メインコンテンツへスキップ
見出し画像

【Mac・Apple Silicon】MiniMax H3が動かない原因(MPSとint8のVAE)と、Vidubus 1.1で入れた直し方

    ComfyUIでMiniMax H3のテンプレートを開いて、Macだと途中で止まる。そういう方に向けた記事です。

    先日、Vidubusを使ってくれている方から「M5 MaxでMiniMax H3が動かない」と報告をもらいました。原因を調べて、Vidubus 1.1で対応したので、分かったことをまとめておきます。

    Vidubusは、日本語で頼むとローカルのOllamaがMiniMax H3用の英語プロンプトを書いて、ComfyUIで声つきの動画を作るツールです。この記事はVidubusを知らなくても読めるように書いています。どんなツールかは記事の後半で。

    ひとつ先に。私の手元にはMacのGPU環境がありません(手元のMacはM1の16GBで、H3は載りません)。Macで動く部分は、報告をくれた方と、公開されている情報をもとに書いています。そこは「報告では」と断って書きます。

    Macで止まる原因

    MiniMax H3のComfyUI用のモデルは、本体(UNET)と映像のVAEが「int8_convrot」という量子化版で配られています。ファイルが小さく、NVIDIAのGPUなら速い版です。

    このint8版は、計算の中でint8同士の行列演算(aten::_int_mm)を使います。で、MacのGPUを動かす仕組みであるMPS(Metal Performance Shaders)には、この演算がありません。

    本体の方は、2026年9月にComfyUI側で「MPSの時はint8を一度ふつうの精度に戻してから掛ける」経路が入って、動くようになりました。ところが映像のVAEはその修正の外にあって、Macだとここで止まります。

    出典はComfyUIのissue 16284とMiniMax-H3のissue 56です。エラーの名前まで同じなので、Macで止まった方は見覚えがあると思います。

    VAEとは何か

    VAEは、生成モデルが作った「設計」を目に見える映像に現像する部品です。H3の本体はピクセルを直接描いていなくて、小さく圧縮した潜在表現の上で動きを作ります。最後にそれを画素に戻すのがVAEです。

    int8版は軽い現像機、fp16版は標準の現像機、くらいの理解で大丈夫です。画像生成をやっていた方なら、VAEを差し替えると色や細部が変わる、という話と同じものです。

    Macでの動かし方(報告ベース)

    映像のVAEをfp16版に替えます。公式のComfy-Org/MiniMax-H3に「vae/minimax_h3_video_vae_fp16.safetensors」(5.21GB)があるので、これをComfyUIのmodels/vaeに置いて、ワークフローのVAEをこちらにします。

    報告をくれた方(M5 Max)は、これで動いたとのこと。MacでH3を回している公開リポジトリ(Bambushu/minimax-h3-mac)も、映像VAEはfp16、音声VAEはfp32の組み合わせです。

    ComfyUIは新しい版に。本体のint8がMPSで通るようになったのは9月の修正からで、それより古いと本体の方で止まります。

    メモリは、報告では48GB以上が目安です。Hugging Faceの議論では、M4 Maxの64GBで動いた報告と、M3 Maxの32GBでVAEのところで落ちた報告があります。Macはユニファイドメモリなので、VRAMの壁はありませんが、本体だけで20GB台を使います。

    Vidubus 1.1でやったこと

    報告をくれた方は、Vidubusで英語プロンプトを作って、それをComfyUIに貼って回していました。1.0ではVAEが固定だったからです。

    1.1で、動画モデルに「MiniMax H3 fp16」の行を足しました。違いは映像のVAEだけ。シンプルモードとこだわりモードの両方で選べて、選んだ行は画面が覚えます。Macの方は、①の動画モデルを「MiniMax H3 fp16」にしてください。

    画像
    シンプルモード。①の「動画モデル」を開いてMiniMax H3 fp16を選ぶ
    画像
    こだわりモードの③。同じく①の「動画モデル」をMiniMax H3 fp16に
    画像
    設定のモデルの確認(fp16だけ入っている状態)

    ComfyUIのテンプレート集が少し古い版だと、映像のVAEをfp16の名前で落とすことがあります。これまでは「1本足りない」と出ていたのですが、1.1からはfp16の行を選べばそのまま作れる形です。

    細かい変更は使い方サイトの変更履歴に。

    int8とfp16で、何が変わるか

    手元のRTX 5070 Ti(16GB)で、同じseed・同じ依頼文でint8とfp16を1本ずつ作って比べました。2組あります。

    15秒の動画(吹奏楽部)

    こだわりモードで作ったものです。設定はこちら。

    頼んだ日本語:

    吹奏楽部のシーン。汗ばむ夏の午後、暑いからという理由で紺色の光沢スクール水着姿でハイソックスを履いてるフェチな姿の女子生徒が座ってユーフォニアムの演奏中。全身がうつる俯瞰的アングル、彼女の顔と汗、お尻、ユーフォニアムの手つきをカットを切り替えて映す。
    そこに男子部員が教室に入ってくるがきづいていない、男子部員は驚いて凝視。
    演奏が終わり男子部員に気づいて恥ずかしがり赤面、「ちょっと見ないでエッチ!」と叫ぶ。

