MiniMax DesignはH3を「動画生成AI」から編集可能な制作ワークフローへ変える

MiniMax Designは、MiniMax H3に別のプロンプト入力欄を足しただけの製品ではない。自然言語のブリーフや企画書を起点に、脚本、絵コンテ、ビジュアル素材、台詞、音楽、動画生成、編集、字幕までを一続きの工程として扱う「制作レイヤー」だ。生成結果をその場限りのクリップとして受け取るのではなく、途中の判断や素材を確認し、必要な箇所だけ修正しながら完成品へ進められる点に本質がある。91418

H3が担うマルチモーダルな基盤

MiniMax H3は、テキスト、画像、動画、音声を同一のコンテキストで扱う汎用マルチモーダル動画モデルだ。動画とともに、音声、効果音、音楽をネイティブステレオで生成でき、これらを後から別々に重ねるのではなく、1回の生成パスでモデル化する。15

映像制作に必要なのは、動く画だけではない。キャラクターの一貫性、台詞、効果音、テンポ、カメラ、参考素材、既存映像への編集など、複数の要素を同時に成立させる必要がある。H3は、こうした視聴覚の入力と出力を一つのモデルで扱い、人物、物体、シーン、音、リズムを多面的に編集することを目指している。117

ただし、H3単体で制作工程全体が自動的に整理されるわけではない。Designが加えるのは、これらの能力を再現可能な制作プロセスへまとめるための構造だ。

ブリーフを「編集可能な制作グラフ」に変える

Designの大きな変化は、孤立した生成結果から、途中の素材が見える連鎖型のワークフローへ移行することにある。

典型的な流れは次のようになる。

1. 依頼を理解する。 メインエージェントが、動画の形式、物語、対象 audience、スタイル、必要な素材を読み取る。
2. 作業を分解する。 脚本、ショット設計、キャラクターや背景の参考素材、画像、動画、音楽、音声、編集、字幕などにタスクを分ける。918
3. 機能を割り当てる。 モデル、Skills、エージェントノード、ワークフローノードを組み合わせ、案件に合った生成経路を選ぶ。914
4. 素材をつなげて生成する。 プロンプト、キーフレーム、画像、動画、台詞、音楽などをキャンバス上で関連付ける。
5. 途中の判断を修正する。 プロンプト、参考画像、ショット、カメラ設計、編集内容を変更し、その地点から後続の処理を続ける。すべてを最初から作り直す必要はない。91431
6. 納品物にまとめる。 生成したショットを並べ、トリミングし、字幕を加え、完成動画として整理する。91824

ComfyUIのようなノード式キャンバスは、単なる作業画面ではない。どの指示がどの画像やショットにつながり、どの変更が後工程に影響するのかを追跡しやすくする。クリエイターは画素単位の操作だけでなく、意図や判断を中心に制作を進め、エージェントが背後の工程を調整する形になる。

Skillsとノードが制作ノウハウを実行可能にする

Skillsは、特定の制作手法を再利用可能な指示としてまとめたものだ。H3のエコシステムでは、プロンプト作成用のSkillが1つ、スタイル別の動画生成Skillが8つ含まれる公式バンドルが公開されている。各Skillには、その方法に必要なガイダンスや参考資料がまとめられている。4

これにより、エージェントは毎回プロンプトを場当たり的に考えるのではなく、短編アニメーション、ストーリーボード、特定の映像スタイルなど、定義済みの方法に沿って処理できる。ノードは、テキスト、画像、動画、音声、モデル、ワークフロー、エージェントを接続する場所として機能する。

技術志向のクリエイターにとっては、ComfyUIとの親和性も重要だ。H3はComfyUIにネイティブ対応し、テキスト・トゥ・ビデオ、画像・トゥ・ビデオ、ファースト／ラストフレーム、参考素材を使った生成などのワークフローが用意されている。135 Designは、そのワークフローの考え方をエージェント中心の環境に取り込み、既存のComfyUIユーザーがローカル環境や従来のワークフローを使い続けながら、対話でノードや生成パラメーターを編集できる構成も示している。911

