MiniMax-H3とは｜2K動画と音声を同時生成するモデルのVRAM要件と商用条件

MiniMaxが2026年8月3日、動画生成モデル「MiniMax-H3」の重みをHugging Faceで公開しました。テキスト・画像・動画・音声を一つの文脈として読み、最大2K・24FPS・4〜15秒の映像を32kHzのステレオ音声つきで生成します。音を後から重ねる構成ではありません。この記事では、33Bという構成が推論時のメモリにどう効くのか、int8量子化で42.5GBまで落ちた重みが手元のGPUで動くのか、そしてコミュニティライセンスに書かれた年商2,000万ドルの線引きと除外地域の条項が受託案件でどう効くのかを、実装する側の目線で整理します。

まとめ：MiniMax-H3を業務映像に組み込むときの結論と前提条件

結論から示します。月あたりの生成尺が数十分に収まる案件なら、重みを落とさずAPIを使ってください。2Kで秒0.13ドル、768Pで秒0.09ドルという単価に対し、ローカル実行はRTX 3060 12GBで480p・5秒に約9分かかるという実測報告があり、試行錯誤の回数を織り込むと人件費のほうが先に効いてきます。

ローカル実行を選ぶ条件は二つだけです。素材や台本を社外へ出せない案件であること。もう一つは、参照画像を差し替えながら数百本単位で試す前提があること。どちらも当てはまらないなら、42.5GBの重みを置く手間に見合いません。

もう一段手前に、ライセンスの確認があります。MiniMax H3コミュニティライセンスは対象地域を「EU・英国・韓国・米国を除く全世界」と定めており、日本は含まれます。国内向けの映像であれば問題は起きません。生成物を英語圏へ配信する計画があるなら、オープンウェイトの利用そのものを見送る判断になります。

MiniMax-H3の構成：33B単一ストリームTransformerと二系統のVAE

公開されたチェックポイントは二種類です。テキストと先頭・末尾フレームから映像と音声を作るFL2VA、参照素材を受け取って作るRef2VA。前処理を担うH3-Context-IRと、2Kへ作り直すH3-Regenerate-2Kはオープンウェイトに含まれていません。

H3-Baseの33B構成とオムニモーダル理解が実装にもたらす差

H3-Baseは33Bパラメータの密な単一ストリームTransformerで、精度はBF16です。テキスト・画像・動画・音声を別々のエンコーダに割り振らず、一つの系列として扱います。位置埋め込みには三次元のMM-RoPE（Multimodal Rotary Position Embeddings）を採用し、時間軸と空間軸を同じ枠組みで表現しました。

この設計が効くのは、参照動画の動きと参照音声のリズムを揃えたい場面です。同じ会社のテキストLLMであるM2系とは別系統のモデルにあたり、言語処理の性能について論じたMiniMax（ミニマックス）とは？中国発AIモデルの性能・料金・M2/M3を解説の範囲とは、切り分けて考えてください。

テキストエンコーダにQwen3-VL-32Bを採用した構成の含意

テキストエンコーダにはQwen3-VL-32Bの重みが使われています。視覚言語モデルをそのまま条件付けに流用する構成のため、プロンプトへ画像を混ぜたときの解釈が言語のみのエンコーダより素直です。ComfyUI向けの配布では、このエンコーダだけNVFP4のAWQ量子化版が用意されました（qwen3vl_32b_minimax_h3_nvfp4_awq）。

実装上は、エンコーダ単体で32B級の重みを別途ダウンロードする点に注意が必要です。本体33Bと合わせると素の状態で100GBを超えます。複数種類のデータを一つのモデルで扱う考え方そのものは、マルチモーダルとは？複数データを扱うAIの仕組み・業務応用と実装判断を解説で整理した枠組みがそのまま通用します。

映像VAEと音声VAEを分けた設計で音ズレが構造的に出ない理由

映像側のVAEはf16t4d24、空間16倍・時間4倍・潜在24チャネルの圧縮です。音声側は独立したVAEで、チャネルあたり毎秒40トークンの潜在表現を持ちます。二つは別モジュールですが、生成はTransformer内部の同じ系列上で同時に進みます。

音を後付けするパイプラインでは、口の動きと発話のズレを人手で詰める工程が必ず残ります。H3はその工程を前提から外しました。効果音と環境音も同じ経路で出るため、素材集から音を探して重ねる作業も減ります。

出力仕様の実際：2K・24FPS・4〜15秒とネイティブ音声の範囲

公表されている仕様のうち、案件の可否を分ける数値から押さえます。

2K・24FPS・4〜15秒という出力上限が業務で効く具体的な場面

既定の解像度は短辺768pxで、2Kは上限値です。24FPSは映画的な質感には合う一方、スポーツ映像のような速い動きでは不足します。尺の上限15秒はSNS向けの短尺広告や商品紹介のカットには足りますが、30秒枠のテレビCMを1本で作る用途には届きません。

