海螺AI本機實測：MiniMax H3 顯存、速度與提示詞
重點摘要
海螺AI 的第三代模型 MiniMax H3 在 2026 年 8 月 3 日開放權重，可以用 ComfyUI 在自己的顯示卡上跑，官方建議短邊 768 像素、最長約 15 秒。我們自己用一台 RTX 5090 32GB 測試，原生 768 直式在軟體升級後每步 85 秒、顯存峰值 22.6GB。
海螺AI（Hailuo AI）是 MiniMax 的 AI 影片生成服務，在官網上生成用的是 MiniMax 的線上服務；它的第三代模型 MiniMax H3 在 2026 年 8 月 3 日開放權重，可以下載到自己的電腦，用 ComfyUI 跑。本機版只有影音生成那一段，官方建議輸出短邊 768 像素、每秒 24 格、最長約 15 秒，2K 輸出和提示詞前處理都留在線上。
我們自己的測試與研究在 2026 年 9～10 月進行，用本團隊一台 RTX 5090 32GB 的測試主機實測：864×480、15 秒的片段開 4 步加速 130 秒產完，不加速 20 步要 519 秒；原生 768 直式在 PyTorch 與 ComfyUI 升級後，每步從 116～122 秒降到 85 秒，顯存峰值從 31.9GB 降到 22.6GB。數字都是單機量的，換卡、換軟體版本會不同。
海螺AI 和 MiniMax H3 是什麼關係？
MiniMax H3 是海螺AI 的第三代影片模型。ComfyUI 官方部落格 2026 年 8 月 3 日寫，H3 接在 Hailuo 01、Hailuo 02 之後，是 MiniMax 頭一次開放權重的影片模型，ComfyUI 當天就支援；海螺AI 官網 的網頁標題也寫著 MiniMax H3 已上線。網頁版和開放下載的是同一代模型，差在跑在誰的機器上、有沒有官方前處理。
MiniMax 的官方模型說明 把完整的 H3 分成三個模組：把文字、圖片、影片、聲音整理成模型讀得懂格式的 H3-Context-IR，產生 768p 影音的 H3-Base，以及把 768p 結果重新生成成 2K 的 H3-Regenerate-2K。開放權重只有 H3-Base。Context-IR 是代管服務，官方寫明不在這次開源範圍，並強烈建議沒有它的人照官方提示詞指南自己寫；2K 重生成模組也寫明還沒開源。
完整的 H3 系統和本機能跑的部分
- 提示詞前處理 H3-Context-IR把文字、圖片、聲音整理成模型讀得懂的格式；線上代管，沒有開放下載
- 影音生成 H3-Base開放權重，本機用 ComfyUI 跑，輸出短邊 768 像素
- 2K 重生成 H3-Regenerate-2K官方寫明還沒開源，本機要 2K 只能另外放大
線上服務和本機開放權重的規格差別，依 ComfyUI 官方 H3 文件、ComfyUI 官方部落格 與 MiniMax 官方模型說明：
| 項目 | 線上服務 | 本機開放權重（H3-Base） |
|---|---|---|
| 解析度 | 最高 2K | 約 1MP（短邊 768 像素），橫式原生 1344×768，直式上限 768×1344 |
| 長度 | 最長 15 秒 | 訓練範圍約 124～362 格（約 5～15 秒）；節點可填 5～3600 格，超過不會擋 |
| 格數與聲音 | 每秒 24 格，32kHz 立體聲，畫面和聲音同一次生成 | 同左 |
| 提示詞前處理 | 有 H3-Context-IR | 沒有，要自己照官方提示詞指南寫 |
| 參考素材上限 | 依各平台規定 | 參考生影片模式：圖片 9 張、影片 3 支、聲音 3 段，合計最多 12 個檔 |
