TongFlow が MiniMax-H3 を統合 — Sol-Attn で高速化

TongFlow が MiniMax-H3 を統合しました。 公式プラグイン tongflow-modal-minimax-h3 が、現時点で最も強力なオープンウェイトの全モーダル動画生成モデルをキャンバスに追加します——テキスト、画像、動画、音声をすべて参照として渡せて、ネイティブのステレオ音声付き動画が出てきます。

何ができるか

MiniMax-H3 は 330 億パラメータのモデルで、1 つのノードファミリーに 6 通りの動画生成モードを統合しています。

• テキスト / 画像から動画へ——最も基本的な使い方。先頭フレームや先頭・末尾フレームでの制御も可能です。
• 全参照動画生成(refs-gen-video)——画像最大 9 枚、動画クリップ最大 3 本、音声クリップ最大 3 本を一度に渡すと、モデルがそれらを織り込んで新しい 1 本の動画にまとめます。
• 音声駆動の動画生成——ポートレート画像と音声トラックを組み合わせると、口の動きが合った動画になります。

キャンバス上では自然な複数選択操作として現れます。参照用の画像や動画をいくつか選ぶだけで、TongFlow のツールバーに「参照動画生成」が直接表示されます。手作業でのノード接続は不要です。

標準で高速

330 億パラメータのモデルを動かすのはタダではありません——ですが、遅くある必要もありません。このプラグインは NVIDIA が 7 月末に発表した訓練不要のスパースアテンション手法 Sol-Attn を土台にしており、kijai によるオープンソースの Triton 実装を使っています。すべてのトークンに対して完全なアテンションを計算する代わりに、重要なブロックだけに動的にルーティングして残りは近似します——ファインチューニングもLoRAも不要で、画質の劣化も確認できませんでした。

結果として、これまで約 5 分かかっていた 5 秒クリップが、3 分足らずで完成するようになりました。画質は変わりません。これらの調整はすべてプラグイン側で済ませてあり、すぐに使える状態で提供されています——パラメータを触る必要は一切ありません。

オープンソースコミュニティに感謝

これらはすべて、コミュニティの積み重ねの上に成り立っています。MiniMax は H3 を API 製品としてリリースした数日後に重みをオープンソース化しました。NVIDIA Labs は Sol-Attn を、動作するコードとともに論文として公開しました。ComfyUI プラグイン界隈で最も多作な開発者の一人である kijai は、その論文をわずか数日で使えるノードに仕上げました。私たちがやったのは、それらをつなぎ合わせてワンクリックで使えるようにしただけです。オープンに開発してくれるすべての人に感謝します——それがあってこそ、TongFlow のようなツールが成り立っています。

無料で始める

プラグインは Modal 上で動作し、新規アカウントには B200 クラスの実機で使える毎月最大 $30 分の無料 GPU クレジットが付与されます。GPU を持っていなくても、実際にクリップを生成するには十分な量です。TongFlow の設定には次の認証情報が必要です:MODAL_TOKEN_ID と MODAL_TOKEN_SECRET。

試してみる

1. プラグインをインストール——TongFlow でプラグインマネージャを開き、tongflow-modal-minimax-h3 をインストール。再起動なしですぐ使えます。
2. 設定に Modal の認証情報を追加します。
3. プロンプト、数枚の画像、あるいは動画クリップをキャンバスに置き、動画モードを選んで実行。初回利用時にプラットフォームが自動で Modal にデプロイします。

これこそ TongFlow が目指すものです。最先端のオープンソースモデルを、配線済みでキャンバスにドラッグするだけで使える状態にする——高速化の作業はすでに済んでいます。

TongFlow は初めてですか? まずは製品紹介をどうぞ。デスクトップアプリは Releases から入手できるほか、ホスト版スタジオ app.tongflow.com ならインストールなしで始められます。役に立ったら、GitHub でのスターが大きな励みになります。

想像を広げ、アイデアを伸ばそう——ぜひお試しを。