MiniMax H3 ショート動画実践ガイド：hiapi API 入門チュートリアル

MiniMax H3 は hiapi のネイティブ 2K マルチモーダル動画モデルであり、ショート動画コンテンツ——TikTok、Reels、Shorts——にとって最も重要な点は、黒帯処理のテクニックを一切使わずに縦型 9:16 を直接レンダリングできることです。私たちは hiapi 上の MiniMax H3 モデルページ を通じて実際のテキスト→動画生成を一度実行し、実際の出力を下に埋め込むとともに、使用した元のプロンプトとその 3 つの生成モードの実用的な解説を添えました。

概要

• MiniMax H3 はネイティブで 2K 生成し、クリーンな縦型 9:16 映像を直接出力します——TikTok/Reels/Shorts への配信にトリミングや拡大は不要です。
• 3 つの生成モードをサポートします：テキスト→動画、画像→動画（先頭フレーム/末尾フレーム制御に対応）、そして画像・動画・音声に基づく参照駆動生成です。
• クリップの長さは 4〜15 秒、単価は $0.1189/秒——4 秒クリップで約 $0.48、15 秒クリップで約 $1.78 です。
• 具体的で物理的なプロンプト表現（素材、光の方向、カメラのフレーミング）は、私たちのテストでクリーンかつモデルの想定に沿った結果を生み出しました——曖昧なプロンプトは、出力が逸脱したり画一的に見えたりする最も一般的な原因です。
• すべてのリクエストは hiapi 統一の非同期タスクエンドポイントを通り、プラットフォーム上のあらゆる動画モデルが使う送信-ポーリングの形と一致しています。

MiniMax H3 とは何か

MiniMax H3 はネイティブ 2K マルチモーダル動画モデルで、テキスト→動画、先頭フレーム/末尾フレームの画像→動画制御、そして画像・動画・音声に基づく参照駆動生成をサポートし、クリップの長さは 4〜15 秒です。ショート動画コンテンツに限って言えば、ネイティブ 2K 出力の重要性は見た目以上に大きいです：ほとんどの縦型ソーシャルフォーマットの上限は約 1080×1920 なので、2K のソース素材は余裕を生み、サムネイル用の切り出しや少しタイトなリフレームを目立った画質劣化なしに行えます——アップサンプリングではなくダウンサンプリングになるからです。

テキスト→動画：実際のプロンプトで生成した実際のクリップ

私たちは参照画像や動画を使わず、テキストプロンプトだけでこのクリップを生成しました。このプロンプトで生成 → Playground で 2K と 9:16 を選択します。以下が実際の出力です：

プロンプト：

バリスタの手が、ステンレス製のミルクピッチャーから、浅いグレーの大理石カウンターの上でわずかに傾けて持たれた黒いエスプレッソカップに、蒸したミルクを注いでいる。ミルクの流れが落ち着き、注ぎ終わるまでに完全なロゼッタ（シダの葉）ラテアートの模様へと花開く。暖かく方向性のあるサイドライトがカップとピッチャーの上を横切る。縦型 9:16 のフレーミング、マクロ近接視点、浅い被写界深度、カメラの動きなし、テキストなし、ロゴなし、フレーム内に余分な手や物体が入らない。

このプロンプトで生成 → 2K と 9:16 を選択します。

これはまさにショート動画に適した種類のショットです：単一の物理的な質感のある動作（一回の注ぎ、一回の開示、一回の変形）を、近接かつ縦型で撮影し、ピッチャーの素材、光の方向、形成される正確な模様といった十分に具体的な細部を備えているため、モデルが推測する余地をほとんど残しません。たとえ静止ショットを望む場合でも、カメラの挙動を明示的に書く（私たちは「カメラの動きなし」を指定しました）ことは価値があります。そうしないと、モデルが時折、要求されていない緩やかなドリフトを加えることがあります。より多くのショットのアイデアについては、MiniMax H3 プロンプトガイド をご覧ください。

画像→動画：固定されたフレームから始める

MiniMax H3 の画像→動画モードは first_frame_image で冒頭画像を受け取ります。last_frame_image を追加すると、終わりの構図を導けます。末尾フレームには先頭フレームが必要で、これらのフィールドは image_urls、video_urls、audio_urls と組み合わせて使用できません。入力フレームが動画のアスペクト比を決定します。冒頭フレームがまさにフックである場合——商品のクローズアップ、顔、特定のパッケージ——そして動画をモデルがテキスト記述から解釈するのではなく、その正確な構図から始めたい場合、ショート動画制作ではこれがより良い選択です。テキスト→動画は文言の素早い反復に向いており、クリップの冒頭にしたい静止画をすでに確定したら、画像→動画に移るべきです。

