FusionCow publica Sulphur-3, un ajuste fino de MiniMax H3 para video con audio desde 11,4 GB

Durante años, los modelos abiertos de video han arrastrado el mismo flujo de trabajo incómodo: una red neuronal genera las imágenes, otra se encarga del sonido y, después, todo se une manualmente, a menudo con problemas de sincronización. Por eso merece atención cualquier lanzamiento basado en un modelo capaz de producir video y audio en una sola pasada. Eso es precisamente lo que ha hecho FusionCow: la tercera versión de su ajuste fino Sulphur se basa en MiniMax H3.

Que se ha publicado exactamente

Sulphur-2 era conocido como una opción para generar video sin censura integrada. En la tercera versión, el creador cambió la base por MiniMax H3, que genera el clip directamente con audio. Los pesos principales están disponibles en tres formatos: BF16 con 40,2 GB, INT8 con 20,9 GB y W4A8 con 11,4 GB. Es la escala habitual de cuantización: cuanto menor es el archivo, menores son los requisitos de memoria y mayor el riesgo de perder calidad.

También existe una variante Ref2VA independiente compatible con imágenes de referencia. En términos sencillos, se proporciona una foto o ilustración de un personaje y el modelo intenta conservar su apariencia durante todo el clip. Este es uno de los problemas más persistentes de la generación de video: sin una referencia, el rostro y la ropa tienden a cambiar de un fotograma a otro. Ref2VA se ha publicado en BF16 e INT8; esta última versión ocupa 22,1 GB.

Además, el creador ha publicado una LoRA de 2,4 GB extraída de Sulphur-3. Es una opción práctica si no se quiere descargar el modelo completo y se prefieren aplicar los cambios sobre una base H3 ya disponible.

Ejecucion y hardware

El repositorio incluye el archivo S3_ComfyUI.zip, mientras que la variante con referencias se ejecuta mediante un nodo Ref2VA específico. Hay una salvedad importante: el codificador y el VAE de video/audio de H3 deben descargarse por separado. Por tanto, el espacio real ocupado en disco será superior a la suma de los archivos indicados anteriormente. Si se planea desplegar todo en un equipo propio o en un servidor alquilado, conviene reservar espacio adicional.

Solo hay una prueba aportada por un usuario. La variante Ref2VA INT8, ejecutada en una GPU con 32 GB de VRAM, generó 124 fotogramas a una resolución de 672×384 en aproximadamente 50 segundos, con 20 pasos y sin corrector. El autor de la prueba no indicó qué tarjeta gráfica utilizó exactamente, por lo que se trata de una referencia para una configuración concreta y no de un benchmark. La resolución es modesta: basta para vistas previas y borradores, pero una producción final necesitará reescalado.

Limitaciones y conclusion practica

La primera limitación es el acceso: por ahora, los archivos de Hugging Face se conceden previa solicitud y aprobación manual, y el creador no ha indicado cuándo estarán disponibles para todo el mundo. La segunda es que se trata de un ajuste fino de terceros sin censura. Si se desarrolla un producto de cara al público, el equipo tendrá que responsabilizarse de moderar las entradas y salidas, aplicar restricciones de edad y gestionar los riesgos legales relacionados con el contenido generado, incluido el uso de los rostros de personas reales al trabajar con referencias.

Que implica esto para los equipos de producción? En primer lugar, el lanzamiento debe interpretarse como una señal: la combinación de video y audio en un único modelo, junto con pesos abiertos, ya ha llegado a los ajustes finos de la comunidad, lo que significa que pronto aparecerán variantes más neutrales. En segundo lugar, si se está probando H3 en ComfyUI, W4A8 e INT8 pueden servir para alojar el modelo en 12–24 GB de memoria, aunque conviene comprobar la calidad del audio y de los rostros en cada caso de uso.

En tercer lugar, para proyectos que necesiten un protagonista constante, merece la pena examinar el enfoque Ref2VA: el uso de referencias puede resultar útil tanto en procesos publicitarios como en pipelines de videojuegos.

En resumen, el lanzamiento resulta interesante sobre todo desde el punto de vista técnico, como ejemplo de una base abierta reciente con audio y referencias. Sin embargo, hasta que el acceso sea abierto y existan mediciones independientes, debe considerarse un experimento y no una herramienta lista para producción.