この記事について（広告・アフィリエイトリンクはありません）
使ったソフトとモデルは、すべて無料で入手できます。試した環境の一覧は検証の記録にあります。
ComfyUI-TaoMateHD は、Alibaba の TaoMate-HD（MiniMax H3 を3回の計算で動かす LoRA）を ComfyUI で使うための非公式のノードです。RTX 5090 で、768p・5秒の音声つき動画が17秒、1088p（1920×1088）でも41秒でできました。
Pika H3 Flex の6ステップ（768p で53秒）より速く、カメラが回り込む指示にもよく従いました。ただし、日本語のセリフは5秒に収まらず、途中で切れました。所要時間は30分ほど（LoRA 2.4GB のダウンロードを除く）、難しさは中級です。
先に結論（今回のテスト条件で）
| 方法 | 解像度 | 時間 | 見た目・音 |
|---|---|---|---|
| Pika H3 Flex（6ステップ） | 1344×768 | 53.1秒 | くっきり。セリフは最後まで入った |
| TaoMate（3ステップ） | 1344×768 | 17.1秒 | くっきり。カメラが指示どおり回り込む。セリフは途中で切れた |
| TaoMate（6ステップ、実験的） | 1344×768 | 26.3秒 | 3ステップとほぼ同じ |
| TaoMate（3ステップ） | 1920×1088 | 40.7秒 | くっきり。セリフは途中で切れた |
MiniMax H3 fl2va int8、Sol-Attn（Block Sparse Attention）あり、124フレーム（約5秒）。時間はモデルを読み込んだあとの ComfyUI の実行時間です。GPU のメモリは、どれもほぼいっぱい（約30GB）まで使われました。
TaoMate-HD とは？
TaoMate-HD は、Alibaba の TaoLive AIGC が出した、MiniMax H3 用の3ステップの LoRA と、低い解像度で2回・高い解像度で1回計算する「三段プログレッシブ」の仕組みです。上流の説明は、H20 96GB を8台使う前提でした。
slmonker/ComfyUI-TaoMateHD は、それを ComfyUI の1つのサンプラー（TaoMate HD Progressive Sampler）にまとめた非公式のアダプターです。変換済みの LoRA（TaoMate-HD-preview-comfy、2.37GB）も配られています。2026年11月7日時点のスターは15です。
- 低い解像度（初期値は本来の 0.625倍）で2回、最後に本来の解像度で1回、合計3回の計算
- 文字から動画（T2VA）に対応。参照から動画（Ref2VA）は実験的
- 音声の潜在のマスクで、元の声を残して口だけ合わせる「デジタルヒューマン」の例もある
つなぎ方
- UNETLoader（fl2va int8）→ LoraLoaderModelOnly（TaoMate-HD-preview-comfy）→ ModelAttentionBackend → Block Sparse Attention（sol-attn）
- MiniMaxH3ImageToVideo（プロンプト・大きさ・長さ）
- TaoMate HD Progressive Sampler（model、positive、latent、steps 3、cfg 1.0、low_scale 0.625）→ LTXVSeparateAVLatent → 映像と音声のデコード
作者の例は、KJNodes のプレビュー用のノードと、別の統合モデルも使っています。今回はそれらを外し、H3 標準の fl2va int8 と ComfyUI 標準のノードで組みました。
比べた結果
作者の例のプロンプト（工業的なスタジオで、女性が金属のリングを見せながら話す。カメラは90度回り込む）を、セリフだけ日本語にして使いました。
TaoMate は、3ステップでも顔や服のひだ、リングの形がくっきりしていて、指も崩れませんでした。「カメラが回り込む」という指示どおり、横顔へ移っていきます。Pika Flex は正面のままでした。
6ステップ（2/2/2 に分ける実験的な設定）にしても、見た目の差はほとんどありませんでした。1088p は細部がさらに細かくなり、時間は768p の約2.4倍でした。
セリフが途中で切れた
できた動画の音声を Whisper で文字に戻すと、Pika Flex は「これは画質のテストです。顔と服、指、それから金属のリングをよく見てください。」と最後まで入りましたが、TaoMate は「…それから金属の」で切れていました。TaoMate はゆっくり話す傾向があり、5秒に収まらなかったようです。
導入
cd ComfyUI\custom_nodes
git clone https://github.com/slmonker/ComfyUI-TaoMateHD追加のパッケージは要りません。LoRA を models/loras に入れます。README の制限として、1回のウィンドウ（約5秒・124フレーム）だけ、バッチ1、最初と最後のフレームの指定（FL2VA）は未対応、と書かれています。
H3 と Sol-Attn の使い方は、H3 の導入編とSol-Sampler の記事で説明しています。
商用で使える？
リポジトリの LICENSE は MiniMax H3 Community License そのもので、ノードも同じ条件に従うとされています。EU・英国・韓国・米国は対象外、年商2,000万ドルを超える商用の製品・サービスは MiniMax の事前の書面の許可が必要、再配布ではライセンスと NOTICE の同梱が必要です。
よくある質問（FAQ）
Q. TaoMate-HD とは？
Alibaba の、MiniMax H3 を3回の計算（低い解像度2回・高い解像度1回）で動かす LoRA と仕組みです。ComfyUI では非公式のアダプター ComfyUI-TaoMateHD で使えます。
Q. どれくらい速い？
RTX 5090 で、1344×768・5秒が17秒、1920×1088・5秒が41秒でした。Pika H3 Flex の6ステップ（768p）は53秒でした。
Q. セリフが途中で切れるのは？
TaoMate はゆっくり話す傾向があり、5秒に収まらないことがありました。セリフを短くします。
まとめ
ComfyUI-TaoMateHD は、H3 の 1088p の動画を1分かからずに作れる、今回試した中でいちばん速い方法でした。1回5秒までなど制限はありますが、仕上げの解像度で直接作れるのが強みです。
768p・3ステップで当たりを探し、1088p で仕上げる。セリフは短く。
検証メモ
- 設定：TaoMate は steps 3、cfg 1.0、low_scale 0.625、シード 666（768p の時間はシード 777 の2回目）。Pika Flex は lcm と6ステップの手動シグマ。どちらも pytorch attention ＋ sol-attn（tau 1.3）。
- 時間：最初の1回（モデルの読み込み込み、421秒）は表から外しました。
- 試していないこと：デジタルヒューマン（音声のマスク）、Ref2VA、1088p より大きい解像度、作者の統合モデル、SOL 加速版の例の追加ノード。
