音声付きAI動画生成: MiniMax H3 のネイティブサウンド
大半のAI動画生成モデルは無音です。MiniMax H3 はセリフ・環境音・効果音を映像と一緒に、ステレオ・リップシンク付きで生成します。Pixo での仕組みを解説。
すべてのAI動画ワークフローが突き当たる瞬間があります。クリップは素晴らしい。そして、完全に無音です。そこで音楽素材を探し、ナレーション用の TTS ツールを探し、効果音用の何かを探す — そして難しい部分に気づきます。動画の上に録音された声は、決してその動画に属さないのです。ルームトーンが違う、口が動かない、足音がどこにも着地しない。サウンドデザインが第二のプロダクションになります。
それが、MiniMax の H3 が7月31日の出荷で閉じたギャップです。H3 は動画に音声を追加するのではなく、両者を一緒に生成します。私たちはマルチモデル動画プラットフォーム Pixo を運営しており、H3 は Playground で稼働中です。H3 のスペック表の中で日々の仕事を最も変えるのがこの能力です。だからこそ、その正確な振る舞いとプロンプトの書き方を解説します。
「ネイティブ音声」が実際に意味すること
H3 のすべての出力には、映像と同じパスで生成されたステレオサウンドが付属します。1つのプロンプトから3つのレイヤーが出てきます。
- セリフ。 セリフを一字一句書けば、キャラクターがそれを話します — リップシンク付きで。口の動きと音声が同じ生成から来るからです。セリフを書き換えれば、演技が従います。
- 環境音。 シーンはシーンらしく響きます。湿地を渡る風、キッチンのハム音、ガラス越しの交通音。リクエストするというより、除外し損ねるものです。
- 効果音。 接触音は物理が起きる場所に着地します。蓋は開くときにクリックし、羽ばたきは鳥が飛び立つ瞬間に鳴ります。
吹き替えとの違いは微妙なものではありません。重ねられたポスト音声は動画についてのものであり、生成された音声は動画そのものです。キャラクターが文の途中で振り向けば、声も一緒に振り向きます。
誰にサウンドがあり、誰にないか
音声は静かに、モデル世代の分水嶺になりました。
| モデル | ネイティブ音声 |
|---|---|
| MiniMax H3 | ✅ 全出力にステレオ — セリフ、環境音、効果音 |
| Seedance 2.5 | ✅ あり |
| Veo 3.1 | ✅ あり |
| Wan 2.6 | ✅ あり — 同期したセリフと効果音 |
| Kling 3.0 | ❌ 無音出力 |
「音声がある」の上に H3 が積み上げているのが声のスタックです。複数言語にわたるテキスト読み上げと、リファレンストラックからのボイスクローン — 声をアップロードすれば、セリフがその声質で生成されます。（この能力は独立した深掘り記事に値します。ここでは日常のケースにとどめます。）
サウンドをプロンプトする4つのルール
1. セリフは書き出さなければならない。 H3 はセリフを即興しません。疲れた声が言う:「開店まであと5分。」はその文を生成します — それ以外は何も。曖昧な依頼（「彼女が安心させることを言う」）は曖昧な結果を生みます。
2. 誰が画面内にいるかを決める。 見えている話者にはリップシンクが付き、画面外の声はナレーションとして機能します。どちらもプロンプト1行 — 違いは話者をフレームに入れるかどうかです。
3. 音楽は、欲しくなければ殺す。 H3 は喜んであなたのクリップにスコアを付けます。ポストでライセンス済み音楽を足すなら — ブランド案件の大半はそうです — プロンプトの末尾に non-narrative music: N/A と書いてトラックをクリーンに保ちましょう。
4. 音声リファレンスは同乗のみ、単独走行は不可。 音声トラック（15MB以下）をアップロードしてペースや声のキャラクターを決められますが、必ず画像かビデオリファレンスに添える必要があります。音声を唯一の入力にはできません。
コピペで使える3つのプロンプト
1. リップシンク付きの画面内セリフ（16:9）
このショーケースのリファレンスファイル
同じ書式によるマニュアル収録ショーケース
深夜の居心地のよいダイナー、暖かいタングステンの光、窓には小雨。30代の女性が
カウンターに座り、両手でコーヒーマグを包んでいる。彼女はカメラを見上げて言う:
「あなた、いつも同じものを頼むのね。」セリフの後、かすかに微笑む。
静かなダイナーの環境音 — 雨、遠くのラジオ、食器の音。Non-narrative music: N/A。