つまり、完成イメージを自然言語で説明したい人と、内部のノード構成まで確認・変更したい人の両方を対象にしている。

3Dディレクターブースで「生成前」に試行錯誤する

動画生成で特に難しいのは、空間関係が重要なショットだ。誰がどこに立つのか、どの人物が画面を横切るのか、カメラはどこにあるのか、2人のキャラクターがシーン内でどう関係するのか。文章だけでは、こうした条件が曖昧になりやすい。

MiniMax Designの3Dディレクターブースは、この問題にプリビジュアライゼーション、つまり事前の映像設計で対応する。ユーザーやエージェントは、3D空間にキャラクターの素体を置き、位置やポーズを調整し、カメラを設定し、別の視点から構図を確認できる。構図が決まれば、その空間・動きの参照情報をH3の動画生成に渡せる。92324

この機能が物理シミュレーションの完全性を保証するわけではない。価値があるのは、曖昧な説明を、生成前に確認可能な具体的な計画へ変換することだ。人物同士の関係、画面構成、基本的なカメラの動きを絵コンテ段階で検討できるため、動画を何度も生成して偶然の当たりを待つ負担を減らせる。1420

草原と川を渡る2人のショット

たとえば、2人のキャラクターが草原を歩き、目の前に現れた幅の広い川に向かう場面を考えてみよう。ヒロインは対岸へ跳び、ヒーローは手前の岸に残って川沿いを行ったり来たりする。

文章だけで依頼すると、川の位置、2人の開始地点と到着地点、跳ぶ方向、カメラアングル、ヒーローがアクションとどう関係し続けるかが十分に指定されない可能性がある。3Dディレクターブースなら、こうした関係を先に空間上へ配置できる。H3には明確な演出目標が渡り、もしポーズ、画角、ジャンプ、連続性に問題があれば、キャンバス上で該当ショットだけを調整できる。2325

これは、うまくいかなかった生成に対して「もう一度ランダムなバリエーションを出す」よりも、制作上の意味があるコントロール方法だ。

H3がオープンリリース後に注目された理由

H3は2026年8月3日にオープンソース化され、同日にはネイティブなComfyUI対応も報じられた。開発者やクリエイターが、マルチモーダル動画モデルをローカル環境や独自ワークフローに組み込む道が開かれたことが注目を集めた。35

H3は、動画とネイティブステレオ音声を組み合わせ、複数の参考素材や編集経路を扱える点でも特徴がある。オープンウェイトという位置付け、マルチモーダル設計、拡大するComfyUIエコシステムが、単なるホスティング型の生成エンドポイントにとどまらない魅力になった。156

一方で、画質、動きの滑らかさ、キャラクターの一貫性については慎重な見方が必要だ。提供された比較情報はH3とSeedance 2.5の得意分野の違いを示しているが、H3があらゆる条件で普遍的に優れていると証明する、厳密で独立したテストではない。H3の強みは、視聴覚生成、公開性、ワークフロー拡張性の組み合わせとして捉えるのが適切だろう。Seedance 2.5はクローズドなシステムで、より長い連続テイクや大きな参考素材の上限が特徴とされている。3334

重要なのは「より良いプロンプト」だけではない

H3はマルチモーダルな生成能力を提供する。MiniMax Designは、その能力を実際の制作工程として使える形にする。

キャンバスは構造と追跡可能性を与え、Skillsは繰り返し使える制作手法をパッケージ化する。エージェントとモデルのノードは専門的な作業を連携させ、3Dディレクターブースはレンダリング前の空間設計を担う。自動編集と字幕機能は、ばらばらの生成ショットを納品可能な動画へ近づける。91418

この製品の本当の変化は、プロンプト入力の改善だけではない。作業単位を「単発のクリップ」から「編集可能な制作グラフ」へ変えたことにある。クリエイターはアイデアから始め、中間の判断を確認し、必要な素材だけを修正し、プロジェクトの文脈を失わずに完成作品へ進める。MiniMax Designは、H3を高性能な動画モデルから、制作を組織するための作業環境へ押し広げようとしている。