MaxMini H3公開、2K動画と12参照ファイルで拓く新映像生成

この記事のまとめ

MiniMax H3の公開により、テキスト・画像・動画・音声をひとつのまとまりとして扱う映像生成が身近になりました。2K解像度と最大12ファイルの参照、4〜15秒の生成尺、同じ処理で作られるステレオ音声が特徴で、Hailuo AIと開発者APIから利用できます。ここでは、公開仕様の中身と使い方の要点を先にまとめます。

2026年7月31日にMiniMax H3が公開され、Hailuo AIと開発者APIから使えます。
短辺1440pの2K・24fps・4〜15秒の生成に対応し、21:9から9:16まで幅広い比率を扱えます。
画像9・動画3・音声3の合計12ファイルまで参照でき、32kHzステレオの音声を同時に生成します。
H3-Context-IR・H3-Base・H3-Regenerate-2Kという3モジュールで動きます。

MaxMini H3公開の概要

公開日と提供チャネル

まず、公開日と提供チャネルを押さえておきます。

MiniMax H3は2026年7月31日に公開されました。同じ日にByteDanceがSeedance 2.5を中国の一般利用者向けに提供したのに対し、MiniMaxはH3をダウンロードしてローカルで動かし、自由に調整できる形で出しています。提供チャネルは、消費者向けのHailuo AIと開発者向けAPIの2つが同時に始まり、モデルウェイトの公開も数日以内に予定されているとされました（参照*1）。

3つの入口が用意された点が、この公開の大きな特徴です。ブラウザから気軽に試したい人はHailuo AIを、システムに組み込みたい開発者はAPIを、手元の環境で動かしたい人はウェイトを選べます。私が生成AIツールを評価するとき、まず「自分の業務にどの入口が合うか」を確認することにしています。用途に合わせて選べる設計になっているので、目的に近い入口から始めるのが得策です。

モデルの位置付け

H3の位置付けを一言で言えば、汎用のオムニモーダル生成システムです。

MiniMax H3は汎用のオムニモーダル生成システムで、テキスト・画像・動画・音声からなるマルチモーダルな文脈をひとつにまとめて理解し、そこから最大2K解像度・最大15秒のネイティブなステレオ音声付き動画を生成できます（参照*2）。生成用・編集用・参照追従用と役割ごとに分かれた複数モデルを使い分けるのではなく、H3はテキスト・画像・動画・音声を単一の文脈として読み取り、そのまま音声つきの完成クリップを返します（参照*3）。

H3は生成領域を全体としてカバーする一つの汎用マルチモーダル動画システムとして位置付けられています（参照*4）。ここから読み取れるのは、入力の種類ごとに窓口を切り替える設計から、まとめて渡して一度に仕上げる設計へと軸が移っているということです。私自身、複数のAIツールを業務に使う中で、工程の切り替えコストが積み重なると作業効率が落ちると感じてきました。単一の文脈で処理が完結するこの方向性は、実務的に意味があると考えています。

公開仕様の全体像

2K解像度と24fps

まず、判断に直結する数字から押さえます。

H3は解像度の指定に幅があり、既定では短辺が768ピクセルに設定されます。2K解像度の出力はH3-Regenerate-2Kで実現される段階構成になっています（参照*2）。2Kの中身は、短辺1440pで24fpsの出力とされており、21:9のマスターを作ると横幅はおよそ2976×1248に収まります（参照*3）。

公式の出力仕様表には、2K解像度と4〜15秒の整数尺が明記されています（参照*5）。ここでいう2Kは短辺1440pのことなので、いわゆる4Kとは別物です。まずは短辺768pで下書きし、必要に応じて2Kに引き上げるという二段構えを覚えておくと、コストと画質のバランスを取りやすくなります。生成AIツールを使い倒す上で、スペックの数字が何を指しているかを正確に把握しておくことは、期待値のズレを防ぐ上で欠かせません。

