larryvrh、動画・音声生成高速化モデル MiniMax-H3-Turbo-Lora を公開──サンプリングステップ数を約 5 分の 1 に短縮
MiniMax-H3 ベースモデル向けの LoRA ウェイトを公開し、通常約 20 ステップ必要な動画・同期ステレオ音声生成を 4〜8 ステップで実行可能にした。
リリース: 2026-08-05 · 読了 3 分記事の要約
1. 核心（What）
- MiniMax-H3 の base モデル（bf16 および pruned_int8/fp8）に対応する約 744 MB の LoRA ウェイトを HuggingFace に公開。
- v4-600 チェックポイントを推奨し、静止画・小規模な動きの描写と微細なディテール（顔や指など）の質感を向上。
- ComfyUI 向けカスタムノード（Larryvrh/ComfyUI-MiniMax-H3-Turbo）および単体スクリプト generate.py を提供。
- 動画と 32 kHz ステレオ音声を同時に 4〜8 ステップで生成し、古い ComfyUI バージョンでも自動適応するカスタムサンプラーを内蔵。
2. 影響（Why）
- 推論コストと待ち時間の劇的削減: 通常約 20 ステップ必要なサンプリングを 4〜8 ステップに圧縮できるため、ハードウェア要件が厳しい長尺の動画生成パイプラインにおいて実用的なレンダリング速度を確保できる。
- 既存ワークフローへの容易な統合: ComfyUI の公式グラフ構造を維持したままモデルローダーとサンプラーの間に LoRA を挿入する設計のため、既存の資産を捨てずにシステムを高速化できる。
3. 根拠・詳細（How）
- デュアルフロー・スケジュールと自動適応機構: 動画と音声を異なる 2 つのフロースケジュールで並行処理し、ComfyUI の新しい ModelSamplingAV ネイティブ対応と古いバージョンをカスタムサンプラーが動的に切り替える。
- 低 VRAM 動作と時間条件づけの再注入: ロー W_eff = W + lora_B @ lora_A のプレーンな低ランク更新を採用し、モデルの pruned ベース自動検出時に時間条件づけ（time-conditioning）をランタイムで再注入する。
4. 展望・課題（Next）
- 高速・激しい動きへの対応: v4 系で発生する 4 ステップ時のモーションスマイヤー（引き延ばし・ゴースト現象）の抑制を引き続き開発中。