This workflow allows you to create your own songs in the style of Suno. It uses Minimax-H3 music. I’ve included explanations to make it easy to use.
Put the txt in comfyui-models-LLM-prompts.
If you don’t have 24 GB VRAM: use Qwen3-VL-4B-Instruct (Comfy-Org qwen3vl_4b_fp8_scaled or qwen3vl_4b_bf16) only to write the caption and lyrics. For audio, use MiniMax Music 3 INT8 (minimax_music3_dit_int8_convrot) + pruned INT8 text encoder + DAV VAE with tiled decode if needed.
https://huggingface.co/Comfy-Org/Qwen3-VL/tree/main/text_encoders
Do not keep the VLM and the music generator loaded at the same time. On 8–12 GB cards, start with 30–60 s songs. The 8B Instruct is nicer, not required. Don’t use the MiniMax H3 32B encoder, Qwen2.5-VL, or Thinking variants for the song planner.
Files
Planner (pick one):
qwen3vl_4b_fp8_scaled.safetensors → ComfyUI/models/text_encoders/
or qwen3vl_4b_bf16.safetensors
Music 3 low-VRAM pack:
minimax_music3_dit_int8_convrot.safetensors → diffusion_models/
minimax_music3_text_encoder_pruned_int8_convrot.safetensors → text_encoders/
minimax_music3_dav.safetensors → vae/
Load the 4B with CLIPLoader type qwen3vl_4b. Wire that CLIP only into M3SongPlanner. The Music 3 encoder goes only into MiniMaxMusic3TextEncode.
Order that saves cards
Run the planner group only.
Keep caption + lyrics.
Unload the VLM (keep_model_loaded = false).
Run Music 3.
I’ve set it up with the same LLM used in the other Minimax workflow, so you can write in your native language, and it will refine the text and translate it into English for the VLM that generates the songs.
Este workflow sirve para hacer tus propias canciones al estilo Suno. Se usa minimaxh3 music. Lo he puesto con explicaciones para que sea fácil de usar.
https://huggingface.co/Comfy-Org/Qwen3-VL/tree/main/text_encoders
Yo uso el Qwen3-VL-8B-Instruct porque tengo una rtx5090, pero si tienes poca vram aquí dejo unos consejos:
Letrista low VRAM: Qwen3-VL-4B-Instruct (repack Comfy-Org).
Archivos oficiales: qwen3vl_4b_fp8_scaled.safetensors o qwen3vl_4b_bf16.safetensors en models/text_encoders/.
Ese es el mínimo decente que el planner entiende. El 2B existe y cabe en un tostador; las letras salen como eslogan de anuncios. Gemma-3 4B IT también vale, peor en japonés/coreano.
Music 3 en int8 + encoder pruned int8 + VAE chiquito es el pack low VRAM oficial. Con offload llega a cartas de 8 GB, lento y con temas cortos.
La regla de oro que te ahorra el OOM
Queue solo el grupo del planner.
Copian caption + lyrics (o los dejan en los ShowText).
Unload del VLM (keep_model_loaded = false).
Queue Music 3.
Si intentan tener Qwen-8B + DiT fp16 + encoder de música a la vez en 12 GB, ComfyUI explota.
Le he puesto el mismo LLM que en el otro workflow de minimax, así que puedes escribir en tu idioma natal y él lo mejora y lo pone en inglés para el VLM que hace las canciones.