MiniMax H3の登場：動画編集のアップグレードで実際に何が変わるのか

MiniMax H3は、ネイティブステレオサウンド対応で、2K解像度の15秒動画を生成できます。魅力的なローンチ見出しにはなりますが、最も重要なアップグレードは解像度ではありません。

より大きな意味を持つ変化は、生成を開始する前にモデルへ何を与えられるかです。H3はテキスト、画像、動画、音声を参照素材として受け取り、それらを使ってクリップを作成または変更します。つまり、“このモデルはどんな新しい動画を生成できるのか？”と尋ねるだけでなく、“この既存の動画のどの部分を残し、何を変更すべきか？”と尋ねられるのです。

そのためH3は、キャンペーンの改訂、プロダクト動画、モーション転送、音楽ビジュアルなど、これまで複数の生成・編集工程を別々に必要としていた作業に適しています。ただし、H3がフレーム単位で正確なタイムラインエディターになるわけではありません。動画編集は生成的なものであり、モデルがソースを解釈して新しい結果をレンダリングします。

MiniMax H3の例：役立つ2つのテスト

以下の例では、MiniMax H3の異なる2つの側面をテストします。1つ目は、既存のパフォーマンスを維持しながらアートディレクションを変更し、正確なタイポグラフィを追加できるかを検証します。2つ目は、複雑な15秒のアクションシーケンスを一貫して成立させられるかを検証します。

例1：キネティックタイポグラフィを使ったK-pop動画の編集

メディアプレースホルダー： 元のダンスクリップと編集後のH3出力をここに挿入します。

入力： ちょうど3人のパフォーマーが登場する既存の動画1本
モード： リファレンス・トゥ・ビデオ
変更するもの： スタジオの背景、衣装の方向性、グラフィック、タイポグラフィ、音声処理
残すもの： パフォーマーの人数、アイデンティティ、振り付け、タイミング、ソースカメラの動き

アップロードしたソース動画を、ハイファッションなK-popキャンペーンに編集してください。

女性パフォーマー3人を正確に維持し、顔のアイデンティティ、振り付けのタイミング、体の位置、表情、元のカメラの動きをそのまま保ってください。パフォーマーを追加、削除、複製、統合しないでください。

元の環境を、コントラストの高い白いサイクロラマのファッションスタジオに置き換えてください。パフォーマーの衣装を、メタリックパネル、構築的なシルエット、ユーティリティストラップ、反射アクセサリーを備えた、黒、シルバー、ディープレッドで統一された未来的なテックウェアに変更してください。

リズムとカメラのカットに反応する、大胆なキネティックタイポグラフィを追加してください。大きく、正しく綴られた黒いコンデンスドサンセリフ体で、“FEARLESS”と“NO LIMITS”という正確な単語だけを表示してください。フレーズは一度に1つだけ表示します。タイポグラフィをスライド、拡大縮小させ、パフォーマーの顔や手を覆わないようにしながら、一時的にパフォーマーの背後を通過させてください。

背景に、破れた紙のコラージュ要素、赤いエディトリアル風の切り抜き、控えめなデジタルスキャンライン、制御されたグリッチ信号エフェクトを追加してください。自信に満ちた表情のクローズアップ、指差しのジェスチャー、脚のストラップのディテール、同期したダンスポーズを強調しつつ、ソース動画’既存のショットシーケンスに従ってください。

ハイキーなエディトリアルライティング、クリーンな白いハイライト、シャープなファッション写真のディテール、鮮明な生地の質感、安定した顔と手足、そしてダイナミックでありながら制御されたビジュアルリズム。元の動画の長さと同期を維持してください。パンチの効いたエレクトロニックパーカッション、鋭いトランジションヒット、控えめなグリッチアクセントを備えたネイティブステレオ音声。

これは、H3が魅力的なミュージックビデオを作成できるかどうかだけを試すものではありません。高速な動きの中でも3人の異なる人物を維持できるか、振り付けをソースに合わせ続けられるか、両方のフレーズを正しく綴れるか、顔や手を何度も覆うことなくタイポグラフィを配置できるかを確認してください。