参照駆動生成：画像・動画・音声の連動

第三のモードは参照駆動生成で、MiniMax H3 は image_urls で参照画像から、video_urls で動画から、audio_urls で音声から手がかりを得られます——テキストプロンプトだけから生成するのではありません。実践では、新しいクリップに視覚スタイル、動き、テンポを持ち込みたい素材がすでにある場合に使うモードです：新しい被写体を既存のブランドルックに合わせたり、生成クリップのテンポを既存の音声トラックに同期させたりして、ショート動画編集に活用します。音声参照には少なくとも 1 つの参照画像または動画が必要です。上限は画像 5 枚、動画 3 本（各 2〜15 秒、合計 15 秒）、音声 3 本（合計 15 秒）です。これはテキスト→動画よりも重く計画性の高いワークフローなので、まず純粋なテキストプロンプトでショットを試作し、何に合わせるべきか分かってから参照駆動生成に移る価値があります。

リクエストの仕組み

MiniMax H3 を含め、hiapi 上のすべての動画モデルは同じ非同期タスクフローを通ります：生成リクエストを送信してタスク ID を受け取り、そのタスクが success または fail に達するまでポーリングします。success のときは data.output の中で type: "video" の項目を選び、その URL をダウンロードします。fail のときは返されたエラーを確認します。管理すべき長接続もなく、覚え直すべきモデル固有のリクエスト形式もありません——HiAPI 非同期タスクドキュメント にある同じ送信-ポーリングパターンがプラットフォーム上のあらゆるモデルをカバーするため、ある動画モデルから別のモデルへの切り替えは、統合を再構築することなくモデル名とその入力フィールドを変更するだけで済みます。

ショート動画バッチの価格と予算

MiniMax H3 は出力秒あたり $0.1189 で課金され（HiAPI 価格ページ を参照）、クリップの長さは 4〜15 秒です。単一クリップの目安はおおよそ次のとおりです：

• 4 秒：約 $0.48
• 8 秒：約 $0.95
• 15 秒：約 $1.78

ショート動画コンテンツでは、「短く撮って編集する」アプローチがより多くのカットポイントを生み、シーケンス全体を置き換えることなく 1 つのショットだけを再生成できます。コストは生成された合計秒数で決まります：短いショットは合計時間が短い場合にのみ節約になります。予算には、後で使わなかったショットも含め、成功したすべての候補クリップを計上してください。

よくある質問

MiniMax H3 は本当の縦型動画を出力しますか、それとも TikTok/Reels 用にトリミングが必要ですか？ ネイティブで 2K レンダリングし、9:16 アスペクト比を直接受け付けます——上のクリップは最初から縦型で生成されており、ショート動画プラットフォーム向けにトリミングやリフレームは不要です。

MiniMax H3 のクリップはどのくらいの長さにできますか？ 1 回の生成につき 4〜15 秒です。ショート動画コンテンツでは、複数の短いクリップ（各 4〜6 秒）をつなぎ合わせるほうが、1 回の長い単一ショットのレンダリングよりも見応えのある結果を生むことが多いです。

自分の画像で MiniMax H3 の動画を開始できますか？ はい——first_frame_image で冒頭画像を渡し、任意で last_frame_image を追加できます。末尾フレームには先頭フレームが必要です。これらは参照フィールド image_urls、video_urls、audio_urls とは別に使用してください。

MiniMax H3 では、画像→動画と参照駆動生成の違いは何ですか？ 画像→動画は静止画から開始（および任意で終了）フレームを固定します。参照駆動生成は image_urls、video_urls、audio_urls を使ってスタイル、動き、テンポを導きます。音声には画像または動画を伴う必要があります——空白のフレームから始めるのではなく、新しいクリップを既存の素材に合わせる場合に有用です。

典型的なショート動画クリップの費用はいくらですか？ $0.1189/秒で計算すると、4 秒クリップで約 $0.48、8 秒クリップで約 $0.95 です（HiAPI リアルタイム価格ページ を参照）。再生成したショットも含め、成功したすべてのクリップの合計秒数で比較してください。シーケンスを分割するだけでは価格は下がりません。

すでに別の hiapi 動画モデル（例えば Hailuo）でショート動画クリップを作っている場合、MiniMax H3 は適していますか？ MiniMax H3、Seedance 2.0 と Hailuo 2.3 の比較 をご覧いただき、ショットに必要なモード——純粋なテキスト→動画、フレーム制御、またはマルチモーダル参照——に基づいて選んでください。

要点

• MiniMax H3 はネイティブで 2K 縦型をレンダリングするため、ショート動画クリップを TikTok/Reels/Shorts で使うのにトリミングや拡大は不要です。
• 具体的で物理的なプロンプト（素材、光の方向、明示的なカメラの挙動）は私たちの実テストでクリーンな結果を生みました——曖昧なプロンプトはモデルに推測の余地を残しすぎます。
• アイデアを素早く反復するならテキスト→動画、冒頭フレームが事前に固定されているなら画像→動画、既存の画像・動画・音声素材に合わせるなら参照駆動生成を使います。
• $0.1189/秒、4〜15 秒の範囲で課金され、成功した候補クリップの合計秒数で予算を立てます。短いショットは選択的な再生成を容易にします。
• すべてのリクエストは hiapi 上の他のあらゆる動画モデルと同じタスク送信-ポーリングフローを通るため、MiniMax H3 を Hailuo 2.3 などのモデルと併せてテストするのに個別の統合作業は不要です。

このプロンプトで生成 → 2K、9:16 のラテアートショットから始めましょう。