HyperFlow H3 Flash 開源：MiniMax 視音訊模型瘦身至 9.1GB，24GB 顯示卡可跑

HyperFlow H3 Flash 是 Video Rebirth 剛開源的音影片聯合生成模型，它把原本約 31B 的 MiniMax-H3 蒸餾精簡到了 14B 左右，能在一個模型裡同時生成畫面與對齊的雙聲道立體聲音訊。

最吸睛的改變是速度和體積。它不需要無分類器引導，預設只需 6 步取樣（可選 4 步或 8 步），就能輸出一段 5.2 至 15 秒、解析度 1344×768、幀率 24 fps 的影片，並自帶 32 kHz 的立體聲聲軌。在 4 張輝達 B200 顯示卡配合 SOL-H3 推理加速下，它能做到影片播放速度與生成速度完全一致的即時生成；即使放在單張 RTX 5090 上，生成 5.2 秒片段也只要 92 秒。

砍掉一半體積，放進消費級顯示卡

官方這次把重點放在了降低使用門檻上。原本 MiniMax-H3 的模型底座龐大，單是基礎 Transformer 就超過 60GB，普通使用者根本無法在本地執行。

HyperFlow H3 Flash 則通過結構修剪、量化與低步數取樣，把模型引數量壓到 13.7B（圖生影片 fl2va）和 13.9B（參考生成 ref2va）。其中 Q4_K_M 量化版本的 GGUF 權重只有 9.1GB，最小的 Q3_K_M 更是隻有 7.2GB。

這意味著只要你的 PC 配有 16GB 記憶體和一張 24GB 視訊記憶體的顯示卡（比如 RTX 3090 或 RTX 4090），就能在本地把整套視音訊生成流程跑通。

模型支援三類任務：純文本生影片和音訊（t2va）、首幀或首尾關鍵幀生影片（fl2va），以及多參考輸入生成（ref2va）。其中參考模式最多允許傳入 12 個參考元素，包括 9 張圖片、3 段影片和 3 個音訊片段，並在生成時精準對應角色和場景。

怎麼在本地跑起來

程式碼和模型權重已經分別託管在 GitHub 和 Hugging Face。Video Rebirth 提供了兩種執行路線，挑選起來其實很簡單。

如果你是在家用電腦上折騰，或者系統記憶體小於 64GB，官方推薦直接走 GGUF 格式。目前 ComfyUI、Unsloth Studio 和 stable-diffusion.cpp 都已經支援。在 16GB 或 32GB 記憶體的機器上用 ComfyUI 啟動時，記得加上 --fast-disk 引數，防止因視訊記憶體溢位把權重複制到常駐記憶體導致爆記憶體。

如果你手頭有專業卡，或者有至少 69GB 記憶體的 24GB 視訊記憶體工作站，可以走 Python 原生包配合 INT8 convrot 格式。這個版本計算速度比 GGUF 快 10% 到 20%，在 RTX 4090 上生成 5.2 秒片段大約耗時 130 秒。

環境方面需要 Python 3.10+、PyTorch 2.6+ 以及 Ampere 架構以上的輝達顯示卡。首次執行時，它會自動從 Hugging Face 下載 MiniMax-H3 的文本編碼器與 VAE，不用擔心誤下 62GB 的基礎底座。

為什麼重要

我們認為 HyperFlow H3 Flash 最值得點讚的地方，是它把端到端聲畫一體生成的門檻，硬生生從機房拉進了個人工作站。

過去開源社群的影片模型往往畫音分離，需要先算畫面再掛音訊模型，而 MiniMax-H3 雖具備聲畫聯合建模能力，但 31B 的體積讓個人創作者望而卻步。這次 14B 搭配 6 步收斂的方案，在保留 768p 細節的同時大幅縮短等待時間，對於想在本地做短影片原型驗證、角色動畫控制的開發者來說非常值得立刻部署一套。

不過需要提醒的是，該專案雖然開源了程式碼和權重，但權重遵循 MiniMax H3 Community License。協議包含地域使用限制，未經授權在歐盟、英國、韓國和美國不可商用，同時它並非 MiniMax 官方釋出的產品。此外，15 秒長影片在 24GB 視訊記憶體下依然處於壓線狀態，想要流暢體驗，依然需要一塊紮實的高視訊記憶體卡。