この範囲を超える要件が案件に含まれるなら、H3単体では完結しません。複数カットを別々に生成して編集で繋ぐ前提へ、最初から設計を切り替えてください。

六つのアスペクト比と参照入力の上限（画像9・動画3・音声3）

FL2VAは画像0〜2枚を受け取ります。テキストのみ、先頭フレームのみ、先頭と末尾の指定という三通りです。Ref2VAは画像9枚以下、動画3本以下（各2〜15秒）、音声3本以下で、合計12ファイルまで扱えます。アスペクト比は21:9・16:9・4:3・1:1・3:4・9:16の6種類に対応します。

商品の外観を9枚の参照画像で固定し、ナレーションの声質を音声参照で指定する、といった組み方が可能です。参照が増えるほど指示は効きますが、その分だけプロンプトの解釈が参照側へ引っ張られます。まず画像2〜3枚から始めて、効きが足りない箇所だけ足す順序が扱いやすい構成です。

11言語対応の内訳と、日本語の台詞生成を任せてよい範囲の線引き

対応言語は日本語・中国語・英語・韓国語・フランス語・ドイツ語・イタリア語・ポルトガル語・ロシア語・スペイン語・アラビア語の11種です。日本語の台詞はモデル側に生成させられます。

ただし固有名詞の読み、とりわけ社名や製品名の読み分けは指示だけでは安定しません。ブランド名が入るナレーションは、別途収録した音声を参照として渡すか、映像だけ生成して音声を差し替える運用へ寄せてください。効果音と環境音はモデル任せで実用に足ります。

ローカル実行のVRAM要件：42.5GBへの圧縮とRTX 3060での生成時間

ComfyUIは公開当日からH3に対応しました。素の重みをそのまま置くのではなく、量子化と枝刈りを施した配布物が前提になっています。

123.6GBから42.5GBへ、int8量子化で削れる部分の内訳

ComfyUI側の公表値では、全体のメモリ占有はフル精度の123.6GBから、最小構成の組み合わせで42.5GBまで下がります。削減率は66%。int8のconvrot量子化に加え、変調（modulation）の重みをルックアップテーブルへ置き換える枝刈りが効いています。

配布ファイルは本体（minimax_h3_fl2va_pruned_int8_convrot など）、テキストエンコーダ、映像VAEのfp16版、音声VAEのfp32版に分かれます。量子化した重みをローカルへ置いて回すときの構成と制約は、ローカルLLMとは？クラウド型との違い・必要スペック・Ollamaでの構築手順を解説で扱った考え方がそのまま当てはまります。

RTX 3060 12GBで480p・5秒に約9分という実測報告

第三者の検証報告では、480p（864×480）・124フレーム・20ステップの生成が、RTX 3060 12GB・システムメモリ32GB・NVMe SSDという構成で9分弱でした。42.5GBの重みがVRAM 12GBに載るわけではなく、動的なオフロードでシステムメモリとSSDを行き来させています。SSDが遅ければ生成時間はさらに伸びます。

5秒の映像1本に9分。採用カットを1本得るのに3回試すなら、30分弱かかる計算です。30カットが必要な案件なら15時間です。

AdaLN分岐の13Bを読み込まずに済む推論時のメモリ節約幅

33Bのうち約13BはAdaLN関連の分岐に置かれています。AdaLNの変調出力は事前に計算してキャッシュできるため、推論だけを回す用途ではこの13B分をロードする必要がありません。実質20B級として見積もれます。

この構造を知らないまま「33BだからBF16で66GB必要」と計算すると、調達計画が過大になります。逆に追加学習やLoRAを当てる予定があるなら、分岐側の重みも要ります。用途によって必要量が倍近く変わる点は、GPU調達の稟議を書く前に押さえてください。

API利用とローカル実行の費用分岐点：秒0.13ドルからの月次試算

単価が公表されているため、案件ごとに手元で計算できます。

2Kで秒0.13ドル・768Pで秒0.09ドルという公表単価

API経由の単価は2Kで1秒あたり0.13ドル、768Pで0.09ドルです。1分の完成映像を2Kで作れば7.8ドル。1ドル150円換算で約1,170円になります。

この価格帯は同時期の他社モデルと比べても低い部類です。Seedance 2.0系が720pで秒0.24ドル前後という比較が出ており、解像度が上でも単価は半分以下にとどまります。ただし採用に至らない試行分も課金対象です。実効単価は公表値の3〜5倍で見積もってください。

