MiniMax H3解説：テキスト・画像・動画・音声を一つの文脈で扱う動画生成モデル

MiniMax H3は、2026年8月3日に公開されたオープンウェイトのオムニモーダル動画生成モデルです。テキスト、画像、動画、音声を同じコンテキスト（文脈）で扱い、映像とネイティブのステレオ音声をまとめて生成する点が大きな特徴です。12

従来のAI動画制作では、映像を作ってから別のツールでナレーションや音楽、効果音を加え、最後に編集ソフトで同期させる作業が必要でした。H3はこの分断を生成段階で縮め、素材を個別にそろえる作業から、意図や条件を指定し、複数案を生成して最良の結果を選ぶ作業へと重心を移します。

ただし、H3が編集、演出、品質確認まで自動で完了させるわけではありません。キャラクターの一貫性、タイミング、セリフの品質、放送・配信向けの音質などについては、従来どおり人による確認と仕上げが必要です。

MiniMax H3でできること

ComfyUIのドキュメントによると、H3は最大2K解像度、毎秒24フレーム、約15秒の動画出力に対応し、音声、音楽、効果音をネイティブのステレオ音声として同じ生成パスで作成します。2

入力方法は、単純なテキストプロンプトだけではありません。開始フレームや終了フレームを指定したり、画像・動画・音声を参照素材として渡したりできます。映像と音声を別々に作って後から合わせるのではなく、視覚情報と聴覚情報を組み合わせた audiovisual な候補を一度に得られることが、H3の実用上の強みです。

FL2VAとRef2VAの違い

公開されたH3-Baseには、主に2つのバリアントがあります。

FL2VA：プロンプトとキーフレームを中心に生成

FL2VAは、テキストからの動画生成に加え、先頭フレーム、末尾フレーム、または先頭・末尾の両方を条件として使うモードです。プロンプトから新しいシーンを始めたい場合や、2枚の画像の間の動きを作りたい場合に向いています。158

Ref2VA：複数の参照素材を使う生成

Ref2VAは、画像、動画、音声を参照情報として利用するモードです。人物の外見、動き、スタイル、声など、複数の要素を一つの生成設定に反映できます。128

使い分けは比較的明快です。プロンプトやキーフレームを軸に作るならFL2VA、既存のメディア素材を複数組み合わせて結果をコントロールしたいならRef2VAが候補になります。

AI動画制作の「ツール分断」をどう減らすのか

オムニモーダルなワークフローでは、短い動画を作るための次のような工程をまとめやすくなります。

• 台本やシーン説明の作成
• キャラクター画像や背景素材の用意
• 動きやカメラワークの指定
• セリフやナレーションの生成
• 音楽や効果音の追加
• 映像と音声の同期

H3では、プロンプト、開始・終了フレーム、動きの参照、音声の参照を一つのジョブにまとめ、映像と音声がそろった候補を生成できます。28

重要なのは、制作工程そのものが消えるのではなく、工程の比重が変わることです。素材を一つずつ集める時間を減らす一方で、制約条件の設計、参照素材の選択、プロンプトの改善、生成結果の比較、編集により多くの判断が必要になります。これはH3の設計から導かれるワークフロー上の変化であり、すべての出力が完成映像になることを意味しません。

「オープンウェイト＝2K環境をすべてローカルで動かせる」ではない

H3を評価するうえで、ここは特に注意が必要です。

ダウンロードできるのは、FL2VAとRef2VAを含むH3-Baseです。ローカル向けのガイドやモデル関連資料では、Baseチェックポイントの出力は768pとされており、H3-Regenerate-2Kの段階はオープンソース化されず、MiniMaxのホスト型サービスから提供されると説明されています。6912

つまり、「H3は2Kに対応する」という説明と、「公開ウェイトだけで完全な2Kパイプラインをローカル実行できる」という説明は別物です。前者はホスト型の提供全体を指し、後者は公開範囲を過大に表現しています。

