企业官网建设流程全解析

MiniMax-H3-GGUF命令行完全指南：sd-cli参数逐项解析与实用技巧

【免费下载链接】MiniMax-H3-GGUF项目地址: https://ai.gitcode.com/hf_mirrors/unsloth/MiniMax-H3-GGUF

MiniMax-H3-GGUF 是 unsloth 团队发布的 GGUF 量化版视频生成模型，配合 stable-diffusion.cpp 自带的 sd-cli 命令行工具，就能在本地显卡上直接生成"自带声音"的短视频——画面和 32kHz 立体声音轨由模型同步产出，无需任何云端 API。对新手来说，最大的门槛往往是那一长串 sd-cli 参数：哪些必填、哪些影响画质、哪些决定显存占用。本文将以一条可复现的命令为主线，逐项解析 sd-cli 参数，并给出量化等级选择与实用调参技巧。

MiniMax-H3 是什么：一个会"出声"的视频生成模型

MiniMax H3 是 MiniMax 发布的 omni-modal（全模态）生成系统，核心亮点是视频与音频联合生成：不是后期配音，而是扩散模型在生成画面帧的同时直接产出 32kHz 立体声，最长支持 15 秒、24 FPS 的片段。

本仓库提供了两套去噪模型，加载哪一套决定了你能输入什么：

• fl2va_pruned（首尾帧版）：输入文字，可选 0、1 或 2 张首帧/尾帧图片。
• ref2va_pruned（参考版）：输入文字，外加参考图、参考视频和参考音频。

两者是独立的 checkpoint 而非设置项，按任务二选一即可。此外还需要共享的 Qwen3-VL 文本编码器和视频/音频 VAE。

准备工作：一次下载全部所需文件

先用 git clone 拉取整个仓库（内含全部 GGUF 模型与 VAE）：

git clone https://gitcode.com/hf_mirrors/unsloth/MiniMax-H3-GGUF

仓库结构如下，vae/目录下已有现成的视频与音频 VAE，无需额外下载：

MiniMax-H3-GGUF/ ├── vae/ │ ├── minimax_h3_video_vae_fp16.safetensors # 视频解码器 │ └── minimax_h3_audio_vae_fp32.safetensors # 音频解码器 ├── minimax_h3_fl2va_pruned-*.gguf # 首尾帧版去噪器（8 个量化档） ├── minimax_h3_ref2va_pruned-*.gguf # 参考版去噪器（6 个量化档） └── qwen3vl_32b_minimax_h3-*.gguf # Qwen3-VL 文本编码器（2 个档）

跑通第一条命令：sd-cli 最小示例

sd-cli --mode vid_gen \ --diffusion-model minimax_h3_fl2va_pruned-UD-Q2_K_XL.gguf \ --llm qwen3vl_32b_minimax_h3-Q2_K_M.gguf \ --vae minimax_h3_video_vae_fp16.safetensors \ --audio-vae minimax_h3_audio_vae_fp32.safetensors \ --prompt "a red fox trotting through falling snow, cinematic" \ --width 640 --height 384 --video-frames 25 --steps 4 --cfg-scale 1.0 \ --backend te=cpu --diffusion-fa \ --output out.webm

sd-cli 参数逐项解析：从必填项到可选优化

--mode vid_gen：第一个必填参数

--mode指定运行模式，视频生成必须显式写成--mode vid_gen。不写的话 sd-cli 会把它当作图片生成模式，直接拿图片路径去解析 prompt 然后报错退出。

--diffusion-model：选择去噪模型

指向minimax_h3_fl2va_pruned-*.gguf或minimax_h3_ref2va_pruned-*.gguf。想用首尾帧控图就选 fl2va，想用参考视频/音频就选 ref2va。

--llm：文本编码器搭配

--llm指定qwen3vl_32b_minimax_h3-Q2_K_M.gguf或Q4_K_M。官方建议：最小的两个去噪器搭配 Q2_K_M，其余档位搭配 Q4_K_M。

--vae 与 --audio-vae：视频和音频的"解码器"

