生成AI研究室(112) VideoTurko——4GBのGTX 1050 TiでMiniMax H3を動かす。stable-diffusion.cppのメモリパッチで1パス209フレーム(8.7秒)を約57分。「バイト一致は56・141フレームのみ」と正直に書かれた記録

生成AI研究室(112) VideoTurko

(102)FreeVideoは8GB VRAMから、(103)はCUDAなしの静止画。その下、4GBで動画を出した記録が11月19日に公開された。GitHubのREADMEと docs/(計測・パッチ・品質ゲート・ライセンス)から整理する。当方未検証。

目次

先に要点

  1. 何を、何で: GTX 1050 Ti(4GB、Pascal)+RAM 16GBで、MiniMax H3のテキスト→動画。エンジンは stable-diffusion.cpp に自作のメモリ・スケジューリングパッチ(20本)を当てたもの。動かすモデルは33Bの本体ではなく HyperFlow Flash 13.7B の Q4_K_M GGUF(テキストエンコーダは32B Qwen3-VLを別に読む)。
  2. どこまで: 640×384・24fps・6step・cfg 1で、1パス56〜209フレーム(8.7秒)。画像→動画は192フレーム(8.0秒)まで。209フレームでVRAMピーク3,777/4,096MiB、1step約435秒(温まった状態)、合計約57分(計測U209)。RAMは常時約11GB。
  3. 「出力を変えない」が条件: パッチは全部既定OFF。採用の条件は「無改造版とバイト一致」で、一致の証拠があるのは56・141フレームだけ。158〜209は無改造版がこのGPUで動かないため、同じ設定・同じバイナリで走らせたという証拠のみ、と範囲を明記している。
  4. VAEは別プロセスで非タイル復号。同じプロセスでVAEを回すとタイル(近似)復号に切り替わるので、潜在を保存して別プロセスで復号する(209フレームで約174秒)。タイル復号に切り替わった動画は「無効」として捨てている。
  5. 限界も書いてある: インストールスクリプトは「クリーン環境での試験が未了、通るまで動くとは主張しない」。継ぎ足しで長くするのは継ぎ目が見えたので範囲外。「4GBで最初とは主張しない」。
  6. ライセンス警告が丁寧: MiniMax H3 Community Licenseの条項を引用し、V.4「対象外地域(EU・英国・韓国・米国)では、モデル・派生物に加えて生成物(動画・音声)の表示・配布も許諾外」まで書く。(107)で書いた地域条項は「使う場所」だけでなく「出す場所」にもかかる、という読み。
図1: 何を何で動かしたか、フレーム数別の計測、パッチの条件、ライセンス

フレーム数別の計測(docs/OLCUMLER.md、作者の記録)

フレーム長さVRAMピーク1step(温間)備考
1415.9秒3,521MiB—無改造版とバイト一致(sha256)
1586.6秒3,579MiB283秒品質ゲート通過
1757.3秒3,671MiB330秒合計2,293秒、VAE同プロセス154秒
1928.0秒3,701MiB381秒同プロセスVAEはタイルに切り替わり無効→別プロセスで有効
2098.7秒3,777MiB435秒別プロセスVAE(約174秒)で有効。合計約57分
  • 冷えた最初の2stepは温間より25〜30秒遅い。テキストエンコードは約99秒。
  • 作者の時間モデル: 1step ≈ (2×13.83e9×N / 3.3e12 + 4×7168×47×N² / 1.1e12)×1.126×0.945 秒(Nはトークン数。209フレームでN=15,889)。実測と1〜5%で合うとしている。
  • 上限はVRAM 4,096MiBと、最初のブロックの容量ゲート。画面をこのカードに繋ぐと余裕がなくなる(209フレームは残り約320MiB)。

パッチの中身(docs/YAMALAR.md、抜粋)

番号何をするか証拠
0001サンプリング後の動画潜在を保存・読込(VAEを別プロセスで)float32で往復一致
0006MLPのトークン分割の上限(中間テンソルを小さく)56フレームでバイト一致
0007グラフ切断点のテンソルをVRAMでなくホストRAMへ209フレームでバイト鎖一致
0009〜0011入力埋め込みの後でグラフを分ける、容量ゲートで先読みを捨てる・過去の重みを追い出す配置のみ、56フレーム一致
0013〜0015注意ヘッド群・q/k/v・MLPの出力を事前確保した1つのテンソルへ(純コピー)141フレーム一致
0016タイルVAEへの退避を禁止(エラーで返す)退避しないだけ
0018VAE埋め込みを別グラフに209フレーム、タイル0で通過

全部既定OFF。「計算の順序を変えない」ものだけを採用し、結果が変わるものは入れていない、と書いてある。ベースは上流stable-diffusion.cppの特定コミット+ggml。

動かす側の要件(README)

  • Windows 10/11、NVIDIA 4GB以上(試したのは1050 Tiのみ)、RAM 16GB(ピーク約11GB、ほかのアプリを閉じる)、モデル約29.3GiB(リポジトリには含まれず、インストーラがMiniMaxのライセンスを表示してから取得)。
  • 209フレームの時間上限は既定80分。56→209の間は「17k+5」の刻み(56, 73, …, 192, 209)から選ぶ。
  • インストール(kur.ps1)・生成(uret.ps1)のスクリプトは整備中で、クリーン環境の通し試験は未了、と明記。

当方の見方

  • (102)(103)の下に、もう1段ある。8GBのFreeVideo、CUDAなしのncnn、その下に4GBの1050 Ti。動かしているのは13.7Bの蒸留版(HyperFlow Flash)のQ4で、33Bの本体ではない。それでも「H3系の動画が4GBで8.7秒出る」のは事実として書く価値がある。
  • 数字より書き方が参考になる。計測に「実測/計算/推定」のタグを付け、バイト一致の範囲を限り、無効にした走行も載せ、「最初とは主張しない」。当サイトの「書いていないこと」欄と同じ考え方で、こちらの方が徹底している。
  • ライセンスは「出す場所」にもかかる。V.4の引用は、(107)(111)で書いた地域条項の続き。日本で作る分には問題ないが、対象外地域の読者向けに生成物を配る場合は別、という読みになる。法的な判断は当方にはできない。
  • 当方での試走は見送り。手元のGPUは16GBで、4GBの話を再現する意味が薄い。数字は作者の記録として扱う。

書いていないこと・確かめていないこと

  • 当方では動かしていない。生成物の品質も見ていない(作者の品質ゲートは「ノイズ量の目安」で、見た目の評価ではない)。
  • インストールスクリプトの通し動作は作者自身が「未了」としている。
  • 他の4GBカード(1050 Ti以外)での動作は作者も試していない。

出典

  • GitHub: alexturkey/VideoTurko(README、docs/OLCUMLER.md、docs/YAMALAR.md、docs/KAPILAR.md、docs/LISANS_UYARISI.md、2026年11月19日公開・20日更新)。コードMIT、モデル重みは含まない
  • Hugging Face: MiniMaxAI/MiniMax-H3 LICENSE((107)で確認した地域条項)
  • 当方の取得(2026年11月20日 22:50 JST)

関連

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

コメント

コメントする

目次