| 硬體 | 不用自己的顯示卡 | 官方說搭配動態顯存卸載，RTX 3060 這級的卡能跑 |
本機跑 H3 要下載哪些檔案？
本機跑 H3 至少要四種檔：主模型、文字編碼器、影片 VAE、音訊 VAE，要加速再加一個 LoRA。ComfyUI 官方文件列了五種主模型版本，從 16GB 到 66GB，範本預設是 21GB 的 pruned_int8_convrot；官方建議挑放得進顯存的最小版本，顯存不夠寧可降一級精度，也不要靠 CPU 卸載。Comfy-Org 的權重頁 另外寫，PyTorch 能用 cu130 以上就優先選 int8_convrot。
ComfyUI 官方文件列的主模型版本：
| 主模型版本 | 檔案大小 | 官方說明 |
|---|---|---|
| pruned_w6a8 | 16GB | 最小，走 INT8，要 ComfyUI 0.38.0 以上 |
| pruned_int8_convrot | 21GB | 範本預設 |
| pruned_fp8_scaled | 21GB | 跟 INT8 版一樣大 |
| pruned_bf16 | 40GB | 修剪過、沒有量化 |
| bf16 | 66GB | 完整、沒有量化 |
修剪版小這麼多的原因，MiniMax 官方說明寫得很清楚：H3 主體是 330 億參數的 Transformer，其中約 130 億在 AdaLN 相關分支，推論時可以先算好存起來，不必載入。ComfyUI 部落格說把這部分換成查表之後，整套檔案從全精度的 123.6GB 最小可以壓到 42.5GB，少了 66%。
我們測試用的組合是官方的 minimax_h3_fl2va_pruned_int8_convrot（20,970,379,616 bytes）、Qwen3-VL-32B 系列文字編碼器（INT8 版 26.4GB，或 4-bit 版 15.7GB）、影片 VAE 4.85GB、音訊 VAE 0.56GB，加起來約 42～53GB，跟官方說的量級一致。加速 LoRA 用原作者 lightx2v 的 4 步 v1.2 和 8 步 768p v1.0，下載後跟官方雜湊值比對；兩版結構一樣（624 個權重、秩 128），差在訓練參數。每次送出生成前，程式先比對模型清單和檔案大小，來源不明的檔一律擋下。
ComfyUI 本身怎麼安裝、更新、排佇列，寫在 ComfyUI 安裝與工作流程實測；主機怎麼配、同一張卡怎麼分給文字模型和產圖，寫在 地端 AI 主機實測。
本機跑 MiniMax H3 要多少顯存？
32GB 的 RTX 5090 跑得動 H3 官方建議的最高解析度，但在舊版軟體上很緊。2026 年 9 月我們自己測試，864×480、15 秒（362 格）、20 步的顯存峰值 31,661 MiB；直式 768×1344、15 秒、8 步峰值 31,893 MiB，幾乎塞滿。9 月 25 日把 PyTorch 換成 cu132 版、ComfyUI 升到 0.37 之後，顯存峰值降到 22.6GB。
| 項目 | 設定 | 結果 | 條件／樣本數 |
|---|---|---|---|
| 小畫面長片段 | 864×480、15 秒（362 格）、20 步 | 峰值 31,661 MiB，519 秒 | 2026-09-13 環境 |
| 原生 768（舊環境） | 768p（0.98MP）、15 秒 | 爆顯存：需要 37.65 GiB，卡只有 31.84 GiB | 2026-09-24 換環境之前 |
