MiniMax H3オープンウェイト
ネイティブのステレオ音声を備えたマルチモーダルAI動画

MiniMax H3はMiniMaxが提供する汎用のマルチモーダルAI動画生成モデルです。テキスト・画像・動画・音声を1つのコンテキストとして理解し、同期したネイティブのステレオ音声付きで、2K解像度・最大15秒のクリップを生成できます。

公式のモデル名はMiniMax H3です。HailuoはMiniMaxの一般向け動画プロダクトのため、Hailuo 3.0やHailuo H3として検索するユーザーもいますが、MiniMaxのローンチ告知および公式モデルリポジトリでは、このモデルをMiniMax H3と呼んでいます。

MiniMaxはH3-Baseの完全な重みを公開し、このリリースをオープンソースとして説明しています。より正確には、H3はApache 2.0やMITのような標準的な寛容ライセンスではなく、MiniMax H3 Community Licenseの下で配布されるオープンウェイトモデルです。商用導入や再配布の前に、最新のライセンス内容をご確認ください。

Hugging Face上の公式MiniMaxAI MiniMax-H3リポジトリでは、モデルインデックスとFL2VAおよびRef2VAのチェックポイントが提供されています。MiniMaxはDiffusers、SGLang、vLLM、ComfyUIを用いた推論手順も公開しています。モデルファイルは大容量のため、ローカル運用には十分な互換ハードウェアが必要です。

公式のローカルH3-Baseワークフローで検証されているのは768p出力です。MiniMaxのフル2Kワークフローは、ローカルにデプロイしたH3-Baseサービスに、公式のH3-Context-IRおよびH3-Regenerate-2KのAPIステージを組み合わせます。つまり、完全ローカルのH3-Baseと、API連携を含む完全な2Kワークフローは同一ではありません。

はい。H3は動画と音声を同時に予測し、音声、環境音、効果音、音楽を含むネイティブのステレオ音をデコードします。MiniMaxはこれらの音の種類を、別々の生成システムに分割するのではなく、一緒にモデル化するよう設計しています。

H3はテキスト指示に加え、参照画像・参照動画・参照音声に対応しています。公式チェックポイントでは、text-to-audio-video、first-or-last-frame-to-audio-video、reference-to-audio-videoのワークフローをカバーし、より広いシステムとしては、自然文で表現されたマルチモーダル参照や編集関係にも対応します。

被写体、アクション、カメラワーク、ショット構成、ライティング、ビジュアルスタイル、セリフ、環境音、効果音、音楽、そして各参照素材の役割を説明してください。H3は入力同士の関係性を理解するよう設計されているため、各画像・動画・音声素材から何を取り入れたいのかを明確に伝えましょう。

はい。MiniMax H3は、他のシネマティックな動画モデルと並んで、VisionStoryのAI動画ツールから利用できます。H3を開発したのはMiniMaxで、VisionStoryはモデルそのものではなく、それを使うためのワークフローを提供しています。

MiniMax H3、ByteDanceのSeedance、KuaishouのKlingはいずれもマルチモーダル動画モデルで、テキストから動画／画像から動画の機能が重なる部分があります。H3は、公開されているH3-Baseの重み、汎用的な参照・編集設計、2Kパイプライン、ネイティブのステレオ音声で特に差別化されています。最適な選択は、求める動き、参照コントロール、音声ワークフロー、導入要件、そして現時点での提供状況によって異なります。