📙 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。