MiniMax H3 は、テキスト・画像・動画・音声が混ざった文脈を1つのモデルで受け取り、最大2K・15秒のステレオ音声つき動画を返すオムニモーダル動画生成モデルだ。2026年7月31日に発表され、8月3日に重みが公開された。ただし重みで動くのは既定768pで、2KはAPI側に残っている。
この記事ではLLMに特化して解説します。LLM全般の仕組み・比較・ローカル実行は LLMとは?仕組み・主要モデル比較・ローカル実行・量子化を一気にまとめる2026年版 をご覧ください。
THREE STAGES公開範囲の境目
公開された重みは3段構成の真ん中だけ
-
H3-Context-IR(API)
プロンプトを文脈記述へ拡張。重みは未公開
-
H3-Base(公開)
33B denseが映像と音声を生成。手元の既定は短辺768p
-
H3-Regenerate-2K(API)
文脈を読み直して2Kで再生成。重みは未公開
30秒でわかるMiniMax H3
- ・できること:テキスト・画像・動画・音声の混在文脈から、2K・15秒・32kHzステレオ音声つきの動画を生成する(消費者向けアプリではHailuo 3.0)
- ・公開の範囲:3段構成のうち公開されたのは中央のH3-Baseだけ。公式の2K再現スクリプト自体がMiniMaxのAPIを呼ぶ。手元の重みだけで出るのは既定768p
- ・ライセンス:OSI承認のオープンソースではない。許諾地域から米・EU・英・韓が除外され、年商2,000万ドル超は書面許諾、商用UIには名称表示義務がある
MiniMaxは動画生成サービスHailuoで知られる中国のAI企業だ。従来は入口が「テキスト→動画」のように固定され、音声は別モデルで後付けが一般的だった。H3は映像と音声を同時に出す。本記事は公式ブログ・モデルカード・ライセンス本文・API仕様を読み、Hugging Face APIでリポジトリの実体を数えて、公称と手元で動く範囲を切り分ける。
MiniMax H3で何ができるのか:4つの生成モードと参照12ファイル
公式APIドキュメントのモードは、Text to Video・Image to Video・First / Last Frame・Reference生成の4つ。
実務で効くのはReference生成だ。上限は参照画像9枚・参照動画3本(各2〜15秒)・参照音声3本、合計12ファイルまで。複数角度の画像と声の参照で、カット間の同一性を固定できる。12は画像・動画・音声で共有する枠だ。
| 項目 | 仕様 |
|---|---|
| 解像度 | 2K または 768p |
| 長さ | 4〜15秒(整数秒のみ) |
| フレームレート | 24 FPS |
| 音声 | 32kHz ステレオ(ネイティブ生成) |
| アスペクト比 | 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 |
| 参照ファイル | 画像9・動画3・音声3(合計12まで) |
| プロンプト長・リクエスト | 7,000文字まで・ボディ64MBまで |
音声が「ネイティブ」とは、映像を作ってから別モデルで効果音を合成するのではなく、同じモデルが環境音・効果音・BGM・台詞を同時に生成することを指す。音声を入力にして映像を作る InfiniteTalk:音声駆動で無制限長の会話動画を生成するAIフレームワーク とは逆向きの設計だ。
公開された重みに何が入っていて、何が入っていないのか
「MiniMax H3がオープンソース化された」という見出しは各所で流れたが、公開されたのはモデル全体ではない。モデルカードはH3を3つのモジュールで説明している。
・① H3-Context-IR:プロンプトを文脈記述へ拡張する。「今回のオープンソース公開には含まれない」
・② H3-Base:33B dense・単一ストリームのTransformer。公開済み。既定は短辺768p
・③ H3-Regenerate-2K:元の文脈を読み直して2Kで再生成する。「まだオープンソース化していない。準備ができ次第公開する」
手元の重みだけで出せる既定の解像度は短辺768pで、宣伝されている2Kは③が担う。
公式スクリプト自体がAPIを呼んでいる
リポジトリの scripts/readme/ には2K再現手順が置かれ、ファイル名が3段構成に対応している。
・full-2k-t2va-h3-context-ir.sh:$MINIMAX_API_BASE/v2/h3_context_ir に Bearer トークン付きでPOSTし、拡張済みプロンプトを受け取る
・full-2k-t2va-h3-base.sh:ローカルのSGLang(/v1/videos)へPOSTする。target は "short_edge": 768
・full-2k-t2va-h3-regenerate-2k.sh:生成した768pのMP4をBase64にして /v2/video_regeneration へPOSTする。ボディは "resolution": "2K"
