「H3をオープン化」と聞くと、MiniMaxの動画生成システムを丸ごとローカルで再現できるようになったように見えるかもしれません。実際に2026年8月3日にHugging Faceで公開された中心は、H3-Base――H3のうち、処理済みのコンテキストから768pの映像と同期した音声を生成する段階です。113

つまり、これは価値のあるオープンウェイト公開ではあるものの、ホスト型サービスで示されるH3の全工程をそのまま配布したものではありません。特に、複雑な入力を解釈する前処理と2K向け再生成は別コンポーネントとして残されています。59

公開されたもの：H3-Base

公開の中核であるH3-Baseは、映像と音声を別々に後付け合成するのではなく、同じ生成過程で共同生成するモデルです。その中心にあるH3-Omni-Transformerは、330億パラメータの密（dense）な単一ストリームTransformerです。110

H3は、テキストだけでなく、画像、動画、音声を組み合わせたマルチモーダルなコンテキストを扱うよう設計されています。システム全体としては、最大15秒・最大2K解像度の映像とネイティブなステレオ音声を生成すると説明されています。510

ただし、ここで注意したいのが「33B」という数字です。これは主に生成コアであるH3-Omni-Transformerの規模を指します。実際のパイプラインには、H3エンコーダー、VisualVAE、AudioVAEも含まれるため、運用時に必要なモデル群や計算資源を33Bだけで判断することはできません。1013

H3は3段階のシステム。そのうち公開されたのは1つ

MiniMaxはH3を、次の3モジュールから成るシステムとして説明しています。

• H3-Context-IR：テキスト、画像、映像、音声を含む複雑な指示や参照素材を理解・整理し、生成に適した「Context Intermediate Representation（中間表現）」へ変換する段階。MiniMaxは最終品質に重要だと位置付けています。5
• H3-Base：整えられたコンテキストをもとに、768pの映像と音声を生成する段階。今回オープンウェイトとして公開されたのはここです。513
• H3-Regenerate-2K：2K出力に向けた後段の再生成を担う段階。今回の公開には含まれていません。59

このため、ローカルでH3-Baseを動かせても、公開されている2Kデモと同じ完全なワークフローが再現できるとは限りません。H3全体の仕様としては最大2K・最大15秒が掲げられていますが、公開済みの生成段階は768pです。59

音と映像を「一つの流れ」で生成する設計

H3の特徴は、音声を映像生成の後処理として扱うのではなく、映像とともに生成対象へ組み込む点です。H3-Omni-Transformerは映像・音声を一つのパックされた系列で共同デノイズする単一ストリーム構成を採っています。1

リポジトリの説明では、約130億パラメータがAdaLN関連ブランチにあり、その出力は事前計算・キャッシュできるとされています。10

表現圧縮の部分では、VisualVAEが動画を空間方向に16倍、時間方向に4倍圧縮すると報告されています。トークン化まで含めた設計では、実効的な空間縮小率は32倍です。114

こうした圧縮は動画生成の計算量を扱える水準に抑えるうえで不可欠です。同時に、H3を評価・導入する際には、Transformerのパラメータ数だけでなく、エンコーダーとVAEを含めた全体構成を見る必要があることも示しています。

できることと、H3-Base単体では補えないこと

オープンウェイトのH3-Baseは、ローカル推論、量子化、アダプターの検討、ファインチューニング手法の研究、独自の映像制作ツールへの組み込みに使える出発点になります。

一方で、H3-Context-IRとH3-Regenerate-2Kは含まれません。そのため、複数の参照画像・動画・音声を使う高度な案件では、入力を整理する自前のプロンプト／コンテキスト処理層が必要になり得ます。また、2Kが必須のチームは、H3-Baseのみでホスト型サービスと同等の2K結果を得られると想定すべきではありません。59

API料金とローカル運用の主張は、条件付きで読む

報道ベースでは、2K生成のAPI料金は1秒当たり0.8元とされ、音声入力と最初の5枚の画像参照は無料という条件が伝えられました。1427

ただし、料金は提供地域、サービス、時点、設定で変わり得ます。これは恒久的な世界共通価格ではなく、公開当時に報じられたAPI条件として捉えるのが妥当です。

また、MiniMaxおよびSGLang関連の告知では、特定の比較においてSeedance 2.0の約3分の1のコストとされ、ローカル運用はRTX 5090を2枚、またはRTX 6000を1枚で可能だと紹介されました。2831

これも、ソフトウェア、精度、量子化、オフロードなどの構成に依存する運用上の主張です。誰にとっても成り立つ最低GPU要件ではありません。実運用では、33Bの生成コアだけでなく、エンコーダーやVAEも含めた負荷を見積もる必要があります。13