一般向けGPUでローカル実行できる？

実行は可能ですが、手軽なデスクトップアプリをインストールする感覚ではなく、量子化やオフロードを前提とした技術的な構成になります。

コミュニティの報告では、量子化ウェイト、システムRAMの利用、レイヤーオフロードを組み合わせることで、12GBクラスのGPUでも一部のH3ワークフローを動かせる可能性があります。最小構成のファイル容量は約42.5GBとされており、VRAMだけでなく、ストレージとシステムメモリも重要です。71043

なお、RTX 5070 TiのVRAMは12GBではなく16GBです。実験的なH3量子化モデルは同GPUでテストされていますが、解像度、ステップ数、オフロード方式、使用するワークフローによって、動作の可否と生成時間は大きく変わります。333439

報告された速度も、一般的なH3ベンチマークとしてではなく、特定構成での事例として見るべきです。RTX 5070 Ti環境で5秒・480pの動画に約160秒、720pで約560秒かかったというコミュニティテストがある一方、別の報告では異なる結果が示され、同カードについて検証済みの時間データはないと明記されています。453438

速度を優先する場合は、ホスト型APIを使えば大容量モデルのダウンロードや、オフロードを組み合わせたローカル環境の構築を避けられます。ComfyUIにはホスト型H3 APIのワークフローも用意されているため、選択肢は「完全ローカル」か「別のクリエイティブアプリ」かの二択ではありません。48

ComfyUIとエージェント型の制作

ComfyUIはオープンウェイト公開と同じタイミングでH3に対応し、テキストからの動画生成、画像やフレームによる条件付け、参照素材からの動画生成に使えるワークフローを提供しています。12

ノードベースで扱えるため、スクリプトや制作自動化との接続もしやすくなります。たとえばコーディングエージェントを使い、プロンプトやシード、参照素材を変えた短い動画を多数生成し、ファイルを整理したり、候補の一覧を作ったりする運用が考えられます。

ただし、並列生成や候補の評価は周辺の自動化システムの機能です。H3自身が独立して「最も優れた動画」を判断するわけではありません。画面構成、連続性、セリフ、内容の適切さについては、人間のレビューが欠かせません。

MiniMax H3の公式料金

MiniMaxの公式従量課金ドキュメントでは、H3の料金を768pが1秒あたり0.08ドル、2Kが1秒あたり0.13ドルとしています。768pから2Kへ再生成する場合は、1秒あたり0.05ドルです。17

したがって、10秒の動画生成料金は次のとおりです。

• 768p：0.80ドル
• 2K：1.30ドル
• 再生成や、課金対象となる参照入力があれば追加料金が発生する可能性あり

「標準的な10秒・2K動画が約0.60ドルから」という説明は、ここで確認できる公式料金表には基づいていません。期間限定キャンペーン、サブスクリプションのクレジット換算、または別サービスの料金を指している可能性はありますが、MiniMaxの標準API料金として扱うには根拠が不足しています。

また、MiniMax Designは、ダウンロード可能なH3ウェイトとは別のサービスです。第三者報道では、H3を基盤または関連技術として使うクローズドなクリエイティブ製品で、独自のクレジットや料金体系を持つと説明されています。18 Designの利用料金と、H3-Baseをローカルで動かすコストを同一視しないよう注意が必要です。

クリエイターにとっての意味

MiniMax H3の意義は、動画制作のすべてを自動化することではありません。これまで別々のツールに分かれていた入力を統合し、テキストで場面を説明し、画像で外見を指定し、動画で動きを示し、音声で声やサウンドの方向性を与えながら、同期した映像・音声の候補を生成できる点にあります。2

短編動画のアイデア出しでは、より多くのバリエーションを試しやすくなる可能性があります。開発者にとっては、オープンウェイトとComfyUI対応が、カスタムパイプライン、バッチ生成、エージェントを使った候補整理の土台になります。

一方で、利用者が判断すべきなのは、ローカル制御と実験の自由度に、相応のハードウェア費用や構築時間をかける価値があるかどうかです。スピードや2K出力を重視するなら、ホスト型サービスのほうが現実的な場合もあります。

最も正確なまとめ方はこうです。H3は生成段階の分断を減らしますが、制作上の判断までは不要にしません。そして公開されたオープンウェイトは、ホスト型2Kシステム全体の一部です。