これらの細部が重要なのは、“見た目は変えるがパフォーマンスは維持する”ことこそが、実際の編集上の課題だからです。ダンサーの人数を変えたり、元のタイミングを放棄したりする、見た目は印象的な出力は、ブリーフに失敗しています。

例2：15秒のミニチュア・スケートボードチェイス

メディアプレースホルダー： 生成された15秒のH3出力をここに挿入します。

入力： テキストプロンプトのみ
モード： テキスト・トゥ・ビデオ
テスト内容： 長時間の動き、スケールの一貫性、衝突、遮蔽、カメラトラッキング、環境音の同期

カットなしのワンショットで撮影された、フォトリアルな15秒のミニチュアチェイスシーケンス。

0–4秒：超低位置で床すれすれのマクロ追跡カメラが、磨かれた木の床の上をスムーズに走る小さなミニチュアスケートボーダーを真後ろから追います。スケートボーダーとボードは常に明瞭に見え、同じスケールと外観を維持します。暖かい日差しが木の床に柔らかく反射します。浅い被写界深度、リアルな車輪の振動、控えめなモーションブラー。

4–9秒：巨大でカラフルな玩具ブロックが、両側から突然進路に転がり込みます。スケートボーダーは体を傾け、方向を変え、大きな玩具トラックが前景を横切る中、ブロックの間をかろうじて通り抜けます。カメラは被写体を見失うことなく速度を合わせます。ブロックは自然に衝突し、リアルに動く影を落とします。

9–15秒：背景から巨大でかわいらしい赤ちゃんが素早く這って現れ、スケートボーダーとカメラに向かって巨大な片手を伸ばします。カメラが床から数インチの高さで追跡を続ける中、スケートボーダーは迫る手の下を加速して通り抜けます。手はレンズに触れず、すれすれを通過します。最後は、赤ちゃんが驚いて笑う中、スケートボーダーが玩具トラックの下を抜けて逃げ切る場面で終わります。

ショット全体を通じて、ミニチュアのスケール、スケートボーダーのアイデンティティ、床のレイアウト、光の方向、物体の位置を一貫させてください。リアルな物理挙動、自然な手の解剖学的形状、木や玩具の詳細な質感、映画的なマクロ視点、暖かく明るい屋内の昼光、そして躍動的でありながら認識しやすい動き。

ネイティブステレオサウンド：木の床を転がる小さなスケートボードの車輪、左右からぶつかり合うブロック、前景を横切る玩具トラックの低い走行音、カメラの背後から聞こえる赤ちゃんの柔らかな笑い声、そして巨大な手が近づく際の短く低い風切り音。

タイムラインを使うと、複数の動作を同時に詰め込んだ1つの段落よりも、H3に明確なシーケンスを与えられます。それでも、これは難しいプロンプトです。カメラは小さな1つの被写体を追跡しながら、はるかに大きな複数の物体が入り込み、衝突し、視界を部分的に遮る状況に対応しなければなりません。適切なレビューでは、最も鮮明なフレームだけで判断するのではなく、4秒と9秒の切り替わりにおける連続性を確認すべきです。

 

MiniMax H3とは？

MiniMax H3は、MiniMaxが2026年7月31日にリリースした汎用マルチモーダル動画モデルです。簡単に言えば、テキストによる指示、静止画像、動画クリップ、音声など、複数種類のクリエイティブ入力を一度に読み取り、それらを使って新しい動画を生成できます。

この定義により、H3はMiniMax M3と区別されます。H3はここで説明する動画生成モデルです。一方、M3はMiniMax’sの言語・コーディングモデルの系統に属します。名前は似ていますが、役割は異なります。

公式APIモデルIDはMiniMax-H3です。MiniMax’sの現行ドキュメントには、主な生成方法として、テキストから動画、最初および／または最後のフレーム画像から動画、参照素材から動画の3つが記載されています。モデルは24 fpsで出力し、4秒から15秒まで1秒単位で対応しており、現在は公開APIを通じて2K出力を利用できます。 MiniMax H3動画ドキュメント