4〜15秒とアスペクト比

次に、尺と画面比率の自由度を把握します。

公開仕様では、生成尺が4〜15秒の整数、対応するアスペクト比は21:9・16:9・4:3・1:1・3:4・9:16などを含む幅広い比率とされています（参照*2）。H3のネイティブ生成は最大15秒までで、これはSeedance 2.5の30秒という上限の半分にあたりますが、生成後の追加処理でクリップを伸ばすことはできます（参照*1）。

長い映像は分割して作る前提になります。一度の生成で30秒の長尺を作ることはできませんが、横長のシネマ調から縦長のショート動画まで、同じモデルで比率を切り替えられる設計です。私がSNS向けのコンテンツ制作フローを考えるとき、縦横比の設計を最初に決めておくことで後工程の手戻りが大幅に減ると感じています。尺と比率の組み合わせを先に決めてからプロンプトを設計する流れが自然です。

12ファイル参照とネイティブ音声

参照と音声の仕様も、実務上の判断に直結する重要な部分です。

H3が受け付ける参照ファイルは、画像が9枚以下、動画が3本以下（1本あたり2〜15秒、合計15秒以下）、音声が3本以下（1本あたり2〜15秒、合計15秒以下）で、入力形式をまたいだ合計は最大12ファイルまでとされています。音声は必ず画像か動画とセットで渡す必要があり、音声だけの入力は受け付けません（参照*2）。

出力側では、32kHzステレオの音声を生成でき、アラビア語・中国語・英語・フランス語・ドイツ語・イタリア語・日本語・韓国語・ポルトガル語・ロシア語・スペイン語の11言語で対話が安定して扱えるとされています（参照*2）。生成される各クリップには、映像と同じ処理の中で組み立てられたステレオ音声がプロンプトから直接付いてきます（参照*6）。日本語が対応言語に含まれている点は、国内の実務利用を考える上では見逃せません。参照の枠と音声の条件を踏まえ、素材の内訳を先に決めておくと判断に迷う場面が減ります。

H3を構成する3モジュール

H3-Context-IRの役割

H3-Context-IRは、入力を整える前処理モジュールです。

H3-Context-IRは、入力が複雑になっていく中で、マルチモーダルな指示を深く理解して整え直し、H3が扱いやすい中間表現、すなわちContext Intermediate Representationに変換するための専用システムです。H3-Context-IRは多段のワークフローと複数のホスト型モデル・サービスに依存しているため、今回のオープンソース公開には含まれておらず、公式ワークフローの挙動を再現できるAPIが提供されています（参照*2）。

H3の入り口部分だけはクラウド上の仕組みが必要になります。ローカルでウェイトを動かす場合でも、Context-IRに相当する処理はAPI越しに使う前提です。生成AIの導入支援をしていると、「ローカルで完結する」と思って始めたのに、特定工程だけクラウド依存が残るというケースは珍しくありません。前処理と生成を切り分ける発想を最初に把握しておくことが、H3の使い方を理解する鍵になります。

H3-Baseと2K再生成

H3-BaseとH3-Regenerate-2Kが、映像生成の本体です。

H3-Baseは、H3-Context-IRの出力を受け取って音声と動画を生成するモジュールで、結果を768p解像度で返します。H3-Regenerate-2Kは、その768pの結果を元の文脈と一緒にH3へ戻し、2K解像度で作り直す役割を担います。2K出力については、専用の超解像モジュールを使うのではなく、H3のベースモデル自身が文脈を踏まえた形で低解像度の結果を再生成する仕組みが採られています（参照*2）。

2K出力は従来の超解像とは考え方が違います。トークナイザをH3-VAEという変分オートエンコーダとして書き直したことで高い圧縮率を得ており、2K解像度での実行コストが主要な競合モデルの3分の1未満に抑えられているとMiniMaxは公式発表で述べています（参照*1）。画像を大きく引き伸ばす後処理ではなく、モデル自身が文脈を再読みして描き直す発想です。コスト3分の1未満という数字は、商用利用の採算を考える上で無視できない要素です。ただし、MiniMax自身の発表であることを念頭に置き、実際のタスクで確かめる姿勢は持ち続けるべきだと考えています。

