📙 MiniMax H3概要

2026/11/19公開 2026/11/19更新

  • 質問者: Shigeru Morifuku

  • 回答者: Claude Opus 5.5

  • 回答日: 2026/11/19

  • 免責: 回答者は AI であり、間違えることがあります。

🟩 Q: MiniMax H3の機能をリストして、何が生成できるの?

MiniMax H3は、テキスト・画像・動画・音声をまとめて入力として扱い、ステレオ音声付きの動画を1回の生成で出力するモデルです。

🟨 生成モード

モード

内容

チェックポイント

テキスト→動画(T2V)

プロンプトだけから動画を生成

FL2VA

画像→動画(I2V)

静止画に動きをつける

FL2VA

最初・最後のフレーム指定

開始フレーム、終了フレーム、またはその両方を固定し、間を補完する

FL2VA

リファレンス→動画(R2V)

参照用の画像・動画・音声から、被写体・動き・声を引き継ぐ

Ref2VA

モードは2つのチェックポイントに分かれています。FL2VAがテキスト→動画、最初のフレーム→動画、最後のフレーム→動画、最初と最後のフレーム指定を担当し、Ref2VAがリファレンスからの生成を担当します。Ref2VAに渡せる参照素材は画像9枚、動画3本、音声3本までで、合計は12ファイルまでです。

R2Vではモーション転写もできます。参照動画からカメラの動きだけを取り出し、被写体や画風は別の素材から持ってくる、という使い方です。

🟨 出力スペック

  • 音声:32kHzのステレオ音声をネイティブで生成し、セリフは11言語に対応しています。TTSやリップシンクを別に用意したり、後処理をしたりする必要はありません。

  • 解像度:標準は短辺768pxです。H3-Regenerate-2Kモジュールを使うと2Kで再生成できます。

  • 長さ・フレームレート:1クリップ最大15秒、24fpsです。

🟨 ローカル実行の要件

  • フル精度では約123.6GBのメモリが必要です。ComfyUIは重みの一部をルックアップテーブル化し、int8量子化と専用カーネルを組み合わせて、必要メモリを66%減の42.5GBまで減らしました。さらにVRAMの動的オフロードを使えば12GBのGPUにも載り、RTX 3060で動いたと報告されています。

  • int8版の重みは19.5GBです。GGUF版とFP8版もあります。テキストエンコーダーにはQwen3-VL-32Bを使います。

  • ComfyUIには公式のT2V、I2V、R2Vテンプレートが用意されています。

🟨 できないこと【注意点】

  • 既存の動画を直接編集する専用機能は、ローカル版の資料には書かれていません。編集に近いことをするなら、フレーム指定かモーション転写を使うことになります。

  • 15秒より長い作品は、クリップをつなぐか別のツールを使う必要があります。

  • ライセンス上、米国・EU・英国・韓国では使えません。

まとめると、ローカルで動くオープンウェイトモデルの中で、音声付き・多言語のセリフ・参照素材を使った生成まで1つでこなせるのはH3の強みです。音声付きのローカルモデルとしては、ほかにLTX-2.5とKandinsky 6.0も候補になります。