미니맥스 H3를 RTX 4070 노트북에서 돌렸다

미니맥스(MiniMax)가 8월 3일 영상 생성 모델 H3를 오픈웨이트로 공개했다. 회사가 가중치를 푼 첫 영상 모델이다. 같은 날 ComfyUI가 네이티브 지원을 병합했다.

"내 컴퓨터에서 돌아간다"는 말은 영상 모델에서 대체로 과장이었다. 그래서 직접 돌려봤다. 아래는 METAL LAB이 노트북 한 대로 만든 결과물이다. 편집도, 더빙도, 립싱크 보정도 하지 않았다.

소리가 같이 나온다. 그게 이 모델의 핵심이다.

하이루오와 H3 — 미니맥스의 영상 계보

H3를 이해하려면 하이루오(Hailuo, 海螺)부터 봐야 한다. 미니맥스는 2022년 상하이에서 출발한 AI 기업이고, 하이루오는 그 회사의 영상 생성 브랜드다. 소비자용 웹앱 주소부터가 hailuoai.video다. 미니맥스는 회사 이름, 하이루오는 영상 제품군 이름이다.

시점	모델	특징
2024.08	video-01 (하이루오 01)	미니맥스의 첫 AI 네이티브 영상 모델. 720p·25fps·최대 6초
2025.06	하이루오 02	네이티브 1080p. 파라미터 3배, 학습 데이터 4배
2025.10	하이루오 2.3	동작·표정·물리 개선. 출력은 무음
2026.08	H3	3세대. 오픈웨이트 + 네이티브 스테레오 오디오

두 가지가 눈에 띈다. 하나, 2.3 이후 9개월 넘게 새 영상 모델이 없었다. 둘, 하이루오 계열은 지금까지 전부 무음이었고 가중치도 닫혀 있었다. H3는 그 둘을 한 번에 뒤집었다. 이름이 "하이루오 03"이 아니라 "H3"인 것도 그 단절을 드러낸다.

영상과 소리가 한 번에 나온다

H3의 본체는 33B 규모 단일 스트림 옴니 트랜스포머다. 텍스트 인코더로는 Qwen3-VL-32B의 가중치를 그대로 쓰고, 그 50번째 레이어의 은닉 상태를 받아 쓴다. 영상 latent와 오디오 latent를 같은 트랜스포머가 동시에 예측한다.

지금까지 AI 영상 파이프라인은 3단이었다. 영상 모델로 화면을 만들고, TTS로 목소리를 만들고, 립싱크 도구로 입을 맞춘다. 위 영상에는 그 세 단계가 없다. 참조 자료와 한국어 대사를 넣고 한 번 돌린 결과다.

공식 스펙은 이렇다.

항목	값
길이	4~15초
프레임레이트	24fps
오디오	32kHz 스테레오
기본 해상도	짧은 변 768px (2K는 별도 모듈)
대사 언어	한국어 포함 11개

체크포인트는 두 개다. FL2VA는 텍스트에서 영상, 그리고 첫 프레임·끝 프레임 조건을 맡는다. Ref2VA는 참조 기반 생성을 맡는다. Ref2VA에는 이미지 9장, 영상 3개, 오디오 3개까지(합계 12개) 넣을 수 있고, 각 참조에 "이건 얼굴, 이건 목소리, 이건 카메라 무빙" 식으로 역할을 지정한다. 이번 테스트는 두 체크포인트를 모두 받아 I2V와 R2V 워크플로를 썼다.

실측: RTX 4070 노트북, 15초에 45분

항목	값
CPU	AMD 라이젠 AI 9 HX
GPU	RTX 4070 Laptop (VRAM 8GB)
시스템 메모리	32GB
실행 환경	ComfyUI 로컬 (I2V·R2V 워크플로)
모델 파일 용량	약 80GB
출력	832×480 · 15.1초 · 24fps · 스테레오 오디오 포함
파일 크기	0.9MB
생성 시간	약 45분 (1편)
추가 비용	0원

45분은 짧지 않다. 영상 1초당 3분꼴이다. 다만 비교 대상에 따라 의미가 달라진다. 같은 길이의 립싱크 영상을 상용 서비스에서 뽑으면 건당 과금이 붙고, 얼굴과 목소리가 남의 서버를 거친다. 이쪽은 전기값 말고 들어가는 게 없고, 소재가 노트북 밖으로 나가지 않는다.

VRAM 8GB로 33B 모델이 돈 건 ComfyUI 쪽 최적화 덕이다. 전체 파라미터의 약 40%를 차지하던 모듈레이션 가중치를 프루닝해 룩업 테이블로 대체하고, int8 convrot 양자화와 전용 커널을 얹어 메모리 사용량을 풀 정밀도 123.6GB에서 42.5GB로 줄였다. 여기에 동적 VRAM 오프로딩이 붙는다. ComfyUI는 RTX 3060에서도 돈다고 밝혔다.

설치: VRAM보다 디스크가 먼저 막는다

파일	용량
minimax_h3_fl2va_pruned_int8_convrot	21.0GB
minimax_h3_ref2va_pruned_int8_convrot	21.0GB
qwen3vl_32b_minimax_h3_nvfp4_awq (텍스트 인코더)	15.7GB
minimax_h3_video_vae_fp16	5.2GB
minimax_h3_audio_vae_fp32	0.6GB

권장 조합만 받아도 63GB다. 이번 테스트에서 실제로 쓴 용량은 약 80GB였다.

순서는 간단하다. ComfyUI를 0.30.0 이상으로 올리고, Workflow → Browse Templates → Video 에서 MiniMax H3 템플릿을 열면 필요한 파일 목록이 뜬다. 오디오가 안 나오면 VAE 두 개가 모두 로드됐는지, VAEDecodeAudio 노드가 SaveVideo에 연결됐는지 확인한다. 속도가 급하면 Sage Attention을 붙여 대략 두 배까지 당길 수 있다.

아직 안 되는 것

• 2K는 로컬에서 안 나온다. 오픈 배포에 포함된 건 768p를 만드는 H3-Base뿐이다. 2K로 다시 그리는 H3-Regenerate-2K와 입력 전처리 시스템 H3-Context-IR은 공개되지 않았고 호스팅 API로만 쓴다. 이번 결과물이 832×480인 이유다.
• 한 편은 15초까지다. 그 이상은 이어붙여야 한다.
• 라이선스를 직접 읽어야 한다. 아파치 2.0이 아니라 MiniMax H3 Community License다.
• 초기 배포는 full attention만 지원한다. 학습 막바지에 넣은 희소 어텐션은 이번 공개분에서 빠졌다.

정리

숫자 하나만 남긴다면 이것이다. VRAM 8GB 노트북, 45분, 0원. 소리까지 붙은 15초 영상 한 편이 나왔다.