4つの生成モード

テキストから動画（t2va）

t2vaは、テキストだけで映像を作る基本モードです。

モード1のt2vaは、テキストから動画と音声を生成するモードで、ratioが必須項目となり、adaptiveは指定できません。公式ドキュメントの例では、textに「A tiktok dancer is dancing on a drone, doing flips and tricks.」といった内容を渡し、duration=5、resolution=2K、ratio=16:9のように指定する形が示されています（参照*7）。

テキストのみで生成する場合は、画面比率を自分で決める必要があります。縦横のバランスをどう見せたいかを先に決めておくと、後で調整する手戻りが減ります。プロンプトの中身と一緒に、resolutionとratioを先にそろえてから投げる流れが基本です。私がAIツールを業務に使う際、パラメータの設計を後回しにすると出力の評価基準が曖昧になると感じています。最初に条件を決めてから生成する習慣は、どのモデルを使う場合でも有効です。

画像・始終フレームからの生成

画像を起点にする生成では、構図のつながりをどう設計するかが重要です。

画像から動画を作る場合、first_frameというロールで最初のコマを指定し、画面比率は入力画像に従い、ratioは常にadaptiveになります（参照*7）。last_frameというロールで2枚目の画像を追加すると、H3は最初のコマから最後のコマへ移り変わるショットを作ります。この使い方は、2枚が構図を共有していて違いが1つに絞られているときに、モデルが素直に補間できて最もうまく働きます（参照*8）。

H3-Base-FL2VAのFirst-and-last-frameモードは、入力画像を0枚・1枚・2枚のいずれかで受け取り、0枚ならテキストから動画、1枚なら始点または終点から動画、2枚なら始点と終点をつないで動画を作ります（参照*2）。last_frameは無理なく到達できる構図でこそ効きます。始点と終点で構図が大きくかけ離れていると、途中のつながりが崩れやすくなります。

参照からの生成（r2va）

r2vaは、複数素材を組み合わせるモードです。

モード4のr2vaは、参照用の画像・動画・音声を組み合わせて動画を生成するモードです（参照*7）。Omni Referenceモードでは、inputs.referenceImagesに画像を1枚以上渡すと、モデルはそのキャラクター・製品・スタイルを新しいショットへ引き継ぎ、1回の呼び出しで最大9枚の参照画像まで扱えます（参照*9）。参照動画はinputs.referenceVideosに入れ、最大3本まで、1本あたり2〜15秒で指定でき、動かしたいキャラクターはinputs.referenceImagesと並べて渡す形になります（参照*10）。

音声だけを入力にすることはできません。音声を参照に含める場合は画像か動画と一緒に渡す必要があります（参照*2）。r2vaは、素材の入り口を分けながら合計12ファイルの枠内で組み立てるモードです。どの素材にどの役割を任せるかを先に決めてから投げることが、うまくいく条件だと私は考えています。AIに何をさせるかを事前に言語化できるかどうかが、生成品質を左右する場面はここでも変わりません。

公開仕様がもたらすメリットと制約

ネイティブ音声と編集の強み

H3の目立つ強みは、ネイティブ音声と指示ベース編集の2点です。

MiniMax H3は音声をネイティブに書き起こし、各クリップには映像と同じ処理の中で組み立てられた同期済みのステレオ音声が、プロンプトからそのまま付いてきます（参照*6）。編集の場面では、完成したクリップをinputs.referenceVideosに渡し、変更内容をプロンプトで説明すると、指定した変更だけを反映して他の要素は触らないままの同じショットが返ってきます（参照*11）。

うまくいったショットを作り直しなしで直したい場面に向いています。指示ベースの編集は、名前で指定した要素だけを変え、それ以外のフレーム内の要素はそのまま残す仕組みです（参照*3）。映像と音を別工程で組み合わせる手間が減り、修正も1つのモデルの中で完結する構図は、制作工程を短くしたい人にとって実用的な特徴です。私がAI業務導入で繰り返し感じるのは、便利な機能より「工程数が減るか」のほうが現場の評価に直結するという点で、H3のこの設計はその観点で評価できます。