公式が示す「フル2K」は、ローカル推論1回をMiniMaxのAPI呼び出し2回で挟む構成だ。データ主権を理由にセルフホストを検討するなら、①③を使う限りプロンプトと中間生成物はMiniMaxのサーバーを経由する点に注意が要る。
リポジトリの実体を数える
「498GB」は公称ではなくHugging Face APIでの実測値で、次のコマンドで再現できる。
# リポジトリ全体のファイル数・サイズをディレクトリ別に集計する
curl -sL "https://huggingface.co/api/models/MiniMaxAI/MiniMax-H3?blobs=true" \
| python3 -c "
import json,sys,collections
d=json.load(sys.stdin); size=collections.Counter(); n=collections.Counter()
for s in d['siblings']:
k=s['rfilename'].split('/')[0] if '/' in s['rfilename'] else '(root)'
size[k]+=s.get('size') or 0; n[k]+=1
for k,v in size.most_common():
print(f'{k:16s} files={n[k]:4d} {v/1e9:8.2f} GB')
print('TOTAL %.2f GB' % (sum(size.values())/1e9))
"
REPO MEASUREDリポジトリの実測
498GBを落としても2Kは出ない
498.47GB
リポジトリ全体
全280ファイル。同じ重みが2形式で二重に入っている
144GB
FL2VA と Ref2VA(各)
2つのチェックポイント本体
0個
2K再生成の重み
2K関連はデモ動画とシェルスクリプトだけ
FL2VA/ と Ref2VA/ が各144GBで、これが2つのチェックポイント本体だ。diffusers形式の text_encoder/ transformer/ vae/ などが同じ階層に並び、同じ重みが元の形式とdiffusers形式で二重に置かれているため合計が膨らむ。片方だけ取得すればダウンロード量は抑えられる。
| チェックポイント | 対応タスク | 入力 | 精度 |
|---|---|---|---|
| H3 Base FL2VA | text-to-audio-video、第1/最終フレーム指定 | テキスト+任意の画像 | BF16 |
| H3 Base Ref2VA | reference-to-audio-video | テキスト+画像/動画/音声 | BF16 |
この一覧に2K再生成モジュールの重みは1つも無い。2k を含むのはデモ動画(assets/*.mp4)とシェルスクリプトだけで、「2KはAPI側にある」ことの実測的な裏づけになる。
なぜ3段構成なのか
公式ブログは、文脈と生成動画の関係を約100Kトークン規模の推論から平均約4Kトークンに凝縮する方式(①の役割)と、元の文脈を読み直して2Kで生成し直すIn-Context Regeneration(③の役割)を挙げる。低解像度の映像だけを入力にする超解像とは違い、文脈の読み直しそのものがH3の設計上の売りで、その部分がAPIの向こうに残っている。
MiniMax H3をローカルで動かす:構成・容量・前提
公開されたH3-Baseの中核は33Bのdense・単一ストリームTransformerで、MoEではない。モデルカードは約13BがAdaLN分岐にあり推論時にキャッシュできると説明する。設定ファイルの time_embed_dim 2688 × adaln_out_features 96768 × 層数50 ≈ 13.0B で、公称値と一致した。
推論フレームワークはSGLang・vLLM・diffusers・ComfyUIの4つで、公式のSGLangデプロイ例は4GPU構成だ。必要な系統だけ取得するならこうなる。
# FL2VAのみ取得する(約144GB)
huggingface-cli download MiniMaxAI/MiniMax-H3 \
--include "FL2VA/*" --local-dir ./minimax-h3
READMEは「初回のオープンソース公開はfull attentionでの推論のみ」と明記し、スパースアテンションは将来の更新としている。長い文脈や高解像度でのメモリ効率は、公称どおりにならない可能性がある。VRAMの必要量はカードに書かれておらず、数値があるのはSGLang例の --num-gpus 4 だけだ。
498GBを落とさずに済ませる:再パッケージ版
ComfyUI公式組織の Comfy-Org/MiniMax-H3 は、実行に必要な単位へ再パッケージし量子化版も含む(2026-08-05時点)。MiniMax公式の配布はBF16のみで、これは第三者配布だ。
