モデル紹介
MiniMax H3、映像・音・動きを一つの生成へ
MiniMaxのオープンな汎用動画モデルが備える、マルチモーダル演出、ネイティブステレオ音声、最大2K出力を紹介します。
MiniMax H3は、テキスト、画像、動画、音声を一つの制作コンテキストとして扱います。映像生成とサウンドデザインを分離せず、複数形式の参照素材を理解して同期した映像と音を生成します。被写体、動き、カメラ表現、声、環境音、リズムを一つのワークフローで演出できます。
- 4〜15秒
- 出力時間
- 最大2K
- 最高出力解像度
- 24 FPS
- 動画フレームレート
- 32 kHz
- ネイティブステレオ音声
- 12ファイル
- 混合参照素材の上限
- 11言語
- 安定対応する会話言語
複数の参照素材から一つの完成シーンへ
H3-Context-IR
テキスト、画像、動画、音声を一つの演出コンテキストとして読み取ります。
H3-Base
映像と音が同期した768pシーケンスを生成します。
H3-Regenerate-2K
元のコンテキストを再参照し、選択した結果を最大2Kで再生成します。
MiniMax H3でできること
複数のメディアで演出
テキスト指示に画像、動画、音声の参照を組み合わせ、人物、環境、動き、カメラ、ビジュアルスタイル、声、効果音、編集リズムを理解させられます。
映像と音を同時に生成
4〜15秒、24 FPSの動画とネイティブ32 kHzステレオ音声を生成します。セリフ、環境音、効果音、映像を別工程で組み合わせるのではなく、一つの同期した結果として出力します。
開始フレームと終了フレームを制御
最初のフレーム、最後のフレーム、または両方を指定し、ショットの始まり方と終わり方を固定できます。画像から動画を作る際の構図と遷移をより意図的に設計できます。
豊富な参照素材を組み合わせる
オムニ参照モデルは最大9枚の画像、3本の動画、3本の音声、合計12ファイルまで受け付けます。人物、動き、構図、カメラ、スタイル、声、リズムなど、素材ごとに異なる役割を与えられます。
多様な画角と解像度に対応
一般的な横長、正方形、縦長の比率に対応し、短辺768ピクセルを標準として生成します。H3-Regenerate-2Kでは最大2Kの高解像度出力も利用できます。
多言語の会話を生成
日本語、中国語、英語、韓国語を含む11言語の会話を安定して生成でき、複数市場向けの映像制作に活用できます。
APIとローカル導入を選択
MiniMax APIで完全なホスト型ワークフローを利用するほか、公開されたBF16 H3-Baseチェックポイントを導入し、768pのテキスト・音声・動画生成、開始・終了フレーム生成、マルチモーダル参照生成を実行できます。
モデル紹介
H3システムの仕組み
すべての素材を一つの文脈に統合
H3はテキスト、映像素材、音声を専用のエンコーダーまたはVAEで処理し、一つのマルチモーダル系列にまとめます。空間と時間の関係を単一ストリームのH3-Omni-Transformerへ渡し、画面に何が現れ、どう動き、何が聞こえるべきかを同じシーンのつながった要素として扱います。
Context-IRが素材を演出指示へ変換
H3-Context-IRはホスト型の理解・編成レイヤーです。指示解析、メディア間の関連付け、時間理解、参照素材同士の関係推論を行い、生成用の構造化表現へ変換します。元の意図を保ちながら不足した意味情報を補うこともできます。
H3-Baseが映像とステレオ音声を同期生成
H3-Baseは768pの映像・音声シーケンスを生成します。映像と音声は別々の潜在空間を使いますが、同じシステム内で共同生成されます。VisualVAEが映像の細部と動きを表現し、AudioVAEが左右チャンネルを別々に処理してステレオ出力に再結合します。
2Kは単なる拡大ではなく再生成
H3-Regenerate-2Kは768p結果と元の制作コンテキストをH3へ戻し、高解像度でシーケンスを再生成します。元の指示と参照素材を再確認できるため、単純なピクセル拡大よりも人物、素材感、環境のディテールを忠実に回復できます。
二つのチェックポイント
H3-Base-FL2VAはテキスト生成と、開始フレーム、終了フレーム、または両方の制御に対応します。H3-Base-Ref2VAは最大9画像、3動画、3音声の参照に対応します。動画・音声は各2〜15秒、種類ごとの合計は15秒までで、音声だけを唯一の参照にはできません。
現在オープンになっている範囲
MiniMaxはFL2VAとRef2VAを含むH3-Baseの完全なモデル重みを公開し、ローカル導入やファインチューニングを可能にしました。一方、H3-Context-IR、H3-Regenerate-2K、ネイティブ疎注意の実装は初期公開に含まれず、公式の完全な2K工程にはMiniMaxサービスが必要です。
制作現場での活用
映画的なショット、商品映像、多言語の人物シーン、音楽主導の映像、広告の派生版、絵コンテの動画化、参照ベースのバリエーションに向いています。素材ごとに人物、動き、カメラ、音、リズムの役割を割り当て、一つの整合した映像と音へまとめられる点が特徴です。
一貫した映像と音のシーンを演出する
- 被写体、動作、カメラワーク、環境、時間の流れを順序立てて記述します。
- 各参照素材に、人物、動き、スタイル、声、編集リズムなどの明確な役割を与えます。
- ショットの開始または終了構図が重要な場合は、最初と最後のフレームを指定します。
- セリフ、環境音、効果音を映像と一緒に記述し、同じドラマ上の瞬間に結び付けます。
- 動画と音声の参照は2〜15秒にし、音声には画像または動画の参照を組み合わせます。
- まず768pで素早く試し、選んだ結果を2K再生成ワークフローへ進めます。
- 参照素材、肖像、声、ロゴ、著作物を使う前に必要な権利を確認します。
- まず一つの明確なシーンから始め、被写体、参照素材、転換を段階的に増やします。