MiniMax H3 Colab 完整教學 2026：用 Google 官方 Colab CLI 把 1–9 張參考圖變成 12 秒帶原生音訊影片，不必自備 GPU

Q: 十一、誰適合用？誰不適合？

**適合**：手邊沒有強力 GPU、想先驗證 H3 效果的人；需要把「參考圖轉影片」接進自動化流程（例如每週為商品產生影片）的人；正在研究「怎麼讓 AI agent 驅動雲端 GPU」的開發者。

想試 MiniMax H3 的影片生成，最常見的卡點不是 prompt，而是顯卡：H3 是重量級模型，本機跑不動、雲端 GPU 又要自己開機器裝環境。2026 年 9 月底出現一支小型開源專案，把這件事整包搬進 Google Colab——你的電腦只負責上傳參考圖與 prompt，實際推論在 Colab 的 GPU 上跑，完成後把 帶原生音訊的 MP4 下載回本機。

這篇要拆解的對象是 killkli/minimax-h3-colab-skill，以及它背後真正的主角：Google 在 2026 年 6 月推出的官方 Colab CLI。這兩件事放在一起，才解釋了為什麼「一支技能腳本」有機會取代過去一整套雲端 GPU 教學。

📌 先講清楚：H3 模型本身（開源權重、2K、原生立體聲、ComfyUI 支援）已經有專文整理，見文末〈延伸閱讀〉。本文聚焦在「怎麼用 Colab 把它跑起來」這個實作層。

一、這支專案是什麼？先看誠實的體檢表

項目	現況（2026-09-30 實查）
儲存庫	`killkli/minimax-h3-colab-skill`
說明	Standalone Codex skill for MiniMax H3 Colab reference-to-video generation
星數 / Fork	81 stars / 8 forks
建立時間	2026-09-26（4 天前）
主要語言	Jupyter Notebook（另有 30KB 的 Python runner）
授權條款	⚠️ 未標示（無 LICENSE）
內含檔案	`SKILL.md`、`scripts/runner.py`、`assets/MiniMax_H3_Turbo_Colab.ipynb`、`run_colab_inference.sh`、`install.sh`、`tests/test_runner.py`

必須先講白的兩點：

這是一個非常年輕、非常小的專案（4 天、81 顆星）。它不是社群驗證過的工具鏈，而是「一個人把可行的做法整理成技能」的成果。適合拿來學習與實驗，但要有「隨時可能改動或停更」的預期。
沒有授權條款。在法律上，沒有 LICENSE 代表預設保留所有權利——你可以讀、可以自己跑，但轉散布或商用前必須先問作者。這點常被忽略，卻是最實際的風險。

二、為什麼現在可行？關鍵是 Google 官方的 Colab CLI

這支技能之所以能成立，靠的不是 H3，而是 Colab CLI（google-colab-cli）——Google 在 2026 年 6 月推出的官方命令列工具，讓你能從終端機直接租用 Colab 的遠端 runtime。

它解決的正是「只會說 bash 的程式」的痛點：過去 Colab 的價值綁在瀏覽器上，而 shell 腳本、CI 流程、以及只能在終端機操作的 AI agent，全都吃不到這份免費／低價 GPU。Colab CLI 把同一批機器用指令吐出來：

指令	作用
`colab new [--gpu T4\|A100\|H100…] [--tpu …]`	租一台新的 VM（開始計費）
`colab exec -f script.py`	在遠端執行本機程式碼
`colab upload` / `colab download`	傳檔案上去、把產物拉回來
`colab install`	在遠端裝套件
`colab usage`	查方案與 compute unit 餘額
`colab stop`	釋放 VM（停止計費）

官方 README 明列支援 T4、L4、G4、H100、A100 等 GPU 與 TPU runtime，並強調它是為「headless 自動化與 AI agent 整合」設計的——這也解釋了為什麼 H3 這種模型會被包成「給 Codex 用的技能」：整條流程都能用 bash 驅動。

官方文件裡有一句心智模型值得畫重點：

一個 session 就是一台租來的 VM 上活著的 Jupyter kernel。colab new 配置一台計費 VM，colab stop 釋放它。除了 24 小時的 keep-alive 上限之外，沒有任何機制會自動回收它。

換句話說：忘記 stop，就會一直燒錢。（後面第八節專門講這一塊。）

三、它怎麼運作？本機只做兩件事

整條鏈路的分工非常乾淨：

本機：準備 1–9 張參考圖 + 一份 UTF-8 的 prompt 文字檔，上傳到 Colab。
Colab GPU：跑 MiniMax_H3_Turbo_Colab.ipynb，用 H3 做 Ref2VA（參考圖轉影片＋音訊）推論。
下載：把產出的 MP4 存回你指定的路徑。

本機不需要安裝 H3、不需要 GPU、不需要下載模型權重——這也是它相對「本機跑 ComfyUI」最大的差別：換來的是每次都重新配置的遠端環境，以及按使用量計費的成本結構。