| 原生 768 直式 | 768×1344、15 秒、8 步 | 峰值 31,893 MiB，1,033 秒 | 2026-09-24，軟體升級前 |
| 軟體升級 | ComfyUI 0.35→0.37、PyTorch 2.11+cu128→2.14.0+cu132 | 顯存峰值 31.9GB→22.6GB | 2026-09-25 |
| 超出官方長度 | 1056×608、20 秒（481 格）、20 步 | 跑完，整卡峰值 31,468 MiB（含其他常駐程式約 4.7GB），1,689 秒（含首次載入） | 只成功 1 次（n=1） |
峰值貼著 32GB，不代表小卡一定跑不動。ComfyUI 官方部落格寫，搭配動態顯存卸載，RTX 3060 這級的卡也能在本機跑；我們只在 32GB 卡上量過，小卡要跑多久沒有實測數字。官方文件也提醒，原生解析度的長片段最先耗盡的是顯存，放不下就先降低畫面總像素。
20 秒那次屬於規格外：官方規格是 4～15 秒，那次只成功過 1 次，不能當成穩定做法。要做更長的片，官方文件的做法是用上一段的最後一格接下一段，我們接續的實測寫在 AI 影片生成流程。
生成一段要多久？步數與加速怎麼選
生成時間主要看三件事：步數、畫面大小、片長。ComfyUI 官方文件的預設是 20 步；開加速 LoRA 後，文字或圖片生影片用 8 步，參考生影片用 4 步。我們在 864×480、15 秒的片段上量到，4 步加速 130 秒、20 步 519 秒，快 4 倍；同解析度 5 秒 20 步 135 秒，片長變 3 倍、時間變約 3.8 倍，所以切短再剪接比一次生長片省時間。
| 項目 | 設定 | 結果 | 條件／樣本數 |
|---|---|---|---|
| 加速 LoRA | 864×480、15 秒，4 步 vs 20 步 | 130 秒 vs 519 秒 | 2026-09-13 |
| 片長 | 864×480、20 步，5 秒 vs 15 秒 | 135 秒 vs 519 秒 | 2026-09-13 |
| 圖片生影片 | 640×640、4 步 | 134 秒 | 2026-09-13 |
| 8 步 vs 20 步 | 0.6MP、20 秒片段 | 712 秒 vs 1,689 秒，20 步反而較糊 | 同提示詞、同種子，1 組對照 |
| 軟體升級 | ComfyUI 0.35→0.37、PyTorch 換 cu132 | 每步 116～122 秒→85 秒；文字編碼 12～14 秒→3 秒 | 2026-09-25 |
| INT8 注意力 | 1344×768、15 秒、8 步、同種子 | 847 秒→405 秒；9 鏡畫面一樣、清晰度 101%、台詞 5/5、切點 8/8 | 2026-09-27，1 段對照 |
| 小畫面＋放大 | 544×992 生成，RTX VSR 放大兩倍到 1088×1984 | 每步 26 秒、一段 236 秒；原生 768 每步 85 秒、一段 737 秒；放大一段 12.5 秒 | 2026-09-25 |
| SelfLift | 前 6 步用一半解析度，再放大跑完 | 160 秒 vs 同設定原生 370 秒；動作量、換鏡一樣，構圖不同 | 2026-10-16 |
| 參考生影片 | 1344×768、362 格、2 張角色圖＋1 支參考影片 | 一步 330 秒、全程 1,445 秒；一般圖片生影片一步約 85 秒 | 2026-09-26 |
不同列的段落鏡頭數、參考圖不一樣，秒數只比同一列的前後，不要跨列比。
8 步還是 20 步