H3は「Hailuo 3.0」と表記されることもあります。Hailuo 2.xファミリーの後継として位置付ける非公式な呼び方としては意味がありますが、MiniMax’sの現行モデル一覧とAPIドキュメントでは、公式名称としてMiniMax H3を使用しており、Hailuo 3.0ではありません。

MiniMax H3のアップグレードで何が新しくなったのか？

Hailuo 2.3は、物理的な動作、人間の微細な表情、スタイライズされたビジュアル、動作指示への応答性の向上に重点を置いていました。H3では、製品の適用範囲が変わっています。テキストや1枚の画像から短いクリップを生成するだけではなく、既存のメディアを作業コンテキストとして利用できるようになりました。

1. 最大15秒のクリップで2K出力

MiniMax H3では、旧Hailuo APIモデルで利用可能だった6秒または10秒形式から、4秒から15秒まで柔軟に指定できるようになりました。また、最大解像度も1080pから2Kに引き上げられています。

長くなったからといって、必ずしも一貫性が高まるわけではありません。15秒のショットでは、モデルが顔を変化させたり、物体を失わせたり、後半の出来事を誤解したりする時間も増えます。そのため、上の2つ目の例では、時間指定のシーケンスと明示的な連続性の制約を使用しています。

2. ネイティブステレオ音声

H3は、完全に別の音声生成工程を必要とせず、動画の一部として音声を生成します。Reutersは、ネイティブステレオサウンドをリリース時の機能の1つとして報じています。短い広告、音楽ビジュアル、アクションクリップでは、音響効果をそれが生じた出来事により近づけられる可能性があります。 Reutersのローンチ報道

その代わり、予測可能性には課題があります。ネイティブ音声によってワークフローの手順は減りますが、毎回、正確なセリフ、完璧なリップシンク、または制作にそのまま使えるミックスが保証されるわけではありません。法的に許諾された音楽、正確なナレーションの文言、厳密なラウドネス基準がプロジェクトで求められる場合は、別途レビューを通過するまで、生成されたトラックを下書きとして扱ってください。

3. マルチモーダル参照生成

参照素材から動画を生成するリクエストでは、最大9枚の画像、3本の動画クリップ、3本の音声クリップを組み合わせることができます。ただし、合計12ファイルまで、参照動画または音声の合計15秒までという制限があります。すべてのリクエストで、テキストによるプロンプトが必要です。また、音声だけを送信することはできず、少なくとも1つの参照画像または動画を添付する必要があります。

これは、1つの素材だけでは概要全体を伝えきれない場合に役立ちます。商品画像で物体を定義し、モデル画像で人物を定義し、ソースクリップで動きを定義し、音声クリップでリズムを定義できます。プロンプトでは、どの特徴を維持し、最終シーンをどのように見せるかを説明します。

参照素材が増えるほど、指示が衝突する可能性も高まります。画像が9枚あれば、3枚より自動的に優れているわけではありません。2つの商品ショットでパッケージが異なっていたり、2つのキャラクター参照で髪型が異なっていたりすると、モデルはどちらを優先するか推測する必要があります。

4. 最初と最後のフレームの制御

H3では、最初のフレーム、最後のフレーム、またはその両方を指定できます。冒頭の商品構成と最後のブランドフレームがすでに承認されていて、その間の動きだけを生成する必要がある場合に便利です。

最初／最後のフレームモードとマルチモーダル参照モードは、別々のAPIパスです。MiniMax’sの現行仕様では、同じリクエスト内で両者を組み合わせることはできません。この境界は見落としやすい点です。冒頭と終了の画像を固定するか、画像・動画・音声の参照素材一式を使うことはできますが、両方の入力構造を同時に使用することはできません。 MiniMax H3 APIリファレンス

5. モーション転送と参照動画の制御

H3は、参照動画を使って、動き、カメラの挙動、編集リズム、その他の時間的情報を誘導できます。これにより、テキストだけでは説明が難しい振り付けの転送、商品の取り扱いジェスチャー、カメラワーク、シーンのタイミングを実現する実用的な方法が開かれます。

これは、ソースの動きをフレーム単位でコピーするという意味ではありません。H3は参照素材を解釈し、結果を再生成します。認識可能な振り付けや厳密に承認された商品の動きでは、「参照」が完全な複製を意味すると想定せず、ソースのタイムラインと出力を比較してください。