四、安裝與授權：四步就能跑第一次推論

git clone https://github.com/killkli/minimax-h3-colab-skill.git
cd minimax-h3-colab-skill
./install.sh

uv python install 3.12
uv tool install --python 3.12 google-colab-cli
colab --auth=oauth2 usage      # 第一次會引導 Google OAuth2 授權

幾個容易踩到的細節：

runner 只需要 Python 3.11+，而且只用標準函式庫；但 Colab CLI 本身需要 Python 3.12+。作者用 uv 另外管理 CLI 的 Python，就是為了不污染系統或 Studio 的環境。
安裝路徑：有設 CODEX_HOME 就裝到 $CODEX_HOME/skills/minimax-h3-colab，沒設就是 ~/.codex/skills/minimax-h3-colab。技能名稱叫 minimax-h3-colab。
install.sh 的設計相當穩健：可重複執行、預設不覆蓋既有安裝，而且採「先寫暫存目錄、再原子改名」；要換版本得明確加 --force，舊目錄會被移到帶時間戳的 .backup.* 方便回滾。
它只把 SKILL.md、scripts/、assets/ 複製進 Codex。Git 資料、測試、README、輸出檔都不會進去。

💡 不想裝 Codex 也能用：runner 就是一支普通的 Python 腳本，直接從 clone 下來的目錄執行也可以（第七節的批次指令就是這種用法）。

五、單支影片：命令與環境變數

./run_colab_inference.sh \
  --image /absolute/path/reference_1.png \
  --image /absolute/path/reference_2.jpg \
  --prompt /absolute/path/prompt.txt \
  --output /absolute/path/intro.mp4

行為規則：

--image 可重複 1–9 次，順序固定：第 1 張對應 prompt 裡的 <Picture 1>，第 2 張對應 <Picture 2>，依此類推。
省略 --output 時，MP4 會存到第一張參考圖旁邊，檔名加 _minimax_h3.mp4。
prompt 檔以 UTF-8 原樣上傳，runner 不翻譯、不摘要、不改寫。你寫什麼，模型就看到什麼。

可調的環境變數：

變數	預設	說明
`COLAB_AUTH`	`oauth2`	認證策略，可改 `adc`（若環境已有 Google ADC）
`COLAB_GPU`	`A100`	傳給 `colab new` 的 GPU 型號
`COLAB_HIGH_MEM`	`1`	設 `0` 就不傳 `--high-mem`
`COLAB_EXEC_TIMEOUT`	`3600`	單次 Notebook 執行逾時（秒）
`H3_DURATION_SECONDS`	`12`	影片長度，只能 4–15 秒

例如要一支 8 秒的影片：

H3_DURATION_SECONDS=8 ./run_colab_inference.sh \
  --image /absolute/path/reference.png \
  --prompt /absolute/path/prompt.txt

六、批次推論：一份 manifest 跑完一串影片

H3 的模型載入很貴，一支一支跑等於每次都要重新載入模型。正確做法是把所有工作寫進同一份 jobs.json，讓它們共用同一個 Colab session 與已載入的模型狀態：

{
  "jobs": [
    {
      "id": "intro",
      "title": "Presenter introduction",
      "reference_images": ["/abs/girl-front.png", "/abs/girl-side.png"],
      "prompt_file": "/abs/intro-prompt.txt",
      "duration_seconds": 8,
      "output_name": "intro"
    },
    {
      "id": "demo",
      "title": "CLI demo",
      "reference_images": ["/abs/girl-front.png"],
      "prompt": "A concise Ref2VA prompt referring to <Picture 1>.",
      "duration_seconds": 12,
      "output_name": "demo"
    }
  ]
}

python3 scripts/runner.py batch \
  --manifest /absolute/path/jobs.json \
  --gpu A100 --timeout 10800 \
  --output-dir /absolute/path/outputs \
  --progress /absolute/path/outputs/progress.json

這個 runner 的幾個設計值得肯定：

建立 session 之前先驗證所有本機輸入（檔案不存在、prompt 空白、時長越界，都不會浪費一次 VM 配置）。
逐工作上傳圖片與 prompt → 執行 Notebook → 下載並驗證 MP4 → 再處理下一項。
後續工作失敗時，已完成的輸出仍會保留。
自己建立的 session 會在清理階段停止，即使中途逾時或出錯也會嘗試停掉；若是重用既有 session，則需要 --stop-on-complete 才會停。

七、Prompt 與圖片規則：`<Picture N>` 是整件事的核心

這套流程最需要理解的，是 「檔案」與「主體」的對位：

每個工作需要 1–9 張非空白本機參考圖，順序固定。
<Picture N> 只依上傳順序對應，不會自己去猜哪張是主角。
prompt 不可引用超過該工作圖片數量的 <Picture N>（只有 2 張圖卻寫 <Picture 5> 就是錯的）。
每支影片長度限制 4–15 秒。
對話要用 <d>[Chinese] …</d> 這種寫法放在對應的分鏡裡。