| ファイル | 実サイズ |
|---|---|
minimax_h3_fl2va_bf16.safetensors |
66.28 GB |
minimax_h3_fl2va_pruned_fp8_scaled.safetensors |
20.96 GB |
qwen3vl_32b_minimax_h3_bf16.safetensors(テキストエンコーダ) |
51.51 GB |
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors |
15.69 GB |
minimax_h3_video_vae_fp16.safetensors |
5.21 GB |
ファイル名から、テキストエンコーダがQwen3-VL 32Bであることも分かる。pruned fp8(20.96GB)・nvfp4のエンコーダ(15.69GB)・VAE(5.21GB)を組み合わせれば合計約42GBで、498GBを丸ごと落とす必要はない。量子化の品質劣化は用途次第なので、BF16で基準を取ってから落とす順序が安全だ。低ビット化の考え方は BitNet|Microsoftの1ビットLLM量子化フレームワーク が参考になる。
LM Studio・Colab・「H3 Max」は
検索で見られる語について、モデルカード(2026-10-09取得)で確認できた範囲は次のとおり。
・LM Studio・GGUF・llama.cppは記載なし。GGUF前提のツールでそのまま読み込める形式ではない
・Google ColabはNotebooks欄に並ぶだけで、動作確認手順ではない。無料枠で載るかは未検証
・「H3 Max」というモデルはカードに無い
MiniMax H3のライセンスを読む:地域・売上・表示義務
重みの公開と自由に使えることは別問題だ。H3は独自の MiniMax H3 Community License Agreement で配布され、OSIが承認するオープンソースライセンスではない。
条文で目を引くのは地域制限だ。第I条は「Applicable Territory」を「Excluded Territories を除く全世界」、「Excluded Territories」を「欧州連合、イギリス、韓国、アメリカ合衆国」と定める。許諾から米国・EU・英国・韓国が外れ、日本は除外リストに含まれない。除外地域には、個別ライセンスの相談窓口が示されている。
制約は重みだけでなく「生成物」にも及ぶ
第V条4項は、MiniMax H3 Works およびその Outputs を対象地域外で使用・複製・改変・配布・表示してはならないと定める。重みを国内で動かすことと、生成した動画を国外の利用者へ配信することは、条文上は別の論点になる。国境をまたぐサービスに組み込む場合は、自社の配信先と照らして確認すること。本記事は条文の記載内容の整理で、法的助言ではない。
| 条項 | 内容 |
|---|---|
| 第IV条1項 | 年間売上が2,000万米ドルを超える商用製品・サービスは、api@minimax.io へ連絡し事前の書面許諾を得る |
| 第IV条2項 | 商用製品・サービスは、UI上に「MiniMax H3」を目立つ形で表示する |
| 第VI条4項 | MiniMaxは生成物(Outputs)に対する権利を主張しない(利用者に有利)。責任は利用者側 |
| 第V条5項 | 生成物を第三者に提供するサービスは、安全対策の実装・維持・見直しと違反報告窓口の設置が必要 |
付属のAcceptable Use Policyは20カテゴリの禁止用途を列挙する。「オープンウェイト」は重みが配布される形態を指し、OSI準拠のライセンスまでは含まない。同社のLLM「MiniMax M3」も独自のコミュニティライセンスだ。
他の動画生成モデルとの位置づけ:MiniMax H3は何位なのか
ベンダー自身のベンチマークだけで判断するのは危険なので、第三者のArtificial Analysisアリーナ(人間の比較投票によるElo)を見る。2026年8月5日閲覧時点のスコアは次のとおり。
| 部門 | MiniMax H3 | 首位モデル(Elo) |
|---|---|---|
| Text to Video(音声なし) | 1306(総合2位) | Gemini Omni Flash 1325 |
| Text to Video(音声あり) | 1239(総合2位) | Gemini Omni Flash 1244 |
| Image to Video(音声なし) | 1351 | Gemini Omni Flash 1368 |
| Image to Video(音声あり) | 1186 | Dreamina Seedance 2.0 720p 1196 |
| Video Editing | 1位 | — |