制作チームにとっての意味

機密性の高い素材を外部APIに出さない選択肢

セルフホストできる環境が整えば、未公開の商品画像、撮影素材、音声アセット、プロンプトを第三者の生成APIへ送らず、組織内の環境で扱える可能性があります。広告制作、EC、映像企画など、知的財産や公開前素材を扱うチームには重要な選択肢です。

ただし、ローカル化しても、アクセス制御、素材の権利確認、生成結果のレビュー、社内ガバナンスが不要になるわけではありません。

独自の制作パイプラインに組み込める

オープンウェイトは、アセット管理、クリエイティブレビュー、レンダリング、ポストプロダクションの仕組みと生成をつなぐ余地を広げます。量子化や用途別の適応も検討できます。

反面、導入前にはライセンスの精査が不可欠です。第三者報道では、米国、EU、英国、韓国におけるローカル利用へ地理的な制約があるとされています。4 商用利用、配布、派生モデル、利用地域の条件は、実装を始める前に必ず確認すべきです。

最も相性がよいのは、短尺の反復制作

実用面では、広告クリエイティブ、ECの商品動画、コンセプト映像、絵コンテ代わりのアニマティクス、SNS向けの試作など、多数の短いバリエーションを反復して作る現場との相性がよいでしょう。

768pで音声まで統合した生成器を社内フローに置ければ、初期の試作と検証の摩擦を下げられます。ただし、完成映像をそのまま自動出力する万能な制作基盤というより、人のレビュー、編集、権利管理を前提にした制作工程の一部として考えるのが現実的です。

結論

MiniMaxが公開したのは、H3の重要な生成段階であるH3-Baseです。330億パラメータの単一ストリームTransformerを中核に、テキスト・画像・動画・音声の文脈から、映像とネイティブなステレオ音声を同時生成する基盤がローカル利用・改変検討の対象になりました。

ただし、公開はH3全体ではありません。入力理解を担うContext-IRと、2K出力用のRegenerate-2Kは非公開のままです。H3-Baseは「完全にオープンな2K動画制作システム」ではなく、カスタマイズ可能な768pの音声統合型動画生成基盤と理解するのが正確です。59

「H3をオープン化」と聞くと、MiniMaxの動画生成システムを丸ごとローカルで再現できるようになったように見えるかもしれません。実際に2026年8月3日にHugging Faceで公開された中心は、H3-Base――H3のうち、処理済みのコンテキストから768pの映像と同期した音声を生成する段階です。113

つまり、これは価値のあるオープンウェイト公開ではあるものの、ホスト型サービスで示されるH3の全工程をそのまま配布したものではありません。特に、複雑な入力を解釈する前処理と2K向け再生成は別コンポーネントとして残されています。59

公開されたもの：H3-Base

公開の中核であるH3-Baseは、映像と音声を別々に後付け合成するのではなく、同じ生成過程で共同生成するモデルです。その中心にあるH3-Omni-Transformerは、330億パラメータの密（dense）な単一ストリームTransformerです。110

H3は、テキストだけでなく、画像、動画、音声を組み合わせたマルチモーダルなコンテキストを扱うよう設計されています。システム全体としては、最大15秒・最大2K解像度の映像とネイティブなステレオ音声を生成すると説明されています。510

ただし、ここで注意したいのが「33B」という数字です。これは主に生成コアであるH3-Omni-Transformerの規模を指します。実際のパイプラインには、H3エンコーダー、VisualVAE、AudioVAEも含まれるため、運用時に必要なモデル群や計算資源を33Bだけで判断することはできません。1013

H3は3段階のシステム。そのうち公開されたのは1つ

MiniMaxはH3を、次の3モジュールから成るシステムとして説明しています。

• H3-Context-IR：テキスト、画像、映像、音声を含む複雑な指示や参照素材を理解・整理し、生成に適した「Context Intermediate Representation（中間表現）」へ変換する段階。MiniMaxは最終品質に重要だと位置付けています。5
• H3-Base：整えられたコンテキストをもとに、768pの映像と音声を生成する段階。今回オープンウェイトとして公開されたのはここです。513
• H3-Regenerate-2K：2K出力に向けた後段の再生成を担う段階。今回の公開には含まれていません。59

このため、ローカルでH3-Baseを動かせても、公開されている2Kデモと同じ完全なワークフローが再現できるとは限りません。H3全体の仕様としては最大2K・最大15秒が掲げられていますが、公開済みの生成段階は768pです。59

