1つの文脈に、あらゆるモダリティを。精密なコントロールはそのままに。
1つの文脈にテキスト・画像・動画・音声を
最大9枚の画像、3本の動画クリップ、3つの音声トラックを1回の生成にまとめて渡せます。与えられた素材から、被写体、演技、カメラワーク、構図、サウンドスケープ、編集のリズムを読み取り、そのすべてを1つのまとまった結果に反映します。
1点だけ変えて、あとはそのまま
商品を差し替える、看板の文字を書き換える、セリフを一行差し替える、シーンを昼から夜へライティングし直す、あるいはオブジェクトを追加・削除する。局所的な編集は指定した箇所だけに反映され、それ以外のカットは安定したまま保たれるので、すでに気に入っている映像に手を加え続けられます。
崩れないタイポグラフィ、UI、グラフィック
H3は読みやすい文字、クレジット、字幕、ブランドロゴをレンダリングでき、実際のインターフェース素材——プロダクトのランディングページ、ゲームのメニューやHUD、モーションポスター、ダイナミックなタイポグラフィ——もアニメーション化します。プロンプトは最大7,000文字まで受け付けるので、ショットリスト全体を1回のリクエストにまとめられます。
映像に合わせて作曲されたサウンド
すべての生成にネイティブなステレオ音声が付いてきます。オリジナルスコア、セリフ、フォーリー、ルームトーンがカットのタイミングに合わせて生成されます。参照音声を渡せば、演技を保ったままMiniMax H3がその声をキャラクターに転写・クローンします。
生成、参照、そして編集
テキストから動画を作る、最初と最後のフレームをコントロールする、画像・動画・音声を参照として組み合わせる、あるいは自然言語で既存の映像を編集する。
テキストから動画へ
テキストプロンプトだけから動画を生成し、7種類のアスペクト比で5〜15秒、2Kでレンダリングします。
最初と最後のフレーム
与えられた画像を冒頭フレームとして2K動画にアニメーション化するか、最初と最後のフレームを組み合わせて2枚の画像間の遷移をコントロールします。
参照から動画へ
マルチモーダルな参照から2K動画を生成します。被写体とスタイル用に最大9枚の画像、モーション用に3本の動画クリップ、そして3つの音声クリップを使えます。
使い方
カットの内容を平易な言葉で説明し、手元にある参照素材を何でも添付して、本編をレンダリングする前に冒頭フレームを確認しましょう。まずスチルを確認するのが、フレーミングや照明の問題を見つける最も安上がりな方法です。修正に必要なのはもう一文だけで、もう1本クリップを作り直す必要はありません。
- 1
カットを説明する
被写体、カメラ、照明、サウンドスケープ、編集のリズムを説明する文章を最大7,000文字まで入力します。
- 2
参照素材を追加する
最大9枚の画像、3本の動画クリップ、3つの音声トラックを渡して、スタイル・アイデンティティ・モーションを思い通りに設定します。
- 3
冒頭フレームを生成する
生成された冒頭フレームを確認し、構図と照明がイメージ通りかどうかチェックします。
- 4
ステレオ音声付き2Kにアニメーション化
生成内容を確定し、同期したネイティブ音声とともにシーンが2K解像度で動き出す様子を確認します。
クリエイターがMiniMax H3で作っているもの
ブランドフィルム、キャラクター表現、スタイライズされたアニメーション、ゲームプレイ、動画編集まで、すべて同じモデルから。
ヴィンテージ双眼鏡ブランドフィルム
ファンタジー武侠キャラクターフィルム
実写からボクセルへの変換
ネオン輝くコインランドリーでの遭遇
カピバラによる動きの再現
グリーンスクリーンのおとぎ話合成
すべての生成を支える数字
出力はデフォルトで2K。16:9〜9:16の比率では短辺が1440ピクセルになり、より横長のフォーマットではおよそ370万画素、21:9では2976x1248に達します。クリップは24フレーム毎秒で5〜15秒。しかも後から音を付ける必要のある無音映像ではなく、すべてのクリップが同期済みのステレオミックス付きで返ってきます。
- 解像度（2976x1248）
- 2K解像度（2976x1248）
- 24 FPSでの長さ
- 5–15s24 FPSでの長さ
- ステレオ音声
- ネイティブステレオ音声
- 最大参照ファイル数
- 12最大参照ファイル数
- アスペクト比
- 7アスペクト比
- 画像参照
- 9画像参照
- プロンプト文字数
- 7,000プロンプト文字数
- オープンウェイト