若你的程式需要組合出導引式 prompt，runner 內建 compose_ref2va_prompt helper，會產生 subject_definitions、summary、retention_analysis、有順序的 shot 區塊、overall_soundscape 與 non_diegetic_music 等欄位——這正好對上 H3 官方 prompt 指南的結構。寫 prompt 前建議先讀 MiniMax 官方的 Ref2VA 指南，能省下大量來回。

⚠️ 補充一個容易混淆的點：H3 模型本身支援的參考素材比這支技能更廣（官方 Ref2VA 可吃 ≤9 張圖、≤3 段影片、≤3 段音訊）。這支技能的 runner 只處理圖片。要混合影片／音訊參考，得自己改。

八、最容易被忽略的成本陷阱：session 是計費 VM

這是本文想強調最多次的一段。

事實	說明
`colab new` 就開始計費	一台 VM 被配置出來就開始消耗 compute units，不是「跑完才算」
沒有自動回收	官方原文：除了 24 小時 keep-alive 上限，沒有任何機制會自動釋放
因此必須明確 stop	`colab stop`，或批次流程的清理階段（這支 runner 有做）
免費額度不可靠	免費用戶的 GPU 是「有就用、不保證」，session 上限約 12 小時、閒置約 90 分鐘斷線
付費方式	官方 Pay As You Go 為 $9.99 / 100 compute units；Pro+ 月費 $49.99。A100 的實際折算各家估算落差很大（約 $1.5–$3.5/小時）

關於價格，這裡刻意不給單一數字：Colab 不公布固定 per-GPU 時價，而是用 compute unit 動態計價，不同來源換算出來的 A100 時價差距超過兩倍。要抓預算，請以你自己帳號的 colab usage 實際扣抵為準。

實務建議：批次跑之前先 colab usage 看餘額；跑完務必確認 session 已停止（colab sessions）；不要把 colab exec 逾時當成「機器掛了」就重跑——官方明確提醒逾時不等於遠端 kernel 已停止，它可能還在算，盲目重試只會變成兩倍成本。

九、安全與隱私：OAuth 憑證絕對不要進 repo

這支專案的 README 特別強調、也值得所有人記住的一條：

不要把憑證、Token 或瀏覽器狀態放進儲存庫、prompt 或工作 manifest。

原因很實在：prompt 是原樣上傳到遠端的，manifest 也常在團隊間傳來傳去。一旦 OAuth token 混進這些檔案，等於把它交給了任何看得到那份檔案的人。Token 交給 Colab CLI 自己的本機設定存放就好。

十、限制與風險（務必先讀）

限制	影響
專案僅 4 天、81 星、無授權條款	不宜直接商用或再散布，改動風險自負
Colab CLI 只支援 Linux / macOS	⚠️ Windows 目前不支援，Windows 使用者要先想辦法（WSL 或改用其他路徑）
GPU 配置不保證	有 compute unit ≠ 一定配得到 A100；高記憶體 runtime 更是看運氣，作者也要求「配置失敗要老實回報」而不是硬重試
只支援圖片參考	模型本身能吃影片與音訊參考，這支 runner 不行
依賴 Colab 服務條款與配額	你的產能上限由 Google 的方案決定，不是由你的機器決定
遠端環境每次重建	不像本機 ComfyUI 那樣有穩定的可重現環境

十一、誰適合用？誰不適合？

適合：手邊沒有強力 GPU、想先驗證 H3 效果的人；需要把「參考圖轉影片」接進自動化流程（例如每週為商品產生影片）的人；正在研究「怎麼讓 AI agent 驅動雲端 GPU」的開發者。

不適合：需要大量、穩定、可預測成本的產線（長期算下來，租固定 GPU 或自架更划算）；必須在 Windows 上跑的人；需要混合影片／音訊參考的專案。

結語

這支專案真正有價值的，不是它 30KB 的 runner，而是它示範了一種正在成形的分工：把「貴的算力」外包給雲端、把「流程控制」留給本機的腳本或 agent。H3 負責生成，Colab CLI 負責出機器，runner 負責把工作排好隊、跑完、收乾淨。

而在這條鏈路裡，最需要人類紀律的其實是最無聊的一件事：記得關機器。

資料來源

專案儲存庫：killkli/minimax-h3-colab-skill（README / README.zh-TW / SKILL.md，2026-09-30 讀取）
Google 官方：Introducing the Google Colab CLI、googlecolab/google-colab-cli（含官方 colab-operator 技能說明）
套件頁：google-colab-cli on PyPI
方案價格：Colab Paid Services Pricing
MiniMax 官方 prompt 指南：MiniMax-H3 Ref2VA 影片 prompt 寫作指南