官方文件寫，加速版會把皮膚、布料、頭髮的細節抹平一些，而且聲音比畫面晚收斂，8 步時聲音常是比較弱的一環；同一份文件也寫，原生解析度下畫面糊，通常是解析度的問題，不是步數。我們那組 0.6MP 對照裡 20 步沒有比較清楚，跟後面這句說法一致，因為 0.6MP 本來就低於官方建議的約 1MP。我們的測試多半用 8 步，INT8 注意力那組對照的台詞 5 句全對。要緊扣參考圖的鏡頭是例外：官方說 4 步加速幾乎套不上參考圖，建議關掉加速或把步數拉到 25 左右。
先把軟體升級
ComfyUI 啟動時如果出現「You need pytorch with cu130 or higher to use optimized CUDA operations」，代表加速核心沒開。我們升級前就是這個狀態，升級 PyTorch 與 ComfyUI 之後，每步快約 30%、文字編碼從 12～14 秒變 3 秒、顯存峰值從 31.9GB 降到 22.6GB，模型和設定都沒換。
INT8 注意力和其他加速
在 ComfyUI 的 ModelAttentionBackend 節點選 comfy kitchen attention，我們同一段片從 847 秒降到 405 秒，9 鏡並排看畫面、台詞和切點都一樣。要留意官方文件目前的寫法：Comfy Kitchen 注意力不支援 int8_convrot 主模型（ComfyUI issue #15529），建議改用 pruned_bf16 再切換；用 Sage Attention 這類 INT8 注意力量化，片尾容易變形、畫面上的字容易變亂碼。我們的數字是 2026 年 9 月 27 日在 ComfyUI 0.37 量的，版本更新後行為可能不同，開之前先用同一個種子跑一次對照。
小畫面生成再放大快約 3 倍，代價是近看頭髮、皮膚細紋原生比較細，而且同一部片要統一用同一種產法。官方文件對 2K 的建議也是先用原生大小生成，再另外放大。SelfLift 快 2.3 倍，網路上說聲音會變電子雜音，我們那次沒有發生（兩版頻譜平坦度都是 0.228），但構圖會跟原生版不同。
海螺AI 本機版的提示詞怎麼寫？
本機版沒有線上服務那層提示詞前處理，提示詞怎麼寫直接決定成片。ComfyUI 官方 H3 提示詞指南 的寫法是：用英文寫，先寫整體場景，再依序寫 [Shot 1]、[Shot 2]，每顆新鏡頭標一個切點時間；台詞放在 <d> 標籤裡；環境音和配樂分別寫在兩個欄位；不要寫否定句，因為取樣時 cfg 是 1、沒有反向提示詞。
H3 提示詞的基本結構
- 整體場景地點、時間、實際在亮的光源、畫面風格，開頭寫一次
- [Shot 1] 從 0 秒開始寫誰在做什麼、鏡頭從哪裡動到哪裡
- [Shot 2] At 00:03.500每顆新鏡頭標一個切點時間，不寫時間區間
- 台詞放進 <d>句尾用句號、問號或驚嘆號
- 聲音分兩欄環境音與音效一欄，配樂一欄
官方的每條規則，我們自己測試時都對照過實際結果：
| 官方提示詞指南的規則 | 我們實測看到的 | 樣本 |
|---|---|---|
每顆鏡頭寫 [Shot N] 和單一切點時間 |
主模型、種子、九宮格、加速都不變，只改成每鏡標 [Shot N] At 00:0x.xxx，9 格分鏡從只演 4 格變成 9 格全演 |
1 組 |
<d> 裡的台詞用句號、問號、驚嘆號結尾 |
用「；」「，」結尾時，模型以為句子沒講完，把後面的「說完」兩個字也念出來；同批 6 段用「？」「！」結尾的都沒念 | 同批 6 段對照 |
| 不寫否定，寫該出現的東西 | 寫了關燈的 2 支補拍，1 秒內房間亮度 36→63、42→78；完全不提燈的 3 支維持 23→25、30→30 | 5 支 |
