【新常識】Turbo LoRAはもう不要！？検閲なしで爆速生成！最新「FastH3 8-Step V2」で映像＆音声を一発出力するComfyUI神ワークフロー配布｜I2V・T2V・Whisper連携

どうも皆さん！傘を持って出た日に限って降らない空の意地悪さを愛しています、 葉加瀬あい です！

MiniMax H3 って、めちゃめちゃきれいな動画は作れるのに、生成時間が長かったり、Turbo LoRA で高速化しようとしたら破綻したり⋯みたいなこと、ありませんでしたか？

いまめちゃくちゃ話題になっているんですけど⋯

実は、そんな悩みをまとめて解決しにきた最新技術が、 FastH3 8-Step V2 です！

以前は Preview（試験利用）版の V1 がありましたが、そこから大幅進化して、いま一気に熱くなっています。

今回は、そのご紹介と、いつものように ComfyUI ハンズオン まで一気にやっていきます！

これ、もしかしたら、次の デファクトスタンダード になるかも⋯と言われている技術でもあります。

（デファクトスタンダードっていうのは、公式が「これ！」と決めたわけじゃないのに、「みんなが使うなら事実上それだよね」ってなる技術のことです！）

記事を読み終わるころには、「画像（またはテキスト）→ 高速で映像＋音声 → 必要なら仕上げ」の流れが、画面つきでわかるようになっていますので、ぜひ最後までお付き合いください！

今回ご紹介する内容

今回は、MiniMax H3 の最新爆速ルート FastH3 8-Step V2 を中心に、ComfyUI 用ワークフロー 「FastH3 爆速ドラフト」 の使い方までご紹介します。
I2V / T2V の切り替え、VLM 自動プロンプト、独自経路のオーディオ入力、RTX Video Super Resolution まで、一通り触れる内容です。

きれいさを優先すると待ち時間が伸びて、速さを優先すると破綻しやすい⋯
そんなジレンマ、みなさんも一度は感じたことああると思うんですけれども、そこで今回は、 速さで回す → 気になるところだけ Face Refine / Perfect Refine / AudioRefine で仕上げる 、という現実的な運用もセットでお伝えします。
ネタバレしすぎず言うと、「全部を最高品質で待たない」のが、いちばん気持ちよくなる使い方です！

ということで今回お話しする内容は簡単にこんな構成で行ってみたいと思います！

• ① FastH3 V2 が何で、なぜいま話題なのか（V1 Preview からの進化）

• ② 速さ／品質のトレードオフと、LoRA・Refine・GGUF までの逃げ方

• ③ ComfyUI ハンズオン（I2V / T2V・VLM・Audio＋Whisper・RTX SR）

動画版はこちらからどうぞ！

まだの方は noteのフォロー をお願いします！

それでは、本日もよろしくお願いします！

FastH3 8-Step V2 とは？

ということでこれ、名前だけ聞くと新しそうなんですけど、やっていることは意外とシンプルです。

https://huggingface.co/FastVideo/FastVideo-FastH3-8-Step-V2

これまで私たちが「いちばん使いやすい組み合わせ」として、

• MiniMax の本体モデル

• 焼き込み式の Turbo LoRA

• VSA という高速化技術

を、それぞれインストールしたり、濃度を組み合わせたりして使っていたんですよね。

FastH3 は、それを ひとつのモデルに焼き込んでパッケージ化 してくれたもの、と考えてもらうとわかりやすいです！
モデルサイズや VRAM を抑えつつ、「ちょうどいい感じ」でサクッと使えるようにしてくれた技術、というイメージです。

裏側では DMD2 蒸留など、ほかの上流技術もいろいろ入っているんですけど、そこはあとに少しだけ噛み砕いて説明します！

ざっくり特徴をまとめると、こんな感じです。

• 8 回の transformer 前向 で、映像＋音声を同時生成

• 訓練時のスパースは 80% sparsity（keep ≈ 10%）

• ComfyUI では、2026年9月中旬あたりから 公式テンプレ＋再パック重みでネイティブ動作 しやすくなった

• カバー範囲： T2VA（テキスト→映像＋同期音声） 、 FL2VA（first / last frame）

• Ref2VA（複数参照）は未蒸留 → キャラ固定ガチ勢は、いまは Base H3 側が安心

日本語の読み上げが苦手？音声ファイルでかなりスムーズに

ちなみに MiniMax H3 は、「日本語の生成が苦手」と言われがちなんですけど⋯
こんな感じで、今回のものでも 音声ファイルをアップ とプロンプトまわりを強化してあげると、

かなり日本語もスムーズに読み上げてくれるようになります！

今回のワークフローでは、音声ファイルをアップロードすれば、そこも自動化できるようにしてあるので、かなり楽です。
ぜひ参考にしてみてください。

音声あり：https://x.com/ai_hakase_/status/2100837073825787913

ブラウザで雰囲気だけ見たい方は、HF Spaces のデモもあります。

FastH3 8-Step V2 Demo (HF Spaces)
https://huggingface.co/spaces/hugging-apps/fasth3-8step-v2-demo