--vae用vae/minimax_h3_video_vae_fp16.safetensors，--audio-vae用vae/minimax_h3_audio_vae_fp32.safetensors。两个 VAE 是 fl2va/ref2va 共用的，切换去噪器不用重下。

--prompt：提示词写法

英文提示词效果最佳，建议包含主体、动作、环境与风格词，例如"a red panda stepping along a mossy log in a misty forest, cinematic"。

--width 与 --height：分辨率与显存直接挂钩

官方示例图是 960x544 分辨率，入门建议从 640x384 起步。分辨率越高显存占用越大，显存不够就先降分辨率。

--video-frames：视频帧数

帧数决定时长，配合 24 FPS：25 帧约 1 秒，124 帧约 5 秒。帧数越多，显存与推理时间线性增长。

--steps 与 --cfg-scale：速度与质量的平衡

H3 是蒸馏模型，官方示例仅需4~8 步即可出片。--cfg-scale必须显式写成 1.0，这是第二个必填参数——H3 是无 classifier-free guidance 的蒸馏模型，默认值 7.0 会导致直接中止报错。

--backend te=cpu：第三个必填参数

--backend te=cpu把约 12GB 的文本编码器放到 CPU 上运行，避免挤占显卡显存，这是本仓库 README 明确要求的默认配置。

--diffusion-fa：Flash Attention 加速

开启 Flash Attention 可显著降低注意力计算的显存与耗时，建议一直加上。

--output：输出文件

输出支持.webm等格式，直接指向out.webm即可，生成结果自带音轨。

--offload-to-cpu：小显存救星

如果上述配置仍然显存不足，追加--offload-to-cpu把部分层卸载到 CPU 换显存，代价是速度下降。

量化等级怎么选：从 Q2_K 到 Q8_0

UD-前缀表示动态混合精度版本，非均匀量化能效比更高；普通档则全程使用同一精度。新手建议从UD-Q2_K_XL+Q2_K_M文本编码器组合开始，显存足够再升档。

实用技巧：三个必填项之外的调参心得

1. 固定 seed 复现效果：示例中 seed 11 是官方验证过的参数组合（960x544、124 帧、8 步、guidance 1.0），先照抄再微调。
2. 控制变量法调参：先固定分辨率与步数，只调 prompt，确认画面风格后再动分辨率。
3. 显存不够时的降级顺序：降分辨率 → 减少 video-frames → 换更低的量化档 → 最后才加--offload-to-cpu。
4. 音频是模型输出的一部分：生成的.webm自带立体声，无需任何后期配音工具。
5. 两个去噪器切换零成本：文本编码器与 VAE 共享，只需多下载一个去噪器文件。

常见问题（FAQ）

问：报错说 cfg-scale 不能大于 1.0？答：H3 是蒸馏模型，务必显式写--cfg-scale 1.0，不要依赖默认值。

问：--mode不写会怎样？答：sd-cli 会按图片模式解析 prompt 并立即报错，所以--mode vid_gen必须显式声明。

问：生成的是无声视频？答：确认同时传入了--audio-vae minimax_h3_audio_vae_fp32.safetensors，否则不会生成音轨。

问：显存只有 8GB 能跑吗？答：可以，用UD-Q2_K_XL+Q2_K_M，分辨率降到 640x384、帧数降到 25，必要时再加--offload-to-cpu。

许可证提醒

使用前请务必阅读仓库内的LICENSE与NOTICE文件：本模型采用 MiniMax H3 Community License Agreement，对适用区域有明确限定；GGUF 文件属于量化后的 Model Derivatives，NOTICE中已逐项列明修改内容与归属说明。这不是 MiniMax 官方产品，也未经 MiniMax 背书。

现在就去 clone 仓库，用第一条 sd-cli 命令生成你的第一个"带声音"的视频吧！🎬

【免费下载链接】MiniMax-H3-GGUF项目地址: https://ai.gitcode.com/hf_mirrors/unsloth/MiniMax-H3-GGUF