    • 英語プロンプト: Ollama(gemma4:12b-it-qat)が作成

    • スタイル: アニメ / BGM: おまかせ

    • 解像度: 864×480(0.4MP)/ 15秒 / turboなし(20ステップ)/ seed 17217672219670

    • 動画モデル: MiniMax H3 = 790秒 / MiniMax H3 fp16 = 820秒

    上がint8、下がfp16です。00:01のような数字は動画の中の時刻です。

    画像
    00:01 int8
    画像
    00:01 fp16
    画像
    00:06 int8
    画像
    00:06 fp16

    目の周りを3倍に拡大したものです。左がint8、右がfp16。

    画像
    00:06 目の周りを3倍に拡大(左 int8 / 右 fp16)
    画像
    00:12 int8
    画像
    00:12 fp16
    画像
    00:12 顔を3倍に拡大(左 int8 / 右 fp16)

    5秒の動画(屋上のヒロイン)

    こちらはturboあり。設定はこちら。

    頼んだ日本語:

    放課後の学校の屋上。赤いリボンで髪を結んだ銀髪のセーラー服の女の子が、手すりにもたれて街を見ている。風で髪が揺れ、振り向いてにっこり笑い、「今日も、いい天気だね」と言う。遠くの街の音と、やわらかいギターの音楽。

    • 英語プロンプト: Ollama(gemma4:12b-it-qat)が作成

    • スタイル: アニメ / BGM: おまかせ

    • 解像度: 864×480(0.4MP)/ 5秒 / turbo(6ステップ)/ seed 20261018

    • 動画モデル: MiniMax H3 = 56秒 / MiniMax H3 fp16 = 62秒

    画像
    00:01 int8
    画像
    00:01 fp16
    画像
    00:03.5 int8
    画像
    00:03.5 fp16
    画像
    00:03.5 顔を3倍に拡大(左 int8 / 右 fp16)

    結果

    見た目は、並べても見分けがつきません。同じseedなので構図も動きも同じで、拡大しても線とハイライトは一致しています。数値にすると、画素の平均の差は255段階で1.2〜1.7、PSNRで39〜42dBです。目で分からない程度の差、という温度感です。

    時間は、15秒で4%ほど、5秒で6秒ほどfp16が長い。5秒の方は5.2GBのVAEを読み込む分が入っていて、2本目からは同じになります。

    画像
    動画1本にかかる時間(int8とfp16・同じ依頼・同じseed)

    なので、NVIDIAの方は今まで通りint8で大丈夫です。fp16はMacと、fp16のVAEしか入っていない環境のための行、と思ってください。ファイルの大きさだけ、2.8GBと5.2GBの違いがあります。

    私は最初、fp16の方が1.4倍遅いと思い込んでいました。別の日のRTX 5090の記録と比べていたせいで、同じGPUで並べたら差はほぼありませんでした。ベンチマークは同じGPUで比べないと駄目ですね。1.1の生成履歴は、まず接続先を選んでから比べる形に直しました。

    Macのメモリが足りない時

    手元のMacが16GBや32GBなら、RunPodに置く手があります。時間課金のクラウドGPUで、ComfyUIとH3を起動時に自動で入れるテンプレートを公開しています。私もMacからこの形で動かしました。

    Vidubusとは

    ここまで読んでくれた方に、Vidubusの話を少し。

    日本語で頼むと、ローカルのOllama(Gemma 4)がMiniMax H3用の英語の台本を書いて、ComfyUIで声つきの動画を作ります。英語のプロンプトも、ターミナルも要りません。上の2本の動画も、頼んだのは上に載せた日本語だけです。

    画像
    コンセプトアート(日本語で書ける)

    題材に迷ったら「提案」で日本語の依頼文を出してもらえますし、キャラを登録して同じ人物を何カットにも出せます。作った動画はギャラリーで見返して、好きな場面を静止画で残せます。この記事の静止画もそれで切り出しました。

    手元に高性能なPCが無くても、上のRunPodの形で動きます。

    画像
    コンセプトアート(手元に高性能PCがなくても)

    紹介動画です。

    使い方は無料のサイトに全部載せています。

    最後に

    Macでの動作は、まだ報告ベースです。1.1を試した方がいたら、③が最後まで通ったか、かかった時間と一緒に教えてもらえると助かります。分かったことはこの記事に追記していきます。

    Vidubusの販売記事はこちらです。1.1のzipに差し替えてあります。

    Zimoto Creative Studioとメンバーシップ

    Vidubusは、私が作っているローカルLLMのツール群の動画担当です。ネタを広げるMycelink、小説を書くInkubus、絵を描くPixubus、そして動画のVidubus。この4つをまとめてZimoto Creative Studioと呼んでいます。どれも手元のPCだけで動きます。

    画像
    Zimoto Creative Studioの4匹

    それぞれの紹介と販売はこちらです。

    全部つなげると、アイデアから本や動画まで、あなたのパソコンの中だけで作品になります。

    画像
    すべては、あなたの想像を作品にするために

    4つとも、メンバーシップに入っていれば手に入ります。続きの改善も、メンバーシップから出していきます。ツールを2つ以上使うなら、メンバーシップのほうが早いです。


     
     
    ローカルLLMで小説・イラスト・動画を作りたい人に、ツールと作り方を届けます。"オタクとしての創作AI活用"が中心。小説のInkubus、イラストのPixubus、動画のVidubusは自作。OllamaとComfyUIは自宅のGPUで実機検証。メンバーシップは200人を突破。

    あなたへのおすすめ