6. 生成AIによる動画編集

動画編集はH3を特徴付ける機能ですが、この用語には境界があります。H3は、レイヤーを選択して単語を置き換え、影響を受けていないすべてのピクセルをそのまま残す従来型のエディターではありません。

その代わり、ソース動画が参照素材になります。プロンプトで何を維持し、何を変更するかをH3に伝えると、モデルが修正版のクリップを生成します。これにより、設定、衣装、グラフィック、音声、スタイルの変更など、大規模なクリエイティブ変更に対応できますが、同じ変更によって、人物や物体の同一性のずれ、フレーミングの変化、スペルミス、小さな動きの変化が生じる可能性もあります。

一言で言えば、H3は元のファイルを外科的に修正するのではなく、再生成によって編集します。

MiniMax H3の動画編集の実際の仕組み

優れたH3編集指示は、2つのレイヤーで構成されます。

1. 保持制約： クリップに残す人物は誰か？どの製品の詳細、アクション、カメラワーク、タイミング、構図を維持する必要があるか？

2. 変換指示： 背景、衣装、ビジュアルスタイル、タイポグラフィ、サウンド、雰囲気のうち、何を変更するか？

K-pop用のプロンプトでは、この分割を意図的に使用しています。まず、出演者の人数、顔の同一性、振り付け、タイミング、カメラの動きを固定します。そのうえで、新しいスタジオ、ファッションの方向性、グラフィック、音声処理を指定します。

この順序が重要です。“これを未来的なK-popビデオに変える”と指示すると、モデルはほぼすべてを再解釈できます。一方、“出演者3人と元の振り付けを正確に維持し、アートディレクションだけを変更する”と指定すれば、優先順位が明確になります。

より難しい編集では、一度に1つの主要カテゴリーだけを変更します。まず背景と衣装を試します。次にタイポグラフィを追加し、その後で音声を調整します。1回のリクエストで3つすべてを実行することもできますが、分けて指定すれば、どの指示が失敗の原因になったのかを把握でき、再試行時の診断も容易になります。

ローンチ時の概要では見落とされがちなコスト面の詳細もあります。MiniMaxでは2K出力に1秒あたり0.13ドルが課金され、参照動画もその長さに応じて同じ秒単価で課金されます。したがって、15秒の2K生成には約1.95ドルかかります。さらに15秒の参照動画を使用する場合、5枚を超える参照画像に対する追加料金を除き、入力動画と出力を合わせた料金は約3.90ドルです。MiniMaxの従量課金料金

だからといって参照編集が現実的でないわけではありませんが、反復作業の計画は変わります。15秒のテキストから動画への試行を10回行うと、表示されている料金では約19.50ドルかかります。同じ長さの編集を、15秒のソース動画付きで10回行うと、約39.00ドルです。最初の工程では、短い診断用の生成から始めるのが合理的です。

MiniMax H3ではどのような動画を作れるのか？

H3は一般的なテキストから動画、画像から動画への用途に対応できますが、より強みを発揮するのは、複数種類の参照素材や既存のタイムラインを活用できるケースです。

すべてを再撮影せずにキャンペーンを改訂する

ブランドは承認済みの元パフォーマンスを提供し、新しいロケーション、衣装の方向性、季節感のある演出、グラフィックシステムなどを指定できます。地域別やイベント向けのバージョンを企画する際に便利です。ただし、すべての製品ラベル、顔の細部、ジェスチャーをフレーム単位の精度で維持する必要がある場合には、あまり適していません。

製品画像をEC動画に変換する

製品画像で形状、色、パッケージを定義し、モーション参照で、アイテムをどのように回転、開封、注ぐ、折りたたむ、またはシーン内で動かすかを示せます。終了画像は固定のエンドカードに便利ですが、現在のところ、同じリクエスト内で参照動画入力と組み合わせることはできません。

振り付けやカメラワークを転用する

参照クリップを使えば、何百語も費やして説明しなければならないタイミングを伝えられます。ダンス、スポーツの動き、手持ちカメラの挙動、製品を見せる動きなどが代表的な候補です。ソースとなるパフォーマンスや肖像を使用する権利があることを、必ず確認してください。