どのくらい変わる？比較テストを見てみよう

「で、実際どのくらい違うの？」という感覚を掴むなら、こんな分かりやすいテストがとても参考になります。

見ていただくとわかると思うんですけど、通常だとちょっとプラスチック感が出たり、肌がテカったり⋯みたいなところが出やすいんですよね。

https://x.com/toyxyz3/status/2100371217517859137?s=20

なので私の個人的なおすすめは、

• SkinTech 系 など、肌まわりを整える LoRA を付け足して生成する

• ドラフトで作った動画は、以前ご紹介した Face Refine / Perfect Refine をまとめたワークフローで仕上げる

この二段構えです！

触ってみて一番思ったこと：速さ／品質のトレードオフ

それで実際、触ってみて一番思ったのは、やっぱり 速さと品質のトレードオフ です。

確かに、ちょっと早い生成だと破綻してしまう可能性もあります。
そういうときは、無理に FastH3 一本で粘るより、

• 映像の破綻 → Perfect Refine / Face Refine

• オーディオが残念 → AudioRefine

で緩和してあげるアプローチが、現実的でおすすめです。

今回のワークフローでは、もともと小さめに生成しやすい Fast 系の結果を、 RTX の Video Super Resolution アップスケール で簡単に高画質化できる構成にもしてあります。
「速さで出して、見た目は最後に持ち上げる」イメージです！

GGUF モデルも選択肢に

ちなみに、今回の普通の INT8 モデルがちょっと合わなかった場合は、 GGUF モデル もチェックしてみてください。

こちらにまとまっています。

コミュニティの見解などでは、 VRAM 12GB や 8GB あたりでも動く という話もあるので、ローカル環境が厳しめでお悩みの方は、ぜひ候補に入れてみてください！

https://huggingface.co/realrebelai/FastH3-V2_GGUFs/tree/main

仕組みをちょっと深掘り

ここだけ技術寄りに言うと、FastH3 V2 は 「Turbo LoRA を後から刺すだけ」系とは別物 です。
モデル自体に、これまでバラバラに組み合わせていたベストプラクティスが焼き込まれています。

Preview v1（4-Step）のころは、ComfyUI 側が実質むずかしい時期もありました。
V2（8-Step）になってから、 公式テンプレで触れる段階 に寄ってきたのが、いちばん大きいニュースです！

使い分けの一言

• ドラフト・量産・テンポ重視 → FastH3 V2

• 品質・参照・顔細部ガチ → Base H3（＋必要なら仕上げ系）

「全部を最高品質で待つ」より、「まず速い方で回して、惜しい一本だけ仕上げる」方が、制作の気分がかなり良くなります！

注意したいポイント

先に、つまずきやすいところだけ置いておきます！

• 難モーション・細ディテール・一部オーディオは、Base より落ちる場面がある

• Ref2VA は未蒸留 なので、複数参照前提の案件は Base 側

• セットアップを雑に流用すると崩れやすい（VSA keep 10% / sigma shift）

• 出たばかりなので、消費者 GPU での体感報告はこれから増える段階

あと、今回のワークフローでは、普通は弾かれる NSFW などのセンシティブ表現にも寄せやすい構成 にしています。
AI の検閲に引っかかりにくい、 自由な生成 もひとつのテーマとして、楽しんでもらえたら嬉しいです！

ということでここからは、その FastH3 爆速ドラフト（I2V / T2V + Audio + RTX SR） を無料AIツールのComfyUIから簡単に使っていく方法についてハンズオンで解説していきたいと思います！

今回のワークフローのポイントは、次の4つです。

1.　 I2V（画像起点）と T2V（テキスト起点）をバイパスで切り替え
2.　 VLM（Gemma 非検閲）で画像から詳細プロンプトを自動生成 （Manual も可）
3.　 Audio 入力＋ Whisper 連携 （通常の MiniMax では FLF2V / I2V 系でやりにくい経路を、独自に通せるようにしています）
4.　 日付付き保存＋ RTX Video Super Resolution で、小さめ生成でも最後に持ち上げやすい

今回もローカル環境やRunpodなどのクラウド環境でも動かせるようにやっていきたいと思います。

ちなみに、初心者の方とか、ComfyUIがちょっと難しそうで自信がないなっていう方のために、こちらでたった1クリックで使い始められる方法を解説しているのでよかったらぜひ参考にしてください！

https://note.com/ai_hakase/n/n9eb2265f98f7

ぜひ、 速さで回して、惜しい一本だけ仕上げる 運用を、一緒に体験してみてください！

ということで、ここからは私のNoteメンバーシップ「 あいらぼ（Ai-Lab） 」の入門者さん限定でやっていきたいと思います！

人数制限 を設けているので、気になる方はお早めに以下のURLから入門して続きをご覧ください！

それでは実際にこちらのワークフローを説明したりお配りしたりしていこうかと思います！

まずは、この先に表示されるNoteの限定リンクから、 「Jupyterノートブック」 と 「ワークフローファイル」 の2つをダウンロードしてください！

• ローカル環境で実行する方 → 「ワークフローファイル」のダウンロードだけで大丈夫です！ただし、セットアップでつまずいてしまった場合は、どちらかの「ipynb」ファイルを参考にセットアップを進めてください。

• 【推奨】 Runpodで実行する方 → 「ワークフローファイル」と「Rp_run_comfyui_hakase_v〇〇.ipynb」をセットでダウンロードしてください！