音と映像を「一つの流れ」で生成する設計

H3の特徴は、音声を映像生成の後処理として扱うのではなく、映像とともに生成対象へ組み込む点です。H3-Omni-Transformerは映像・音声を一つのパックされた系列で共同デノイズする単一ストリーム構成を採っています。1

リポジトリの説明では、約130億パラメータがAdaLN関連ブランチにあり、その出力は事前計算・キャッシュできるとされています。10

表現圧縮の部分では、VisualVAEが動画を空間方向に16倍、時間方向に4倍圧縮すると報告されています。トークン化まで含めた設計では、実効的な空間縮小率は32倍です。114

こうした圧縮は動画生成の計算量を扱える水準に抑えるうえで不可欠です。同時に、H3を評価・導入する際には、Transformerのパラメータ数だけでなく、エンコーダーとVAEを含めた全体構成を見る必要があることも示しています。

できることと、H3-Base単体では補えないこと

オープンウェイトのH3-Baseは、ローカル推論、量子化、アダプターの検討、ファインチューニング手法の研究、独自の映像制作ツールへの組み込みに使える出発点になります。

一方で、H3-Context-IRとH3-Regenerate-2Kは含まれません。そのため、複数の参照画像・動画・音声を使う高度な案件では、入力を整理する自前のプロンプト／コンテキスト処理層が必要になり得ます。また、2Kが必須のチームは、H3-Baseのみでホスト型サービスと同等の2K結果を得られると想定すべきではありません。59

API料金とローカル運用の主張は、条件付きで読む

報道ベースでは、2K生成のAPI料金は1秒当たり0.8元とされ、音声入力と最初の5枚の画像参照は無料という条件が伝えられました。1427

ただし、料金は提供地域、サービス、時点、設定で変わり得ます。これは恒久的な世界共通価格ではなく、公開当時に報じられたAPI条件として捉えるのが妥当です。

また、MiniMaxおよびSGLang関連の告知では、特定の比較においてSeedance 2.0の約3分の1のコストとされ、ローカル運用はRTX 5090を2枚、またはRTX 6000を1枚で可能だと紹介されました。2831

これも、ソフトウェア、精度、量子化、オフロードなどの構成に依存する運用上の主張です。誰にとっても成り立つ最低GPU要件ではありません。実運用では、33Bの生成コアだけでなく、エンコーダーやVAEも含めた負荷を見積もる必要があります。13

制作チームにとっての意味

機密性の高い素材を外部APIに出さない選択肢

セルフホストできる環境が整えば、未公開の商品画像、撮影素材、音声アセット、プロンプトを第三者の生成APIへ送らず、組織内の環境で扱える可能性があります。広告制作、EC、映像企画など、知的財産や公開前素材を扱うチームには重要な選択肢です。

ただし、ローカル化しても、アクセス制御、素材の権利確認、生成結果のレビュー、社内ガバナンスが不要になるわけではありません。

独自の制作パイプラインに組み込める

オープンウェイトは、アセット管理、クリエイティブレビュー、レンダリング、ポストプロダクションの仕組みと生成をつなぐ余地を広げます。量子化や用途別の適応も検討できます。

反面、導入前にはライセンスの精査が不可欠です。第三者報道では、米国、EU、英国、韓国におけるローカル利用へ地理的な制約があるとされています。4 商用利用、配布、派生モデル、利用地域の条件は、実装を始める前に必ず確認すべきです。

最も相性がよいのは、短尺の反復制作

実用面では、広告クリエイティブ、ECの商品動画、コンセプト映像、絵コンテ代わりのアニマティクス、SNS向けの試作など、多数の短いバリエーションを反復して作る現場との相性がよいでしょう。

768pで音声まで統合した生成器を社内フローに置ければ、初期の試作と検証の摩擦を下げられます。ただし、完成映像をそのまま自動出力する万能な制作基盤というより、人のレビュー、編集、権利管理を前提にした制作工程の一部として考えるのが現実的です。

結論

MiniMaxが公開したのは、H3の重要な生成段階であるH3-Baseです。330億パラメータの単一ストリームTransformerを中核に、テキスト・画像・動画・音声の文脈から、映像とネイティブなステレオ音声を同時生成する基盤がローカル利用・改変検討の対象になりました。

ただし、公開はH3全体ではありません。入力理解を担うContext-IRと、2K出力用のRegenerate-2Kは非公開のままです。H3-Baseは「完全にオープンな2K動画制作システム」ではなく、カスタマイズ可能な768pの音声統合型動画生成基盤と理解するのが正確です。59