[H3剑心比赛] 单张 RX 7900 XTX 跑 MiniMax H3 参考生视频:1344×768 / 12秒带声音,22分钟半
-
最近比较忙,没有太多时间搞comfyui,但受邀请了,就赶鸭子做一个出来吧。这次生成不会把画面推去极致,时间成本会是一个考量。
基本上这个工作流是以前用到现在,没有特地为这次的主题去优化,还是导演台节点 + Turbo Lora + Comfy Kitchen + Spectrum + SelfLift去加速生成,生成时间大概是22 分 – 23 分
下面所有数字都是这台机器上实测的。测试平台
部件 具体型号 主板 Gigabyte TRX40 AORUS PRO WIFI CPU AMD Ryzen Threadripper 3960X,24 核 48 线程(Zen 2) 内存 125 GiB DDR4 四通道 显卡 ASUS Radeon RX 7900 XTX 24 GiB(RDNA3 / gfx1100),PCIe 4.0 x16,功耗上限 315 W 系统盘 500 GB SSD(Ubuntu + ComfyUI + venv) 模型盘 1 TB NVMe(模型、输出、缓存都在这里) 系统 Ubuntu 24.04.5 LTS,内核 6.8.0-149-generic,in-tree amdgpu驱动计算栈 ROCm 7.2.4(gfx1100) 软件栈
项目 版本 / 配置 ComfyUI 0.45.0(frontend 1.58.5) PyTorch 2.14.1+rocm7.2 comfy-kitchen 0.2.41(hip backend 生效,attention 走它) 自定义节点 ComfyUI_MiniMaxH3_Director 注意力后端 comfy kitchen attention启动参数 --reserve-vram 2,不加--disable-pinned-memory,不加expandable_segmentsreserve-vram这一项对速度影响很大,单独在第四节给出三档实测。expandable_segments:True在 ROCm 7.2 上
会在第一个 VAE 编码就 OOM(分配器报「已分配 0 B」),它实际只适用于 CUDA。模型
角色 文件 大小 UNET minimax_h3_ref2va_pruned_int8_convrot.safetensors20 GB(int8 + pruned) 文本编码器 qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors15 GB(32B,nvfp4 AWQ) 视频 VAE minimax_h3_video_vae_fp16.safetensors4.9 GB 音频 VAE minimax_h3_audio_vae_fp32.safetensors578 MB 3D latent 提升网络 minimax_h3_latent_upscaler_3d_conv_v1_bf16.safetensors659 MB(345M 参数) 加速 LoRA minimax_h3_fl2v_lightx2v_turbo_8step_v1.0_resized_avg_rank_24_bf16.safetensors348 MB 工作流配置(4 步高清这一档)
项目 值 任务类型 r2v(参考主体生视频),6 张参考图 分辨率 / 时长 1344×768,294 帧 @24 fps = 12.25 秒 步数 / cfg 8 步 / cfg 1.0 采样器 / 调度器 res_multistep/simpleshift(视频 / 音频) 12 / 3 加速 LoRA lightx2v turbo 8-step,strength 1.0 加速技术 turbo LoRA + comfy-kitchen attention + Spectrum(开启) SelfLift 渐进采样 低清 0.5×(672×384)→ 4 步低清 → 3D latent 提升 → 4 步高清 3D 提升 latent_upscaler_3d_conv_v1,rho 0(纯 3D 提升),时间分块开(chunk 24 / overlap 5)高清分块 2 块,128 px 重叠 音轨 audioMode = generate(模型生成音轨,不是外部配乐)面部精修 FaceRefine 关闭(开启时为 8 步 / 768² 画布 / denoise 0.40) 耗时实测
阶段 用时 每步 参考图 VAE 编码 + prompt 编码 ~1:30 — 低清一采,4 步 @ 672×384 1:44 26.1 s 3D latent 提升(87 个 latent 帧,chunk 24) ~20 s — 高清二采,4 步 @ 1344×768,2 块分块 16:32 248 s VAE 解码 294 帧 ~1:47 — 音频 VAE 解码 + 写盘 + 混流 ~1:00 — 合计 22:50 同配置连跑三条:22:29 / 22:50 / 22:53(风格不同:2D 动画参考 vs 3D CGI 参考),差异不到 1%。
结论与感想
生成时间几乎全压在两个地方:SelfLift高清二采(16:32,占 72%)。 SelfLift低清一采只要 1 分 44 秒 ——
它的作用是便宜地定构图和姿态,不是出细节。所以任何「想快」的念头都应该先看这两块,而不是动低清阶段或采样器。但本身再加上Turbo Lora的8步,因为步数少,所以会更容易导致画面模糊或幻影,设置上可以谨慎考虑使用该节点或调高高清步数(highres_steps)。Face Refine 的时间成本单独算。 8 步、768² 画布、denoise 0.40,约 13 分钟,是关闭时的 58% 增量。
实测没有什么效果,毕竟是针对小人脸场景,不适于本次场景。Refine节点。 这次就不加了,但你可以加当你需要精细化你的第一次生成的视频。
把片子切成多段拼接,省不出时间。 采样耗时对帧数是次线性的(实测指数约 1.2),切一半只省约 13% 采样时间,
而每多一段要付 1.5–4 分钟固定开销(模型换入换出 + VAE 解码)。实测每帧总成本:294 帧 7.47 秒/帧,73 帧 8.00 秒/帧
—— 短片段反而更贵。分段的正当理由只有缓解显存,不是提速。提升器(3D latent upscaler)不是白装的,但它会静默失败。 它在提升那一刻需要约 7 GiB,而此时 20 GB 的 UNET
还占着约 18 GB,分配失败后节点只打一条 warning 就退回双线性插值 —— 整条片子照常跑完,只是没用上 3D 网络。
判定方法:日志里要看到H3 latent upscale ... 672×384 latent → 84x48,如果出现falling back to bilinear
就说明退回插值了。修法是在提升前先卸掉扩散权重(ComfyUI 会在高清阶段自动重新加载),代价约 20 秒。RAM使用情况。 全程没有超过60GB。
感想:这次的画面还可用。虽然有点糊。一次生成12秒有点极限了,通常也不会那么做。就当给你们一个参考吧。
视频
剑心2D:
Youtube Video剑心3D:
Youtube Video复现
# ComfyUI 启动(其它参数按你自己的目录改) cd ~/ComfyUI .venv/bin/python main.py --listen 0.0.0.0 --port 8188 \ --models-directory /path/to/models \ --output-directory /path/to/output --input-directory /path/to/input \ --user-directory /path/to/user \ --reserve-vram 2 --disable-auto-launch工作流
2D: H3Contest_Jianxin_2D_1344x768_12s.json
3D: H3Contest_Jianxin_3D_1344x768_12s.json -
,
A Ang Lee 引用了 此主题
-
-
版主审定:本帖设为优秀,作者 +3 积分奖励,继续加油!