MiniMax H3

位置づけの概要

MiniMax H3 は MiniMax が提供する汎用動画生成モデルで、統一コンテキスト内でテキスト・画像・動画・音声を同時に扱い、テキストからの動画生成、画像からの動画生成、先頭・末尾フレーム制御、マルチモーダル参照による動画生成をサポートし、ネイティブ 2K 画質を出力できます。HiAPI.ai の統合インターフェース経由で呼び出せ、1 つのモデルで絵コンテの試作、素材の動画化、キャラクタースタイルの一貫したショート動画を完結させたい開発者に適しており、特に統一ワークフロー内で複数の生成モードを両立させたいチームに向いています。

主な特長

• 統一コンテキストによるマルチモーダル入力の処理——同一モデル内でテキスト・画像・動画・音声の参照を組み合わせられ、タスクごとに専用モデルを切り替えるコストを削減します。
• ネイティブ 2K 出力——現在はネイティブ 2K 解像度のみで生成し、アスペクト比は 21:9 から 9:16 および自動調整に対応し、横画面・縦画面の配信ニーズを満たします。
• 先頭・末尾フレームによるカメラトランジション制御——先頭フレームと末尾フレームの画像を指定するだけで 2 枚間の遷移を制御でき、トランジションやビフォーアフターのカット制作が容易になります。
• マルチモーダル参照による一貫性の維持——最大 5 枚の参照画像、3 本の参照動画、3 本の参照音声に対応し、キャラクター・スタイル・リズムの継承に利用できます。

機能説明

テキストからの動画生成：テキストプロンプトのみを入力すると 4～15 秒の整数秒の動画を生成でき、アスペクト比は 21:9、16:9、4:3、1:1、3:4、9:16 または自動調整から選択でき、デフォルトは 16:9 です。

画像からの動画生成と先頭・末尾フレーム制御：公開ネットワーク上の画像 1 枚を先頭フレームとして動画を生成するか、先頭フレームと末尾フレームを同時に指定して遷移を制御します。フレーム制御と参照メディアのフィールドは排他関係にあるため、事前に方式を確定する必要があります。

マルチモーダル参照による動画生成：最大 5 枚の参照画像、2～15 秒の参照動画 3 本、合計 15 秒以内の参照音声を最大 3 本受け付けます。音声は単独では使用できず、少なくとも 1 枚の画像または 1 本の動画と組み合わせる必要があります。

任意の AIGC ウォーターマーク：watermark パラメータで出力動画に AIGC ウォーターマークを付けるかどうかを決められます。デフォルトでは付与されず、公開チャネルのコンプライアンス要件に応じて切り替えられます。

適用シーン

• 広告チームがテキストプロンプトで絵コンテを迅速に試作——マルチカットのプロンプトで 4～15 秒のクリップを生成し、絵コンテのプレビズ素材としてクリエイティブレビューやクライアント提案に活用します。
• EC デザインが商品画像を動画化してショート動画に——商品画像やイラストを先頭フレームとして 2K 動画を生成し、商品詳細ページやフィード配信の素材に直接利用します。
• コンテンツクリエイターが先頭・末尾フレームでトランジションを制作——前後 2 枚の画像を指定して遷移を制御し、トランジションカットをショート動画編集やビフォーアフターのデモに活用します。
• キャラクター一貫性のあるショート動画をマルチモーダル参照で生成——キャラクター画像・スタイル動画・参照音声を組み合わせてスタイルの揃ったクリップを生成し、シリーズコンテンツの量産に活用します。

制限と選定のアドバイス

1 回の生成時間の上限は 15 秒で、それより長い内容は分割生成後に結合する必要があります。先頭・末尾フレーム制御と参照メディアのフィールドは併用できず、参照モードでは画像・動画・音声の入力をルールに沿って構成する必要があり、プロンプトの組み立てには一定のハードルがあります。参照音声は単独では使用できません。15 秒を超える連続したロングショットが必要な場合、2K 未満の解像度の選択肢が必要な場合、またはよりシンプルなテキストのみの生成フローが必要な場合は、他の方式やモデルを検討すべきです。