| 提示詞用英文寫 | 同開場畫面、同參考照、同聲音範本，只換中英文，各 2 個種子共 8 支：7 句台詞一字不差、換鏡時間差 0.05 秒以內 | 8 支 |
| 多人講話可能配錯人，台詞要綁在看得見的事件上 | 狗和貓同框、台詞是貓的，張嘴的卻是狗；寫「狗嘴巴閉著」照樣錯，把開場畫面裡不講話的角色改成閉嘴、轉頭看講話的人才解決 | 6 段 45 句逐句抽格 |
| 出現不要的人聲時，兩個聲音欄位都寫滿 | 片長比台詞長，模型會念提示詞補時間；台詞講完只寫「眨一下眼」撐 2.3 秒，模型把整句再講一次 | 未統計樣本數 |
我們整理的寫法規律
- 寫「不動」它就真的不動：台詞鏡頭寫視線不動，出來 2.9 秒完全靜止，7 格一模一樣。台詞鏡頭一律給動作，一句台詞可以鋪在兩顆會動的鏡頭上。
- 規則宣告句會被念出來：提示詞寫「某個顏色永遠是紅色、絕對不能弄反」，H3 在前 5 秒把這句念成旁白；「沒有亂碼文字」這種短的否定短語實測沒被念。每段出片都要聽寫全文，多出來的字就是被念出來的描述。
- 提示詞不要寫太長：每顆鏡頭重寫一次場景樣板，一段寫到 1,300 字，場景關鍵字被擠掉、背景變成灰色棚拍；壓到 638～744 字正常，787 字、8 顆鏡頭也全部演出。
- 寫看得見的東西，不寫抽象名詞：寫刀疤「在藍光中發光」，出來變成發光的閃電符號蓋住眼睛；寫「從瓦礫中抬頭」，瓦礫被畫成對手肩甲同款的裝甲板。
- 運鏡要寫起點和終點：「小幅度慢速推近」在 2～4 秒的鏡頭裡每格只動 0.1～0.3 像素，看起來等於沒運鏡；要寫從哪個景別開始、勻速推到哪個景別停。
- 大動作要給夠時間：大動作要 1.5 秒以上獨佔一顆鏡頭。把「沿著門滑坐到地上」塞進 2 秒、還要同時做四件事，生出來是站著原地抬腳；拆開給 1.6 秒就正常。0.9 秒的插入鏡裝不下人被打飛這種動作，只適合放拳頭、眼睛、腳下碎石這類細節。
- 台詞之間要留空檔：一段 8 句台詞有 2 句提早約 2 秒，剛好落在看不到嘴的鏡頭才沒穿幫。要對嘴的句子前後都留空檔。
- 一段能塞的鏡頭數：一次生成 8 秒可以塞 7～8 個不同構圖，切點會提早 9 格到延後 7 格（最多約 0.375 秒），但鏡頭的順序和顆數是對的。
- 中文讀音要另外處理：MiniMax 官方說明列出穩定支援的對白語言有 11 種，中文在內、粵語不在；台語我們試過生不出來。模型念字照大陸讀音，「儲」台灣念二聲，影片念成三聲，所以送進模型的台詞換成台灣讀音的同音字，字幕照寫正確的字。
- 手勢不要提到物品：動作寫「比出一張長方形卡片的樣子」，手上就憑空冒出一張卡又消失。
我們測試時，開場畫面和分鏡圖先用本機產圖模型畫好再交給 H3，產圖那段的實測寫在 Qwen-Image 本機產圖實測。
本機跑海螺AI 常見的破綻怎麼修？
本機跑 H3 的問題一半出在環境、一半出在畫面。環境問題通常不報錯，只會變慢或卡住；畫面問題多半要逐格看才抓得到。我們 2026 年 9～10 月自己測試時，在同一台 RTX 5090 主機上遇到六種狀況，照「現象、原因、怎麼修」整理，每一條都附當時量到的數字，方便你對照自己的機器是不是同一種問題。
1. ComfyUI 顯示執行中，顯卡卻是 0% 現象：系統狀態 API 回 HTTP 500，佇列顯示執行中，GPU 使用率 0%。原因：遇到 CUDA 爆顯存之後，ComfyUI 會半死，不會自己恢復。怎麼修：重啟服務，重啟後顯存從 31,782 MiB 降回 1,217 MiB。
