MiniMax H3：ステレオ音声対応2K Text-to-Video | RunComfy

MiniMax H3を選ぶ理由#

MiniMax H3は、自然言語の指示で画像、動画、音声を生成・編集するMiniMaxのマルチモーダルモデルファミリーです。このページではMiniMax H3 Text-to-Videoを利用できます。1つの文章プロンプトから、映像と同時に生成されるネイティブステレオ音声付きの、24 FPS、5–15秒、2K動画を作成します。入力できるのはテキストのみです。画像、動画、音声を参照素材として使う場合は、リンク先のH3ワークフローを利用してください。

MiniMax H3の利点	ユーザーにとっての意味
2K動画とネイティブステレオ音声の統合生成	精細な映像、台詞、効果音、環境音、音楽を1回の処理で生成し、個別のアップスケーリング、サウンドデザイン、同期作業を減らせます。
言語で指示するOmni-Reference	MiniMax H3の各ワークフローでは、画像、動画、音声に、アイデンティティ、商品の外観、動き、カメラスタイル、声、音楽などの異なる役割を割り当て、複数の素材から一貫した結果を導けます。
V2V転写と対象を絞った編集	MiniMax H3は、動きやカメラ表現を引き継ぎ、その他の部分を保ちながら選択した映像要素や音声要素を修正できます。制作チームは、ショットを最初から作り直す以外の方法を選べます。
納品に適した尺と構図	6つのアスペクト比で、24 FPS、5–15秒の動画を生成します。フック、商品紹介、複数の展開を含むシーンを、映画、Web、フィード、ポートレート、縦型の各用途に合わせやすく、再編集や再トリミングを減らせます。

おすすめの用途#

• 広告と商品ローンチ： MiniMax H3は、カメラ演出と音を一緒に設計したいヒーローショット、商品紹介、キャンペーン案、短いCMに適しています。
• ソーシャルメディアコンテンツ： MiniMax H3で、明確な冒頭のフックとプラットフォーム向けの構図を備えた9:16のShorts、Reels、Storiesや、1:1のフィード素材を作成できます。
• 映画・広告制作のプリビジュアライゼーション： MiniMax H3を使って、本制作に入る前にカメラワーク、照明プラン、アクションの要点、シーントランジション、仮のサウンドトラックを検証できます。
• ブランド表現とスタイル重視のストーリーテリング： MiniMax H3で、文章のアイデアを洗練された映像音声表現にしたいときに、タイトルシーケンス、アニメーションポスター、キャラクターの場面、グラフィック表現を検討できます。

仕組み#

1. ショットを記述： MiniMax H3に、画面に何が映るか、時間とともに何が変化するか、カメラがどう動くか、シーンの見た目、聞こえる音を伝えます。
2. 出力形式を選択： アスペクト比と5–15秒の動画尺を選びます。MiniMax H3の解像度は2Kに固定されているため、品質設定を選ぶ必要はありません。
3. 生成して調整： モデルが動画とステレオ音声を同時に生成します。動き、文字、顔、リップシンク、音のタイミングを確認し、指示を一度に1つずつ変更します。

パラメーター#

最初の表は、このページのMiniMax H3 Text-to-Videoツールで設定できる項目を示しています。

パラメーター	必須	型	デフォルト	範囲／選択肢	選び方
prompt*	はい（*）	String	プロンプト例	1–4,000文字	MiniMax H3に、被写体、1つの主要な動作、カメラ、設定と照明、ビジュアルスタイル、音、意図する終了状態を含む構造化された指示を与えます。上限まで書くことより、明確な構成の方が重要です。
aspect_ratio	いいえ	String	16:9	21:9、16:9、4:3、1:1、3:4、9:16	MiniMax H3の出力を用途に合わせます。21:9は超横長の映画的ショット、16:9は一般的な動画や広告、4:3はエディトリアル調やレトロな構図、1:1はフィード、3:4は縦型の商品表現、9:16は縦型ソーシャル動画に適しています。
resolution	いいえ	String	2k	2k	このツールでは固定され、下記の1440p設定に対応します。別の品質設定を選ばずに高解像度のディテールが必要な場合は、MiniMax H3が適しています。
duration	いいえ	Integer	5	5–15秒、1秒刻み	MiniMax H3では、1つの動作や素早い試行には5–7秒、単純な変化には8–10秒、明確な始まり・展開・終わりをプロンプトで定義できる場合に限り11–15秒を使用します。

