本文基于双 RTX 4090 本地部署 MiniMax H3 的实测数据，对比了 4V4A 与 8V8A 两种采样配置，以及 PyTorch 原生 Attention 与 Comfy Kitchen Attention（CK）后端的性能差异。结果显示，CK 可稳定提速 17%-24%，而步数多并不总是带来更好的效果，例如真人哭戏中 4 步反而产生更克制的单泪轨。作者提出两级候选制工作流：先用 4V4A+CK 快速筛选，再用 8V8A+CK 精修，并建议对真人表演类镜头进行 A/B 对比。
本文详细介绍了在 Windows 宿主 + Linux Docker 容器环境下，使用双 RTX 4090（48GB）本地部署 MiniMax H3 视频生成模型的完整过程。内容包括本地部署的优势（成本、隐私、可控性）、双 GPU 架构分工、宿主机目录布局、模型文件清单、Docker 容器创建、启动验收、已验证的推理链、速度实测、分辨率与帧数注意事项、最小生成验证流程、复现清单以及生产链必需节点。文章提供了具体的配置命令和参数，并强调了可复现性的重要性。
本文分享了作者在制作AI视频过程中，从使用MiniMax云端API转向本地部署IndexTTS2的实践经验。作者详细对比了两者在中英混排发音、音频格式、离线能力、声线一致性及成本等方面的优缺点，最终选择了IndexTTS2以保障视频工作流的可控性与稳定性。
文章详细记录了作者构建个人 AI 视频生产线的全过程。包括从 MiniMax 云端声音克隆迁移到本地 IndexTTS2 以降低成本和延迟，解决参考音频漂移问题；接入 HeyGen 数字人实现虚拟分身，并通过脚本自动化视频合成与人脸裁切。文章分享了具体的代码配置、生产流程（脚本、配音、字幕、合成）以及避坑指南，适合高频视频创作者参考。