- Yesオープンウェイト
MiniMax H3はどう違うのか
| 項目 | MiniMax H3 | Sora 2 | Veo 3.1 | Kling 3 | Hailuo 02 |
|---|---|---|---|---|---|
| 解像度 | 2K（2976x1248） | 1080p | 1080p | 1080p | 720p |
| 長さ | 5–15s | 最大60秒 | 5秒 | 5–10秒 | 5秒 |
| ネイティブ音声 | あり（ステレオ） | なし | なし | なし | なし |
| 参照予算 | 12ファイル（画像9・動画3・音声3） | 画像1枚 | 画像1枚 | 画像1枚 | 画像1枚 |
| オープンウェイト | あり | なし | なし | なし | なし |
重要なのは単純な解像度の差ではありません——これらのモデルの一部は同程度のピクセル数に達しています。本質的な違いは、競合がテキストから動画、画像から動画、モーション参照、音声をそれぞれ別のエンドポイントとして扱っている点です。そのため、この3つが必要なカットを作るには3回のやり取りと、結果を統合するための合成作業が必要になります。単一の統合された文脈を渡すだけで、映像とともにスコア済みのステレオミックスが返ってくることが、その手間を取り除きます。
あらゆるワークフローのために
1つのモデルがテキスト・画像・動画・音声をすべてカバーするため、同じワークフローのままキャンペーンをストーリーボードから完成カットまで進められます。4つの専用ツール間でファイルをやり取りする必要はありません。制作する媒体を選べば、参照予算・アスペクト比・音声処理はそこから自然に決まります。
第一線のクリエイターに支持されています
MiniMax H3は私たちのポスト制作パイプラインを完全に変えました。動画リファレンスと音声を同時に理解する1つの文脈があることで、手作業での合成作業が何日分も省けます。
ネイティブなステレオ音声の生成は、まるで魔法としか思えません。単に音を作るだけでなく、プロンプトで指定したカットの物理的な空間そのものを理解しているんです。
ようやく、タイポグラフィをきれいにレンダリングできるモデルが登場しました。私たちはUI/UXモーション機能を使って、Figmaのフレームからそのままアプリ全体のフローをプロトタイピングしています。
MiniMax H3についてよくある質問
MiniMax H3は、オープンウェイトの汎用マルチモーダル動画モデルです。タスクごとに別々のモデルを使う代わりに、MiniMax H3はテキスト・画像・動画・音声を1つの統合された文脈で読み取り、それらのどんな組み合わせからでも一貫した音声付き映像を生成します。テキストから動画、最初と最後のフレーム、参照から動画、そして精密な動画編集に対応しています。
MiniMax H3はオープンウェイトとして公開されており、閉じたエンドポイントではなく、自由に調べたり、カスタマイズしたり、その上に構築できるオープンな基盤です。自分のハードウェアやパートナープラットフォーム上でモデルを実行できるため、研究やファインチューニングにおいて透明性と柔軟性が確保されます。
MiniMax H3は24 FPSで5〜15秒の動画を生成します。出力は2Kで、16:9〜9:16の比率では短辺が1440ピクセルになり、より横長のフォーマット、例えば21:9では2976x1248とおよそ370万画素に達します。7種類のアスペクト比とアダプティブモードに対応しています。
参照から動画へのモードでは、最大9枚の参照画像、最大3本の参照動画クリップ（合計15秒まで）、最大3つの参照音声トラック（合計15秒まで）を渡せ、合計で最大12ファイルまで対応しています。
はい。すべての生成にネイティブなステレオ音声が含まれ、オリジナルスコア、セリフ、フォーリー、環境音が映像のタイミングに合わせて生成されます。参照録音から声をキャラクターに転写・クローンすることもできます。
高度に最適化されたサーバーレスインフラを活用し、音声付きの15秒フル尺2Kクリップを生成する場合、通常は約100秒で完了します。
はい。生成されたコンテンツは、オープンウェイトに付属する標準的なライセンス条件のもとで商用利用が認められています。
このページ上部のプロンプトエディタを使えば、今すぐ始められます。最初の生成にアカウントやクレジットカードは不要です。最初のステップでカットの冒頭フレームがレンダリングされ、そこからクリップ本編をキューに追加できます。