H3は総合首位ではない。テキスト→動画・画像→動画の多くでGoogleのGemini Omni Flashが上にいて、差はEloで5〜20程度だ。一方、公開重みのモデルとしては全部門で首位で、Video Editing部門は1位とされる。オープンな重みが、クローズドの最上位に手が届く距離まで来たというのが妥当な評価だろう。
Eloは投票のたびに動き、自分の用途での品質とも一致するとは限らない。制御面の広いH3には、1回の生成で複数の表情やポーズを得る AI動画生成の新テクニック「2x2コラージュ」 のような手法が組み合わせやすい。Gemini Omni FlashやDreamina Seedance 2.0はAPIのみの提供で、音声同時生成はいずれも対応する。
MiniMax H3の料金と、どう使い分けるか
公式の一次資料は具体的な単価を出していない。公式ブログは2K出力を「主流モデルの1/3未満」、768p出力を「主流モデルの720pの半額未満」と相対表現で記すのみだ。具体的な数字はOpenRouterなど再販事業者の掲載値で、2026年8月5日時点で「from $0.13/second」、15秒の2Kクリップなら約$1.95になる。報道にある768pの$0.09/秒は一次資料で確認できておらず、公称値・報道値として扱う。
WHICH PATH要件別の選び方
要件でローカルかAPIかが決まる
要件
現実的な選択
要件: 2K品質が要る
現実的な選択: API経由(H3-Regenerate-2Kが必須)
要件: データを外に出せない
現実的な選択: H3-Baseをローカルで768p運用
要件: キャラの同一性が要る
現実的な選択: Ref2VA+参照画像を複数枚
要件: 米・EU・英・韓で提供する
現実的な選択: 許諾外。個別ライセンスの相談が必要
セルフホストで「498GBを落として4GPUを用意すれば宣伝どおりの2Kが出る」という理解は正確ではない。出るのは768pで、2Kにするには結局APIを呼ぶ。逆に768pで十分な用途なら、音声を同時生成できる公開重みモデルは多くなく、SNS向けの短尺動画やプロトタイピング、社内向け説明動画には実用範囲に入る。手軽に試すならHailuoアプリ、MiniMax Hub、再販APIが入口になる。
まとめ:MiniMax H3をどう捉えるか
・H3は2026年7月31日発表・8月3日に重みが公開された、音声つき動画を返すオムニモーダルモデルである
・公開されたのは3段構成の中央(H3-Base、33B dense、BF16、実測498GB)のみで、プロンプト拡張と2K化はAPI側に残っている
・第三者評価では総合2位・公開重みでは首位。首位のGemini Omni Flashとの差はElo 5〜20程度
・ライセンスはOSI承認ではなく、米・EU・英・韓が許諾外。年商2,000万ドル超は書面許諾が要る
・価格は公式が相対表現のみで、$0.13/秒は再販事業者の掲載値
「オープンソースの動画生成モデルが2Kを出せるようになった」は正確ではない。正確には「オープンウェイトの動画生成モデルが、音声込みで768pを出せるようになり、2Kは引き続きAPIの向こうにある」だ。採用を検討するなら、まず768pのH3-Baseで自分のユースケースの品質を確かめ、2Kが要る部分だけAPIに寄せる順序が現実的だろう。未公開モジュールの公開時期は「準備ができ次第」としか示されていない。
参照ソース
・MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities(MiniMax公式ブログ) — 2026年7月31日発表。アーキテクチャ(Contextual Omni Representation、H3-VAE、H3-Omni Transformer、In-Context Regeneration)と相対価格の一次資料
・Open General Intelligence: MiniMax H3 Is Now Open Source(MiniMax公式ニュース) — 2026年8月3日の重み公開告知。公開範囲と未公開モジュールの明記
・MiniMaxAI/MiniMax-H3(Hugging Face モデルカード) — チェックポイント構成、33B/BF16、推論フレームワーク、full attention限定の記載、scripts/readme/ の再現スクリプト
・MiniMax H3 Community License Agreement — 適用地域・除外地域の定義、商用条件、使用制限、Acceptable Use Policy
・Text to Video Leaderboard(Artificial Analysis) — 第三者によるElo評価。2026年8月5日閲覧
・Comfy-Org/MiniMax-H3(Hugging Face) — ComfyUI公式組織による再パッケージ版。量子化バリアントの実サイズとテキストエンコーダの構成