\* 必須項目です。

次の表は、MiniMax H3モデルファミリー全体の仕様をまとめたものです。最初／最後のフレーム入力とOmni-Referenceモードは別のワークフローで利用でき、このText-to-Videoページの設定項目ではありません。

主な項目	MiniMax H3
モデル	MiniMax-H3
出力時間	MiniMax H3は5–15秒の動画を出力します。
出力アスペクト比	最初／最後のフレームモード： 入力画像の元のアスペクト比に従います。<br>Text-to-Videoモード： ユーザーが選択した21:9、16:9、4:3、1:1、3:4、9:16に従います。<br>Omni-Referenceモード： この6つの比率のいずれか、またはMiniMax H3が出力比率を選ぶAutoを使用します。
解像度	MiniMax H3には、文書化された2つの設定があります。768pモード（今後提供予定）： 16:9から9:16までのアスペクト比では短辺が768ピクセルです。より横長の出力は合計約1 MPで、たとえば21:9は1536×672です。768pの結果は1440pにアップグレードできます。<br>1440p／2Kモード： 16:9から9:16までのアスペクト比では短辺が1440ピクセルです。より横長の出力は合計約3.7 MPで、たとえば21:9は2976×1248です。
出力フレームレート	MiniMax H3は24 FPSで出力します。
出力音声	MiniMax H3のすべての結果にネイティブステレオ音声が含まれます。
最初／最後のフレーム入力	画像： 0、1、2枚のいずれか。幅と高さはそれぞれ256–5760ピクセル、アスペクト比は5:2から2:5（0.4–2.5）です。画像を入力しない場合、MiniMax H3はText-to-Videoモード、つまりこのページで提供されるツールとして動作します。
Omni-Reference入力	画像： 最大9枚。幅と高さはそれぞれ256–5760ピクセル。<br>動画： 最大3本。各2–15秒、動画の合計時間は最大15秒。幅と高さはそれぞれ256–5760ピクセル、アスペクト比は5:2から2:5（0.4–2.5）。<br>音声： 最大3クリップ。各2–15秒、音声の合計時間は最大15秒。音声は画像または動画と一緒に使用する必要があり、音声だけを参照素材にはできません。<br>混合入力： 合計最大12ファイル。画像、動画、音声の入力がない場合、ワークフローはText-to-Videoになります。
対応入力形式	MiniMax H3が対応する動画： H.264/AVCまたはH.265/HEVC、埋め込み音声はAACまたはMP3。<br>画像： JPG、JPEG、PNG、WEBP、HEIC、HEIF。<br>音声： WAVまたはMP3。
入力サイズ上限	動画1本：50 MB、画像1枚：30 MB、音声1ファイル：15 MB。ファイルごとの上限とは別に、メディア全体をまとめた上限はありません。ただし、APIリクエスト本文は64 MBに制限されるため、URL形式のメディア入力を推奨します。
プロンプト上限	MiniMax H3の製品ガイドでは最大7,000文字です。現在のText-to-Video実装は、上のページ設定表に示すとおり1–4,000文字に対応します。

料金#

このページでは、MiniMax H3の2K生成料金は生成1秒あたり$0.13 USDです。

動画の長さ	動画1本あたりの料金
5秒	$0.65
10秒	$1.30
15秒	$1.95

1–4件を一括生成する場合、合計料金はduration × $0.13 × output countで計算します。

プロンプトのヒントと例#

次のMiniMax H3向けプロンプト構成を繰り返し利用できます。

[subject + defining details] + [one action over time] + [camera framing and movement] + [setting + lighting] + [visual treatment] + [dialogue / effects / ambience / music] + [ending frame or constraint]

• 動きを分ける： 被写体の動きとカメラの動きを別々に記述します。
• 順序を示す： クリップに複数の展開がある場合は、「～から始まり」「次に」「～で終わる」を使います。
• 音の発生源を指定： MiniMax H3に、誰が話すか、何が各音を出すか、環境音、音楽を前面に出すか控えめにするかを伝えます。
• 競合するアイデアを絞る： 主要な被写体、中心となる動作、一貫したスタイルをそれぞれ1つにすると、MiniMax H3が指示を理解しやすくなります。