月30本の広告動画を作る場合のAPI費用とGPU調達費の比較

10秒のカットを月30本、採用率を4分の1と置くと、生成する総尺は1,200秒です。

• API・2K：1,200秒×0.13ドル＝156ドル（約23,000円）
• API・768P：1,200秒×0.09ドル＝108ドル（約16,000円）
• ローカル：GPU調達費に加え、5秒あたり9分として計36時間の生成時間

月2万円前後の支出と、36時間の待ち時間。どちらを取るかは明白です。ローカル実行が費用面で逆転するのは、生成尺が月10時間を超える映像制作専業の規模か、GPUを他の学習ジョブと共用できる環境に限られます。

Seedance系との単価差と、価格だけで決めない場合の判断軸

単価の低さは強い材料ですが、それだけで決めると外します。見るべきは、15秒という尺の上限と、生成物をどこへ出すかの二点です。30秒以上を1本で作る要件があるなら、尺の長いモデルを選ぶほうが編集工数を含めた総額は下がります。

もう一つが配信先です。後述するとおり、オープンウェイト版のライセンスには地域の制約があります。API経由の利用にはMiniMaxのサービス規約が別に適用されるため、重みを落とす場合とは条件が異なります。案件の配信範囲を先に確定させてから、どちらの経路を本番に据えるか決めてください。

コミュニティライセンスの制約：年商2,000万ドルと対象外地域

H3の重みは、MiniMax H3コミュニティライセンス契約のもとで配布されています。OSI承認のオープンソースライセンスではありません。ソース入手可能型の商用ライセンスにあたります。

年商2,000万ドル超で事前許諾が要る商用利用の線引きと手順

商用利用は原則として認められますが、条件が付きます。契約書には、商用の製品・サービスが年間2,000万米ドル（または他通貨の同等額）を超える収益を生む場合、指定の宛先へ件名を添えて事前の書面による許諾を求めること、と明記されています。

受託開発では、この判定対象が受託側ではなく最終的にサービスを提供する事業者になる点に注意してください。年商が数千万円規模の自社案件なら条件に触れません。大手クライアントの商材へ組み込むなら、許諾取得はクライアント側の法務工程になります。Apache 2.0で配布されるAnimeGenとは？国産アニメ特化の動画生成AIをローカル実行・商用利用の観点で解説のようなモデルとは、この一点で手続きの重さが変わります。

EU・英国・韓国・米国を除く対象地域という条項の実務的な影響

ライセンスは対象地域を「除外地域を除く全世界」と定義し、除外地域としてEU・英国・韓国・米国を挙げています。そのうえで、対象地域の外でH3の成果物や出力を利用・複製・改変・配布・表示してはならない、と規定しました。日本は対象地域に含まれます。

問題になるのは配信先です。日本語のプロモーション映像であっても、公開先が世界中から見られるプラットフォームなら、除外地域での表示が発生します。英語圏を含む配信計画がある案件では、重みを使わずAPI経由へ寄せるか、別のモデルへ切り替える判断が要ります。この条項はオープンウェイトの許諾に書かれたもので、APIサービスの規約とは別建てです。

UIへの「MiniMax H3」表示と再配布時に添える権利表記

H3を組み込んだ商用の製品・サービスでは、UI上に「MiniMax H3」を目立つ形で掲示することが求められます。加えて、H3で作ったことを示す「Powered by MiniMax H3」の表示が推奨されています。

再配布する場合は、契約書の写しを相手方へ渡したうえで「MiniMax H3 is licensed under the MiniMax H3 Community License Agreement, Copyright © 2026 MiniMax. All Rights Reserved.」の表記を添えます。改変したファイルには改変した旨の明示も必要です。なお出力物についてMiniMaxは権利を主張しないと明記されており、生成した映像の帰属は利用者側に残ります。

映像制作パイプラインへの組み込み順序と、受託案件で詰まる箇所

ここからは、実際に案件へ載せるまでの流れを扱います。

ComfyUIでの検証から本番投入まで、実務で踏むべき五つの順序

いきなり本番素材で回さず、次の順序で確認してください。

1. ComfyUIの公式テンプレートで、量子化済みチェックポイントとVAEを揃えて480pを1本通す
2. 参照画像2枚とプロンプトだけで、商材の外観がどこまで保持されるかを測る
3. 音声を含めた出力で、口の動きと発話の同期が編集不要な水準かを判定する
4. 採用率（何本生成して何本使えるか）を20本規模で実測し、実効単価を出す
5. 配信先の地域とクライアントの年商を確認し、重みとAPIのどちらを本番経路にするか決める