なぜ効くか: 話者1人、書かれたセリフ1つ、リアクションのビート1つ。環境音のリストが、セリフと競合せずにサウンドステージを与えます。
2. ナレーション付きの商品モーメント（9:16）
このショーケースのリファレンスファイル
同じ書式によるマニュアル収録ショーケース
縦型動画。木のカウンターの上のハンドドリップコーヒーのセットアップ、朝の光。
ケトルからお湯が螺旋を描いてフィルターへ注がれ、湯気が立ち上り、カメラは
ゆっくりとプッシュインする。穏やかな男性の声が言う:「30グラム。3分。近道はなし。」
注がれる水の音と、やさしい湯気の音。Non-narrative music: N/A。
なぜ効くか: 画面外のナレーションならリップシンクのリスクはゼロで、物理的な音（注ぐ音、湯気）が、普段は音楽素材でごまかしている雰囲気の仕事をこなします。
3. リファレンス駆動のパフォーマンス（動画3本を入れて、歌1つを出す）
このショーケースのリファレンスファイル
このプロンプトの元になったマニュアル収録ショーケース
動画1がカメラの動きを提供する: ヒッチコック的なドリーズーム。動画2は被写体:
ストリートカフェでコーヒーを飲む女性。動画3が歌と歌唱パフォーマンスを提供する。
動画2の女性に歌わせて — 声、フレージング、パフォーマンスは動画3から — その間、
カメラは彼女に対して動画1のドリーズームを実行する。
なぜ効くか: 3つのリファレンス、3つの役割 — カメラ、被写体、歌 — そして音声はトラックとして重ねられるのではなく、パフォーマンスとして生成されます。サウンドの演出もまた、単なるリファレンスの役割の1つであることを示すマニュアル自身のデモです。
試してみよう
MiniMax H3 は Pixo の Playground で稼働中です。動画 → MiniMax H3 を選び、話させたいセリフを含むプロンプトを書いて、4〜15秒のショットを 768p または 2K で生成します — サウンド込み、ウォーターマークなしでエクスポート。モデルの全体像は MiniMax H3 とはから、同日にリリースされたもう1つの旗艦と音声スタックがどう比較されるかは MiniMax H3 vs Seedance 2.5 をどうぞ。
よくある質問
AI動画生成モデルはサウンドを作れますか?
作れるものもありますが、大半は作れません。MiniMax H3、Seedance、Veo 3.1、Wan 2.6 はネイティブに音声を生成し、Kling 3.0 は無音の動画を出力します。H3 は最も踏み込んでいます。すべての出力に、映像と同じパスで生成された — 後から重ねたのではない — ステレオ音声（セリフ、環境音、効果音）が付属します。
MiniMax H3 はセリフをリップシンクしますか?
はい。正確なセリフをプロンプトに書けば、H3 は声を映像と一緒に生成し、キャラクターの口の動きが言葉に一致します。テキスト読み上げは複数言語に対応しており、セリフは英語に限られません。
ナレーション付きのAI動画はどう作りますか?
ナレーションのテキストをプロンプトに一字一句書きます。例: 穏やかな男性の声が言う:「良い道具は、仕事の中に消えていく。」H3 は音声を動画と一緒に生成します。話者が画面内ならリップシンクが付き、画面外ならナレーションとして機能します。
BGMをオフにできますか?
できます。プロンプトの末尾に「non-narrative music: N/A」と書けば、H3 はトラックをクリーンに保ちます。セリフ、環境音、効果音のみです。ポストでライセンス済みのブランド音楽を足す場合は、このモードを使いましょう。
自分の音声をリファレンスとして使えますか?
使えます。音声トラック（最大15MB）を画像またはビデオリファレンスと一緒にアップロードし（音声を唯一の入力にはできません）、ペースや声のキャラクターを決めるのに使います。H3 はリファレンストラックからのボイスクローンにも対応しています。
どうやって試せますか?
MiniMax H3 は Pixo の Playground で稼働中です。4〜15秒のショットを 768p または 2K で生成できます。新規ユーザーには登録時に200無料クレジット、プランは現在最大55%オフです。
MiniMax H3 は Pixo の Playground で稼働中です。画像・動画・音声リファレンス付きで、4〜15秒のショットを 768p または 2K で生成しましょう。今すぐ登録 — 新規ユーザーには登録時に200無料クレジット、プランは現在最大55%オフです。商品を画面に載せるなら H3 で作るEC商品動画をどうぞ。
