so I will not repeat them here.

這是最簡單的 Minimax H3 Multi Ref Workflow, 如果想轉成image to Video 或 First Last Frame to Video就可以了

詳細說明可以參考下方連結的文章, 這兒就不重覆了

https://civarchive.com/articles/33959/for-someone-whom-want-to-use-minimax-h3-in-low-vram

📊 Hardware Requirements

• 8GB VRAM is usable but suboptimal.

• 12GB VRAM minimum is highly recommended.

• 32GB+ System RAM is required.

• Note: VRAM will inevitably fill up, forcing the system to offload data to system RAM.

➡️ Model & Text Encoder Selection

• Model: Choose the INT8 convrot version (Civitai Link). Avoid the GGUF model due to excessive quality degradation.

• Text Encoder: Stick to INT8. Using GGUF doubles the generation time and carries a very high risk of OOM (Out of Memory) errors.

• CLIP: GGUF is perfectly fine here; Q4KM is the top choice.

• Model Versions:

  • fl2v version: For Image to Video / First Image / First-Last Image tasks.

  • ref2va version: For Multi-reference tasks (Video / Dialogue Audio / BGM Audio).

💡 LoRA Settings

• Low VRAM Adjustments: You can consider 4 steps, but it is not recommended. It degrades the quality too much, turning H3's best features—the dialogue and sound effects—into complete garbage.

• Recommended: Use 8 steps if your hardware allows.

• 768p Version: Even for the 4-step 768p model, the creator still recommends 6–8 steps. This specific 768p version delivers highly impressive image and audio quality.

• Note: LoRAs are also split into fl2v and ref2v versions. Download the one that matches your specific workflow needs.

🗒 VAE Configuration

• Video VAE: Consider using the INT8 version. It has a slightly smaller file size with negligible difference in final quality.

• Audio VAE: The file size is already inherently small, so the version choice is inconsequential.

🛠 Workflow & Speed Optimization

• Keep it Simple: Due to Low VRAM limitations, keep your main workflow minimal. Move non-generation nodes like Prompt Enhancer and Upscale into a separate standalone workflow to prevent OOM errors.

• Prompt Enhancer (Chinese): Chinese language users can consider T8. It supports running local models natively without requiring an API.

• Sage Attention: It is strongly recommended to integrate Sage attention into your workflow, as it drastically improves generation speed. A tutorial link is provided below.

• Easy Cache Node: This node yields marginal performance gains when paired with 4–8 step LoRAs. However, it is retained in the workflow since it introduces zero visual degradation.

📥 Workflow Downloads & Resources

• Sample Workflow: The attached file contains a simple workflow that I am currently using. Feel free to download and use it if needed.

• This Workflow: This is the simplest Minimax H3 Multi Ref workflow. You can easily convert it to Image to Video or First-Last Frame to Video based on your needs.

• Detailed Guide: For a comprehensive breakdown, please refer to the article linked below, so I will not repeat the details here.

🌟 Minimax H3 完整設定與優化指南

📊 硬體需求

• 8GB VRAM：勉強可用，但體驗不佳。

• 建議最低 12GB VRAM：強烈推薦的硬體門檻。

• 系統 RAM 32GB 以上：不可或缺的配置。

• 備註：不論如何調整，VRAM 遲早都會裝不下，系統最後還是會自動 offload（分流）到系統 RAM。

➡️ 模型與 Text Encoder 選擇

• 主要模型：請認準並選用 INT8 convrot 版本（Civitai 連結）。請別選 GGUF 格式，因為畫面劣化實在太嚴重。

• Text Encoder：同樣請堅持使用 INT8。如果換成 GGUF，生成時間足足會慢上一倍，而且有極大機率會直接爆顯存（OOM）。

• CLIP：這邊可以使用 GGUF，首選為 Q4KM。

• 模型版本對應：

  • fl2v 版本：適用於 Image to Video（圖生影片）/ First Image（首幀）/ First Last Image（首尾幀）任務。

  • ref2va 版本：適用於 Multi-reference（多重參考）任務（如：影片 / 對白音訊 / BGM 背景音樂）。

💡 LoRA 設定

• 低顯存（Low VRAM）調整：雖然可以考慮設定為 4 steps，但非常不建議。因為劣化太過嚴重，會導致 H3 最強大的音效與對白直接變成垃圾。

• 推薦設定：在硬體條件允許的情況下，最好使用 8 steps。

• 768p 版本：就算是 4 steps 的 768p 版本，原創作者的官方建議依舊是 6–8 steps。其中這個 768p 版本的畫質與聲音表現都非常出色。

• 備註：LoRA 同樣有區分 fl2v 和 ref2v 兩種版本，請務必根據自己的工作流需求對應下載。

🗒 VAE 配置

• Video VAE（影片 VAE）：可以考慮使用 INT8 版本。檔案體積略小一些，且與原版相比幾乎沒有顯著差別。

• Audio VAE（音訊 VAE）：因為這個元件本來的體積就非常小，所以使用什麼版本都無所謂。

🛠 工作流與速度優化

• 保持簡單：由於是低顯存（Low VRAM）環境，主要工作流請盡量保持精簡。像 Prompt Enhancer（提示詞增強）、Upscale（放大） 這類不涉及核心生成的節點，請獨立拆分到另一個工作流中，否則極度容易引發 OOM 錯誤。

• Prompt Enhancer（中文使用者推薦）：中文使用者可以考慮使用 T8 這個 Prompt Enhancer，它支援本地模型運作，不需要另外串接 API。

• Sage Attention：強烈建議在工作流中加入並啟用 Sage attention，這會讓整體的生成速度產生極其明顯的差距。如果需要教學教程，可以參考下方提供的連結。

• Easy Cache 節點：這個節點在搭配 4–8 steps 的 LoRA 時提速效果雖然沒有很顯著，但因為它不會造成圖片劣化，所以依然選擇保留在工作流中。

📥 工作流下載與資源

• 附帶工作流：附件中包含了我目前正在使用的簡單工作流，有需要的人可以自行下載使用。

• 本工作流說明：這是目前最精簡的 Minimax H3 Multi Ref（多重參考）工作流，如果後續想要自行轉換成 Image to Video 或 First Last Frame to Video 也完全沒問題。

• 詳細教學：更多細節說明與圖文教學可以參考下方連結的文章，此處就不再重複贅述。