競合モデルとの比較

H3は尺と参照枠の広さでは競合に及ばない一方、音声生成と編集操作の設計で独自の位置を取っています。

参照素材について、H3は1回の生成で画像を最大9枚、動画クリップを3本、音声ファイルを3つの合計12ファイルまで受け付けており、MiniMaxのモデルドキュメントによればSeedance 2.5の50に比べて入力枠は少ないとされています（参照*1）。両モデルを並べると、Seedance 2.5は1回の生成で最大30秒、ネイティブ4K、最大50のマルチモーダル参照、領域単位の編集に対応し、H3は4〜15秒、24fpsのネイティブ2K、画像9・動画3・音声3の合計12ファイル、全出力へのステレオ音声、クリップ全体への指示ベース編集という位置にあります（参照*12）。

公開直後のArtificial Analysisのimage-to-videoアリーナでは、H3は1,185 Eloで、1,196のSeedance 2.0の後ろに位置し、Seedance 2.5はまだランキングに載っていないとされています（参照*12）。何を優先したいかで選び方が分かれる関係です。私がモデルを評価するときは、ベンチマークの数字だけでなく、自分の手元のタスクで実際に動かして判断するようにしています。参照枚数や尺の長さが必須でない用途であれば、オープンウェイトで動かせるH3を試す価値は十分あります。

公開仕様を活かす実践のポイント

参照束ねとキャラ一貫性

参照素材は、役割を明確にした方が結果が安定します。

参照素材はインデックスごとに役割を割り当てるのが基本で、「Image 1をキャラクター、Image 2を製品」のように書き分けることで、それぞれに仕事が与えられます。ラベルのない参照の山は、モデルの中で混ざり合ってぼやけてしまいます（参照*9）。同じキャラクターの単視点画像を6枚送ると、モデルは6人の候補として扱い、平均化してしまいます。一方で、複数視点を1枚にきれいにまとめた合成画像を1枚送れば、同一人物として扱われます（参照*12）。

動画参照でも同じ原則が働きます。「Video 1をモーション、Image 1をキャラクター」のように出典と役割を名前で指定することで、どこから何をコピーするかがモデルに伝わります（参照*10）。素材を増やすより、役割を明確にする方が結果は安定します。これはプロンプト設計全般に言えることで、AIに曖昧な入力を渡すと、モデルは合理的に推測した結果を返しますが、それが意図と一致するとは限りません。ターンアラウンドシートのような合成画像を用意し、ロール名で呼び分ける運用を試してみてください。

音声と編集の指示術

音は瞬間を、編集は残す要素を明示することがコツです。

音声のプロンプトでは、Sound:句の中に「as」「when」「then」のようなタイミングを結ぶ言葉を入れると、効果音が映像の瞬間に紐づき、画に対して落ちてきます。台詞はクリップの尺に収まる長さに抑えるのが基本で、1〜2文なら5秒のショットに合いますが、段落まるごとの分量では急ぎ気味になったり終わりを超えてしまいます（参照*6）。

編集では、指示に書かれていない要素はすべてそのまま残る仕組みなので、最も多い失敗は指定不足になります。細部を守りたいなら、その要素を指示の中の「keep」の側にきちんと名指しすることがポイントです（参照*11）。書き足すべきは細部の描写ではなく、位置と役割の指定です。

おわりに

MiniMax H3の公開は、映像・音声・参照素材をひとつのモデルでまとめて扱えるという方向性をはっきり示しました。2K解像度、24fps、4〜15秒、合計12ファイルの参照、32kHzステレオのネイティブ音声という数字を押さえておくと、制作の見積もりが立てやすくなります。私がAIツールを評価するとき、スペックを正確に把握しているかどうかで、実際に使い始めてからの判断の速さが変わると感じています。

まずはHailuo AIやAPIで小さく試し、参照素材の役割を名前で指定する運用に慣れていくのが有効です。仕様が公開されたことで、手元の目的に合う使い方を自分の環境で確かめられるようになりました。新しいモデルが出るたびに宣伝文句ではなく実際のタスクで確かめる、という姿勢が、H3でも変わらず有効です。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」が、95万部（2026年6月時点）を売り上げる。
（“2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））