動画生成AI「MiniMax H3」の仕様と確認ポイント

MiniMax H3は動画とステレオ音声を同時生成する

MiniMax H3は、MiniMaxが2026年7月31日に発表したオムニモーダル動画生成システムです。最大2K、4〜15秒、24fpsの動画と32kHzステレオ音声を同時に出力できます。テキストだけでなく、画像・動画・音声を組み合わせた参照入力も扱います。

個人開発者にとって重要なのは、APIで使える完全な2K構成と、公開ウェイトでローカル実行できるH3-Baseの範囲が同じではない点です。最初から「33Bモデルを入れれば2Kまで完全ローカル」と考えず、必要な解像度と入力方法から選びます。

※ 用語：オムニモーダル＝複数形式の入力を理解し、映像と音声など複数形式をまとめて生成する設計。API＝外部サービスの機能をプログラムから呼び出す接続口。公開ウェイト＝学習済みパラメータを取得できる配布形態。ローカル実行＝自分のPCやサーバー上でモデルを動かすこと。

MiniMax H3の仕様と3段階の生成システム

公式モデルカードに記載された主な出力仕様です。

完全なシステムは、入力を整理する「H3-Context-IR」、768pの映像と音声を作る「H3-Base」、元の文脈と768p出力から2Kを再生成する「H3-Regenerate-2K」の3段階です。2Kは一般的な超解像だけではなく、元の入力も再利用するインコンテキスト再生成です。

※ 用語：2K＝約2000px級の高解像度を示す呼び方。fps＝1秒間に表示するフレーム数。インコンテキスト再生成＝低解像度の結果だけでなく、元の指示や参照素材も使って高解像度版を作り直す方式。

33Bアーキテクチャと公開ウェイトの範囲

H3-Baseの中心は、330億パラメータのdense・single-stream構成「H3-Omni-Transformer」です。映像と音声を別々の潜在表現へ圧縮し、1本のマルチモーダル列としてまとめ、動画とステレオ音声の潜在表現を共同で予測します。

H3-EncoderはQwen3-VL-32Bの事前学習済みウェイトを使い、50層目の隠れ状態を渡します。Audio VAEは32kHz音声を各チャンネル40Hzの潜在トークンへ圧縮します。初回の公開版は推論時にfull attentionを使い、sparse attention実装は後日公開予定です。

公開されているのは、主にH3-Baseの2つのチェックポイントです。FL2VAはテキストや最初・最後の画像、Ref2VAは複数の画像・動画・音声参照に対応します。一方、H3-Context-IRはホスト型サービスで、H3-Regenerate-2Kもまだ公開ウェイトに含まれません。

※ 用語（構成）：dense＝毎回すべての主要パラメータを使う構成。single-stream＝映像・音声などを1本の系列として処理する構成。VAE＝画像や音声を圧縮した表現へ変換し、元の形式へ戻す仕組み。潜在表現＝モデルが処理しやすい数値へ圧縮した内部データ。

※ 用語（注意機構）：full attention＝入力内の全要素間の関係を計算する方式。sparse attention＝計算対象を一部へ絞って負荷を抑える方式。

API料金とローカル実行を分けて考える

公式ブログは、2Kの秒単価を主流モデルの3分の1未満、768pを主流720pモデルの半額未満と説明しています。ただし比較対象名や具体的な単価は記事内で示していません。実際の予算は、利用時点の公式プラットフォームで生成秒数と解像度を指定して確認します。

ローカルだけで検証できる公式経路はH3-Baseの768p出力です。公式の完全な2Kワークフローは、ローカルのH3-Baseと、H3-Context-IR・H3-Regenerate-2KのAPIを組み合わせます。ウェイトはMiniMax H3 Community License Agreementで配布されるため、商用利用や再配布の条件はライセンス本文で確認が必要です。

33Bという値だけから必要VRAMを決めることはできません。利用するチェックポイント、精度、推論実装、動画の長さと解像度で条件が変わるため、公式モデルカードと採用する実装の最新手順を基準にします。

※ 用語：チェックポイント＝学習済みウェイトと設定をまとめたモデル一式。VRAM＝GPUが計算中のモデルや映像を置く専用メモリ。Community License＝配布元が定める利用・再配布条件をまとめたライセンス。

個人開発での試し方と利用前の注意点

小さく試す手順

最初はAPIで4秒・768pの候補を数本作り、画面比率、音声、指示追従を確認します。採用できる構成が決まってから長さや2Kへ広げると、失敗分の費用を抑えやすくなります。同じ入力で生成時間、費用、採用率、音声の手直し時間を残してください。

ローカル実行の目的が学習や改変ならH3-Base、完成した2K素材を早く得たいならAPIを先に比較します。アプリ紹介なら9:16と16:9を同じ素材で試し、字幕を後付けする余白も確認します。

個人的な見解

MiniMax H3の魅力は2Kという数字だけでなく、参照素材とステレオ音声を1つの流れで扱える点だと考えています。一方、完全な2K経路はAPIを含むため、「公開ウェイト」と「完全ローカル」を同義にしないことが選定の要点です。

個人開発での安全確認

• Community Licenseの商用利用・再配布・利用制限を本文で確認する
• APIへ送る画像、動画、音声の権利とデータ取り扱いを確認する
• 人物や既存作品に似た出力がないか、公開前に人が確認する

※ 用語：指示追従＝プロンプトや参照素材で指定した内容を、出力がどの程度守れたかという観点。

まとめ

• MiniMax H3は最大2K・15秒・24fpsと32kHzステレオ音声に対応
• H3-Baseは公開済みだが、Context-IRと2K再生成はAPIを含む
• 個人開発では短い768p検証から始め、使える1本あたりの費用で比べる

同時期に発表されたFLUX 3の動画対応とも、同じ秒数・画面比率・入力素材で比較すると違いを把握しやすくなります。

※ 用語：ステレオ音声＝左右2チャンネルを使い、音の広がりや位置を表現できる音声。