短い音楽・ファッション映像を作成する

素早い映像変化、生成されたサウンド、参照モーション、アートディレクション用プロンプトの組み合わせは、音楽ティザーやファッションキャンペーンに適しています。正確なタイポグラフィについては、品質管理上の確認事項であり、当然に再現されるものではありません。

ゲームのプロモーションや映画的なタイトル画面をアニメーション化する

参照画像を使うことで、キャラクター、プロップ、インターフェースを承認済みのデザインに近い状態で維持しながら、プロンプトで動き、カメラ移動、パーティクル、サウンドを追加できます。生成映像はコンセプトトレーラーに便利ですが、インターフェースのテキストやゲームプレイに近いシーケンスには、依然として人による確認が必要です。

15秒のアクションまたはチェイスシーンを生成する

長めの尺があれば、プロンプトに導入、展開、結末を盛り込む十分な余地が生まれます。一方で、連続性の維持は難しくなります。プロンプトではアクションを時間範囲ごとに分け、変化させてはならない被写体の特徴を繰り返し指定してください。

ECと広告におけるMiniMax H3

ECにおけるH3の最も有用な捉え方は、“広告を生成する”ことではありません。複数のメディア素材からブリーフを組み立てるものだと考えてください。

たとえば、化粧品ブランドが、商品をさまざまな角度から撮影した5枚の鮮明な画像、モデルの参照画像1枚、手の動きを収録した6秒のクリップ、短い音声参照を提供するとします。そこからプロンプトで、ボトルの形状、ラベルの位置、キャップの色、モデルの同一性、ジェスチャーのタイミングを維持しながら、10秒の縦型プロダクト紹介動画を作成するよう指示できます。

これは“高級化粧品の広告を作って”という指示よりも、はるかに優れたブリーフです。ただし、保証ではありません。製品の形状が歪んだり、小さなラベル文字が変化したり、フレームごとにロゴがずれたりする可能性があります。出力を有料広告に使用する場合は、承認済みの写真とフレーム単位で製品を比較し、必要に応じて従来の編集ソフトで重要なブランドテキストを置き換えてください。

ここでのH3は、コンセプト、バリエーション、短いキャンペーン素材の制作を加速するツールとして最も役立ちます。ブランド承認の代わりにはなりません。

MiniMax H3とHailuo 2.3およびHailuo 02の比較

世代間の違いは、解像度の列が示す以上に大きなものです。MiniMaxの従来のHailuoモデルは、テキストと画像の入力を中心とした短編動画生成モデルです。H3は、動画と音声を取り込める参照システムを追加し、それらの素材を生成、モーション転送、編集に利用できます。

実用上の選択は明快です：

• 次のような要件がある場合はMiniMax H3を選びましょう：既存の動画、複数の参照素材、ネイティブ音声、2K出力、または10秒を超える動画が必要な場合。

• 短いテキストから動画または画像から動画のクリップだけが必要で、H3の参照・編集システムを必要としない場合はHailuo 2.3を選びましょう。

• 開始フレーム／終了フレームの方式や低解像度向けの料金が、シンプルな従来型ワークフローに適している場合は、Hailuo 02を検討してください。

MiniMax H3は、現時点ではGPT Protoで利用できません。すでにGPT Protoで利用できるMiniMaxの動画モデルが必要な場合は、画像から動画に対応したHailuo 2.3 Proまたはテキストから動画に対応したHailuo 2.3 Proをお試しください。

MiniMax H3の料金と提供状況

MiniMax H3の公式APIは、モデルID MiniMax-H3で提供されています。公開APIドキュメントでは、現在利用可能な出力解像度として2Kが記載されています。768pの料金も公開されていますが、MiniMaxはこのオプションをクローズドベータとし、利用前に営業担当へ問い合わせるよう案内しています。