2. 每一步都比預期慢 現象：ComfyUI 啟動訊息出現「You need pytorch with cu130 or higher」那一行。原因：PyTorch 版本太舊，加速核心沒開。怎麼修：升級 PyTorch 與 ComfyUI，我們升級後每步從 116～122 秒降到 85 秒。
3. 片頭停在九宮格分鏡上 現象：開頭幾格停在分鏡圖上，短的 3 格、8 格，最長 90 格（3.75 秒）。原因：九宮格分鏡被當成影片第 0 格。怎麼修：輸出成片前把這幾格剪掉。
4. 播起來一頓一頓 現象：部分鏡頭每 4 格出現 1 格重複。原因：H3 原片本身就會這樣，只出現在部分鏡頭。怎麼修：拿到原片先挑掉重複格再補幀，不然補幀會把一格重複變成兩格。補幀與放大的細節在 AI 影片後製實測。
5. 動物的毛像塑膠 現象：全身中景加上大動作時毛變成塑膠感，細節量從約 125 掉到約 78。原因：跟設定無關，同畫面同種子 7 支對照（換寫實參考照、換取樣器、不加速跑 20 步、同尺寸精修、放大精修）都救不了。怎麼修：分鏡改成半身或特寫，臉部特寫的毛都保得住。
6. 聲音聽起來對，張嘴的卻是別人 現象：只聽聲音的檢查幾乎全過，畫面上卻是另一個角色在張嘴。原因：同框的角色搶嘴，跟提示詞段落裡狗貓同框的例子是同一件事。怎麼修：每段多產一張「每句台詞講話當下抽 3 格」的對嘴表，逐句看。
我們的 AI 影片製作方案
我們提供 AI 影片製作服務，做給 IG、FB、Meta 廣告用的短影音：腳本、畫面生成、剪輯、字幕和合規審查由同一組人負責，依版位輸出 9:16、1:1、4:5 或 16:9。廣告影片從素材準備到修改怎麼進行，可以看 廣告影片製作流程與費用 這個寵物用品品牌的例子。
| 方案 | 價格 |
|---|---|
| 單支 15 秒 | $100 USDT |
| 單支 30 秒 | $180 USDT |
| 單支 60 秒 | $300 USDT |
| 月包 Starter（每月 4 支 15 秒額度） | $350 USDT |
每支都含 2 輪修改與 Meta 廣告合規審查，完整內容在 AI 影片製作服務。需要客製工具或自動化，例如素材排程、自動檢查，看 自動化開發，依功能報價，評估不收費。
常見問題
海螺ai 本機版要錢嗎？ 權重不用錢。ComfyUI 官方文件寫，H3 的開放權重可以免費下載、在自己的機器上跑；要花的是顯示卡和電費。
hailuo 本機版要什麼顯示卡？ 要看解析度和片長。ComfyUI 官方部落格說，搭配動態顯存卸載，RTX 3060 這級的卡就能跑；我們自己在 RTX 5090 32GB 上測試，直式 768×1344、15 秒、8 步在舊版軟體峰值 31,893 MiB，升級 PyTorch 與 ComfyUI 後顯存峰值降到 22.6GB。
本機版能直接做出 2K 嗎？ 不能直接出。官方文件寫 2K 是線上服務的輸出，本機要先用原生大小生成，再另外放大。我們測試過的做法是先用 544×992 生成，再用 RTX VSR 放大兩倍到 1088×1984，一段放大只要 12.5 秒。
一段影片最長可以生成幾秒？ 官方規格是 4～15 秒。ComfyUI 節點可以填到 3600 格不會擋，但模型是在約 5～15 秒的片段上訓練的；我們用 1056×608 跑 20 秒成功過 1 次，樣本只有這一次，不建議當常規做法。更長的片用上一段的最後一格接下一段。
提示詞要寫中文還是英文？
官方建議英文，我們實測差別不大。同開場畫面、同參考照、同聲音範本，只換提示詞語言，8 支片的 7 句台詞都一字不差、換鏡時間差 0.05 秒以內；台詞本身用要講的語言寫在 <d> 裡。