弱いプロンプト

> 高級腕時計の広告。映画的でダイナミック、音楽付き。

改善したMiniMax H3プロンプト

> ヘアライン仕上げのステンレス製自動巻き腕時計が、黒い火山岩の上に置かれている。細いスタジオライトがサファイアクリスタルを横切り、秒針が動き、ケースには結露の粒が浮かぶ。極端なマクロ撮影から始め、ゆっくり30度旋回し、時計の文字盤で終える。コントラストの高い高級CM、深い黒の背景。音声：静かな機械式時計の時を刻む音と、低く響く映画的なパルスを1回。台詞なし。

改善版では、MiniMax H3に、識別できる被写体、時間に沿った動作、独立したカメラ指示、照明、仕上げ、音の発生源、確認可能な最終フレームを伝えています。

MiniMax H3と他モデルの比較#

このMiniMax H3比較表は、モデルファミリーを選ぶ際の目安です。最大解像度と最長時間を同時に利用できない場合があり、RunComfyのワークフローによって入力、解像度設定、音声制御が異なる場合があります。

モデル	解像度	最長時間	音声	特長
MiniMax H3	最大2K	15s	ネイティブステレオ（声、SFX、音楽）	言語を通じてテキスト、画像、動画、音声の参照関係を扱い、V2Vモーション転写と制作向け編集に対応します。公開ウェイトは予定されていますが、まだリリースされていません。
Hailuo 02	1080p	~10s	なし	プロンプトへの高い追従性と物理表現を重視した動きにより、体操、ダンス、商品動作など、後工程で音声を追加する無音のアクションショットに適しています。
Kling 3.0	最大4K	15s	リップシンク対応のネイティブ音声	複数ショットのカメラ切り替えと、話者を指定した多言語の台詞およびリップシンクを連携します。台本付き広告、ストーリーボード、キャラクター中心のシーンに適しています。
Seedance 2.0	1080p	15s	音声と動画の統合生成	多数の画像、動画、音声参照を統合し、映像音声の共同生成と正確なリップシンクに対応します。アイデンティティを重視する広告、ブランドストーリー、多数の参照を使う編集に適しています。
Veo 3.1	4K	8s	ネイティブの台詞と効果音	プロンプトで指定した台詞や効果音を、最初／最後のフレーム、参照画像、シーン拡張の制御と組み合わせます。映画的なトランジションや連結したシーケンスに適しています。

Hailuo 02の上限はモードごとに異なります。1080p出力は6秒までで、10秒出力は512pまたは768pで利用できます。

MiniMax H3のOmni-ReferenceとV2V機能は関連ワークフローで利用できます。このページのText-to-Videoツールはプロンプト入力専用です。

MiniMax H3の違いは、この組み合わせにあります。テキスト、画像、動画、音声の関係を扱う1つの汎用モデルファミリーが、ネイティブステレオ音声を生成し、このページでは生成1秒あたり$0.13で2Kに対応します。文章の指示から始め、関連ワークフローで参照素材による生成や編集へ展開したい場合は、MiniMax H3が適しています。公開情報に基づき、制作工程を確定する前に同じ指示を各モデルで試してください。

あわせて試したいモデル#

MiniMax H3がプロジェクトの出発点として適さない場合は、RunComfyで次の特化型ワークフローを比較してください。

• MiniMax H3 Image-to-Video： 構図、アイデンティティ、商品の外観を固定したい場合は、画像から開始し、必要に応じて最後のフレームも指定します。
• MiniMax H3 Reference-to-Video： 動き、カメラスタイル、声、音楽などのソース情報を引き継ぎたい場合は、画像に任意の動画と音声を組み合わせます。
• Hailuo 02 Image-to-Video： 画像のアニメーションに特化したワークフローを使いたい場合は、MiniMaxの前世代モデルを試せます。
• Hailuo 2.3 Pro： 安定した物理表現に基づく動き、繊細な表情、自然な照明で静止画像を1080p動画にし、洗練された商品、ポートレート、キャラクターのショットに適しています。
• Kling 3.0： 開始画像に、任意の最終フレーム、要素参照、時間指定のショットプロンプト、同期音声を組み合わせ、ブランドやキャラクターのシーケンスを制御します。
• Seedance 2.0 Pro： 最大9枚の画像、3本の動画、3つの音声クリップを組み合わせ、4–15秒のクリップ全体でアイデンティティ、カメラ表現、同期した台詞、効果音、音楽を整合させます。

公式リソース#

• MiniMax H3公開投稿
• MiniMax公式サイト