APIは非同期ワークフローを使用します。生成リクエストを送信し、タスクIDを受け取り、タスクのステータスをポーリングし、成功後に結果をダウンロードします。MiniMax H3は現在GPT Protoで利用できないため、この記事にはGPT Protoのコード例は含まれておらず、GPT ProtoのH3エンドポイントがすでに稼働していることを示唆するものでもありません。

オープンウェイトの状況についても、正確な表現が必要です。MiniMaxはH3をオープンな汎用モデルとして提示し、ウェイトを公開する計画を発表しています。Reutersは、ファイルが数日以内に公開される見込みだと報じました。しかし、この記事の7月31日時点の確認では、ダウンロード可能なウェイト、ライセンス条件、モデルサイズ、現実的なローカルハードウェア要件は、まだ公に確認されていませんでした。

したがって「オープンウェイト」とは、発表された方向性を意味するものであり、今日H3をダウンロードしてローカルで実行できることの証明ではありません。

MiniMax H3が依然として保証しないこと

H3は1回の生成で試みられることの範囲を広げますが、生成動画にありがちな失敗要因をなくすものではありません。

正確なテキストには、依然として再試行が必要な場合があります。最初の例では、意図的に短いフレーズを2つだけ使用しています。フレーム間で単語が変化する場合は、生成動画を動きの作成に使い、最終的な文字組みは通常の編集ソフトで追加してください。

大幅な編集によって人物の同一性が変わる可能性があります。1回のリクエストで背景、衣装、グラフィックシステム、音声、照明を置き換えると、モデルが元の映像に登場する人物を別のものとして解釈する機会が増えます。

複雑な15秒のショットは、シンプルな6秒のアニメーションよりも難しくなります。クリップが長く、含まれる出来事が多いほど、モデルが維持しなければならない連続性に関する判断が増えます。

生成による編集は、ピクセルを保持する編集ではありません。H3は参照素材から新しい結果を作成します。変更していないすべてのピクセルを完全に同一に保つ必要がある法務、医療、製品コンプライアンス向けの編集には適したツールではありません。

公式サンプルは、反復可能な本番運用の信頼性を証明するものではありません。ローンチ動画は、モデルが何を生成できるかを示すものであり、その結果を得るために何回の試行が必要だったかを示すものではありません。再現性、失敗率、プロンプトへの感度については、独立したテストが必要です。

ローカル展開の要件は、まだ不明です。実際のウェイト、アーキテクチャの詳細、ライセンス、サービングに関するガイダンスが公開されるまでは、具体的なVRAM推奨値は推測にすぎません。

独立した指標の1つは有望です。7月31日、MiniMax H3は音声付き動画編集のArtificial Analysisのリーダーボードで、5,043件のサンプルからEloスコア1,130を獲得し、1位にランクインしました。これは有用なブラインド評価による嗜好結果ですが、すべてのタスクでの保証ではなく、ある時点でのスナップショットです。 Artificial Analysis動画編集リーダーボード

最終結論：MiniMax H3は意味のあるアップグレードか？

はい。MiniMax H3は、「1080pではなく2K」という説明が示す以上に、Hailuo 2.3から大きく進化しています。

H3が存在する最大の理由は、参照素材を活用した生成と編集です。テキスト、商品画像、元の演技、モーションガイダンス、音声を、1つの動画リクエストに組み込めるようになりました。広告やECのチームにとって、これは依頼内容を「似たものを生成する」から「これらの素材とこのタイミングを維持し、そのうえで特定のクリエイティブ要素を変更する」へと変えるものです。

代償はコントロールです。H3はクリップを再生成するため、編集によって残したかった細部に影響が及ぶ可能性があります。長いショットでは連続性が破綻する余地も増え、入力動画によって1回の試行ごとの料金も上がります。

シンプルな6秒の画像アニメーションなら、Hailuo 2.3で十分な場合があります。マルチモーダルなキャンペーン、モーション転送、ネイティブ音声、既存動画の改訂、または15秒のアクションシーケンスには、H3のほうがテストする価値の高いモデルです。

MiniMax H3は現在GPT Protoで利用できません。アクセスの準備が進められている間は、GPT Protoのモデルギャラリーで他の動画生成モデルを探すか、GPT Protoにアクセスして、1つのアカウントですでに利用できるモデルを比較できます。