MiniMax H3 vs ByteDance Seedance：中国AI動画モデル、1分780円の衝撃価格で競争激化

MiniMax H3、いかにしてByteDanceに挑んだか

MiniMaxはH3を「MiniMax Community License」（商用利用には売上高2,000万ドルの上限あり）の下でオープンソース化することを表明。ByteDanceのクローズドソース戦略を真っ向から打ち破る姿勢を示した。H3はMiniMax独自の「H3-Omni Transformer」を採用し、テキスト・画像・動画・音声を単一の統合フレームワークで処理。一方、Seedance 2.5は拡散モデルをベースに長尺の時間的整合性に特化している。このアーキテクチャの違いは明確な効率性の差となって現れ、H3の2K解像度における1秒あたりのコストは、主流の競合モデルの3分の1未満となっている。

ベンチマーク順位

独立系ベンチマークプラットフォーム「Artificial Analysis」によるH3の評価は以下の通り：

Artificial AnalysisはH3を、音声付き動画編集リーダーボードで1位にランク付け。Eloスコアは1,130（5,043のブラインド比較サンプルによる）。また、音声付きテキスト→動画部門ではEloスコア1,242で2位。

価格戦略

H3のAPI価格は、主要なAI動画モデルの中で最も攻撃的である：

• 2K解像度：1秒あたり0.13～0.14ドル（約1分あたり7.80ドル＝約780円）※MiniMax API経由
• 768p解像度：1秒あたり0.09～0.10ドル（クローズドベータ版）
• 入力価格：画像参照1枚あたり0.04ドル（最初の5枚は無料）、音声参照は無料

競合との1分あたりコスト比較：H3が7.80ドルなのに対し、Seedance 2.0は22.45ドル、Kling 3.0は20.16ドル。2K解像度では、H3の1秒あたりコストは主流競合の3分の1未満。768pでは競合の720p価格の半分以下である。

技術スペック

H3は4～15秒の動画クリップを、ネイティブ2K解像度（2,560×1,440ピクセル）・24fpsで生成。ステレオ音声は後付けではなく、同じ推論パスで同時生成される。テキスト、画像、動画、音声のすべてを単一の統一コンテキストとして入力可能。また、「Video-to-Video（V2V）Motion Transfer」に対応し、ある動画の動きを別の動画に転写することで、より精密なナラティブ制御を実現する。

想定される商用ユースケース

MiniMaxはH3を、様々な業界での実戦投入可能なコンテンツ生成ツールとして位置づけている：

• 広告・ブランディング：指示追随性、正確なテキストレンダリング、動画内でのブランド表現に優れる
• Eコマース：ネイティブ音声付きの商品紹介やプロモーションクリップの作成
• 映画・ストーリーテリング：V2V Motion Transferによる正確なナラティブ制御
• UI/UXデザイン：アニメーションインターフェースの迅速なプロトタイピング
• ゲーム：ステレオ音声と同期した短尺アセットの生成

H3は現在、API（モデルID：MiniMax-H3）およびMiniMaxの消費者向けプラットフォーム「Hailuo AI」で利用可能。モデルウェイトはリリースから数日以内に公開されると約束されている。