4番と5番を後回しにすると、検証が済んでから経路をやり直すことになります。生成AIを業務へ載せる工程の設計や、社内での運用ルールづくりまで含めて相談したい場合は、生成AI導入支援で対応しています。

採用を見送るべき三つの場面：欧米配信・30秒超・人物の同一性

次の条件に当てはまる案件では、H3のオープンウェイトを使わない判断が妥当です。欧米向けの配信を含む案件。1カット30秒以上が要件の案件。そして、同じ人物を複数カットにまたがって完全に同一の見た目で出す必要がある案件。

三つ目は動画生成モデル全般の弱点で、H3も例外ではありません。参照画像を9枚渡しても、カット間で髪型や服の細部は揺れます。人物が主役の映像は実写かCGで作り、H3は背景・商品カット・イメージ映像へ限定する切り分けが現実的です。

受託案件で使う場合に契約書へ明記すべき二つの条項と実務上の確認手順

クライアント案件でH3を使うなら、契約書に二つ書いてください。一つは、納品物の一部が生成AIによる出力であることと、UI上の「MiniMax H3」掲示という表示義務をどちらが履行するか。もう一つは、配信地域が除外地域へ広がった場合の責任分界です。

ライセンスには第三者からの請求について利用者側が防御・補償する条項が入っており、成果物は現状有姿で提供されると明記されています。モデル提供者側の保証はありません。ここを曖昧にしたまま納品すると、配信範囲が広がった時点で誰も判断できなくなります。

よくある質問

MiniMax-H3の導入検討でよく挙がる論点を、実装と契約の両面から整理します。

MiniMax-H3は無料で商用利用できますか？

重みのダウンロードと商用利用は無償で可能です。ただしMiniMax H3コミュニティライセンスの条件が付き、商用の製品・サービスの年間収益が2,000万米ドルを超える場合はMiniMaxからの事前の書面許諾が必要になります。あわせて、商用の製品・サービスではUI上へ「MiniMax H3」を目立つ形で掲示する義務があります。Apache 2.0やMITのような無条件の商用利用とは扱いが異なる点に注意してください。

RTX 3060やRTX 4090でも動作可能ですか？

動作可能です。ComfyUI向けの量子化済み配布と動的なVRAMオフロードにより、RTX 3060 12GB・システムメモリ32GB・NVMe SSDの構成で480p・5秒の生成が9分弱という報告が出ています。VRAMが大きいカードほどオフロードの頻度が下がるため、生成時間も短くなる傾向です。2K出力を常用する運用なら、待ち時間の面でAPI経由のほうが実務に耐えます。

生成した動画を海外向けの広告に使えますか？

配信先によります。オープンウェイト版のライセンスは対象地域からEU・英国・韓国・米国を除外しており、これらの地域で出力物を表示することを認めていません。日本国内やアジア圏向けであれば問題ありませんが、英語圏を含む配信計画があるなら重みの利用は避けてください。API経由の利用にはMiniMaxのサービス規約が別に適用されるため、条件を個別に確認する必要があります。

MiniMax M2やM3とは何が違うのですか？

系統が別です。M2やM3はテキスト中心の大規模言語モデルで、コーディング支援や文書処理に使われます。H3は映像と音声を生成するモデルで、H3-Baseは33Bの単一ストリームTransformer、テキストエンコーダにQwen3-VL-32Bを据える構成です。同じMiniMaxの製品ですが、用途もハードウェア要件も重なりません。

日本語のナレーション付き動画をそのまま作れますか？

作れます。日本語を含む11言語に対応し、台詞・効果音・環境音を32kHzのステレオ音声として映像と同時に生成します。ただし社名や製品名など固有名詞の読みは指示だけでは安定しません。ブランド名を含むナレーションは、収録音声を参照として渡すか、映像のみ生成して音声を差し替える運用が安全です。

関連記事

• MiniMax（ミニマックス）とは？中国発AIモデルの性能・料金・M2/M3を解説：同じMiniMaxのテキストLLM系統。H3と用途を分けて検討する際の対照。
• AnimeGenとは？国産アニメ特化の動画生成AIをローカル実行・商用利用の観点で解説：Apache 2.0で配布される動画生成モデル。ライセンス条件の比較対象。
• 動画生成AIランキング｜業務利用で選ぶ主要ツール比較と生産投入の判断基準：H3を含む選択肢を業務要件から絞り込むときの入口。
• マルチモーダルとは？複数データを扱うAIの仕組み・業務応用と実装判断を解説：オムニモーダル構成の前提となる考え方。
• ローカルLLMとは？クラウド型との違い・必要スペック・Ollamaでの構築手順を解説：量子化した重みを自社環境へ置く場合の必要スペックの考え方。