MiniMax H3 とは? 仕様・生成モード・実力を検証（2026年）
MiniMax H3（Hailuo 3.0）を解説。ネイティブステレオ音声付きの15秒マルチショット動画、12ファイルのマルチモーダル入力、指示ベースの動画編集まで、全仕様を網羅します。
2026年7月31日、MiniMax は Hailuo シリーズ史上最も野心的なモデルを出荷し、「動画モデル」の意味を静かに書き換えました。MiniMax H3（コミュニティではすでに Hailuo 3.0 と呼ばれています）は、プロンプトをクリップに変換するだけのモデルではありません。テキスト・画像・動画・音声を1つの統合されたコンテキストとして読み込み、ステレオ音声を焼き込んだ15秒のマルチショットシーンを生成し、さらに、ガチャを回し直す代わりに自然言語の指示で結果を編集できるのです。
私たちはマルチモデルAI動画プラットフォーム Pixo を開発しており、フロンティアモデルが登場するたびに2つのことをしています。公式ドキュメントを一行ずつ読み込むことと、すでに運用しているモデルと突き合わせてテストすることです。このファーストルックは、MiniMax の公式 H3 使用マニュアルとローンチ資料に基づいています。正確な入力上限、3つの生成モード、プロンプトフォーマットの実際の仕組みなど、英語圏の報道の多くにまだ載っていない詳細も含みます。
H3 とは何か、何が本当に新しいのか、そして動画制作を仕事にする人にとって何を意味するのか。順に見ていきましょう。
MiniMax H3 の概要
| 項目 | MiniMax H3 |
|---|---|
| リリース | 2026年7月31日（WAIC 2026 で先行公開） |
| 出力の長さ | 4〜15秒、24 fps |
| 解像度 | 768p モード（1440p へアップグレード可能）。公式推奨は 1440p「2K」モード — 21:9 で最大 2976×1248 |
| アスペクト比 | 21:9、16:9、4:3、1:1、3:4、9:16 |
| 音声 | 全出力にネイティブステレオ — セリフ・環境音・効果音を同一パスで生成 |
| マルチモーダル入力 | 最大12ファイル: 画像9枚 + 動画クリップ3本 + 音声トラック3本 |
| 編集 | 既存映像への指示ベース編集（キャラクター、背景、セリフ、声） |
| 言語 | 多言語プロンプト対応。TTS は11言語を高精度で、派生により約40言語をカバー |
| プロンプト上限 | 最大7,000文字 |
| アクセス | Hailuo AI アプリ、MiniMax API（モデルID MiniMax-H3） |
コアとなる発想: 1つのコンテキスト、あらゆるモダリティ
ほとんどのAI動画ツールは、専用モデルのパイプラインです。テキスト・トゥ・ビデオに1つ、リップシンクに1つ、アップスケールに1つ、サウンドにまた別のもの。H3 における MiniMax の提案は、そのパイプラインを単一の「オムニモーダル」システムに畳み込むことです。公式マニュアルの言葉を借りれば、H3 は画像・動画・サウンドの生成を別々のタスクとして扱うのをやめ、脚本、顔のリファレンス、モーションクリップ、音楽トラックといったすべての素材を1つのブリーフとして読み込み、そこから完成したオーディオビジュアルシーンを生み出します。
具体的には、1つのプロンプトで最大12ファイルを H3 に渡せます。画像を最大9枚、動画クリップを3本（合計15秒）、音声トラックを3本です。各リファレンスには役割を宣言します。この画像はキャラクターの顔を固定する、この動画はモーションリファレンス、このトラックはペースを決める、という具合です。モデルはそれらをコラージュするのではなく融合します。キャラクターの一貫性を保ちながら、同時にモーションリファレンスに合わせ、さらにビートに同期させることを別々のツールで試したことがあるなら、これがなぜ重要か分かるはずです。
サウンドは後付けではない
H3 のすべての生成には、ピクセルと同じパスで作られるネイティブステレオ音声が付属します。リップシンク付きのセリフ、ルームトーン、効果音です。真のネイティブ音声を実現しているモデルはごく一握りで（Seedance 2.0、Veo 3.1、Wan 2.6 が代表格）、H3 は言語面でさらに踏み込んでいます。TTS は中国語・英語・日本語・韓国語・フランス語・ドイツ語・スペイン語を含む11言語を高精度でカバーし、派生によりさらに約40言語に到達します。リファレンストラックから声質をクローンして移植することもでき、「この広告を3つの市場向けにローカライズする」という作業が、制作プロジェクトからプロンプト1つに変わります。
編集こそが目玉機能
ここが、私たちが追跡しているほぼすべてのクリップ生成モデルと H3 を分ける部分です。H3 は既存の映像に対する編集指示を受け取ります。マニュアル自身の例は見事なまでに日常的で、「動画の中の猫を犬に置き換えて」から始まり、光るコンビニの看板を差し替え、ソーダ缶をブランドコーラに変え、さらに締めのセリフを書き換える — これらすべてを1つの指示で、ショット内の他の要素はそのままに実行する、というレベルまでエスカレートします。背景を変えてシーンをリライトし直すことも、セリフを1行差し替えて演技を微妙に合わせ直させることも、キャラクターの声をクローンした声質に移植することもできます。これは Pixo の Playground で今日から試せます。映像をビデオリファレンスとしてアップロードし、それに対する指示を書くだけです。
制作の現場にいるクリエイターにとって、これはAI動画で最もコストのかかる習慣 — ガチャの回し直し — への攻撃です。ショットが90%正しいとき、欲しいのは新しいショットではなく、残りの10%なのです。
3つの生成モード
マニュアルは H3 を駆動する3つの異なる方法を定義しており、自分がどのモードにいるかでプロンプトの書き方が変わります（公式の型に基づいた MiniMax H3 プロンプトガイドも用意しました）。
1. オムニリファレンスモード。 前述の12ファイルフルマルチモーダル入力です。すべてのアセットの役割 — 顔の固定、モーションリファレンス、ペーストラック — をラベル付けし、シーンを記述します。
2. 最初/最後フレームモード。 画像を1〜2枚渡します。2枚の場合、H3 はそれらを最初と最後のフレームとして扱い、その間のモーション・ライティング・サウンドを補完します。注目すべきは、このモードではカメラのカットを勝手に作らないことです。アスペクト比は入力画像に従います。
3. 純粋なテキスト・トゥ・ビデオ。 リファレンスなしで、モデルがあなたの記述から被写体・シーン・アクションを構築します。プロンプトは7,000文字まで書け、H3 は雰囲気だけの文章より、具体的で視覚的、カメラを意識した記述に応えます。
現在のモデル勢力図における H3 の位置
正直に言えば、H3 がすべての軸で支配的なわけではなく、しかもローンチ日は激戦区でした。Kling 3.0 と Veo 3.1 は依然としてより高い素の解像度（4K）を出力します。そして7月31日 — まさに H3 の出荷当日 — ByteDance は Seedance 2.5 をリリースし、ワンパス生成を最長180秒まで押し上げ、独自の指示ベース編集モードも追加しました。「生成してから編集する」という発想はもはや H3 だけのものではありません。両旗艦の詳細比較は MiniMax H3 vs Seedance 2.5 にまとめています。
それでも H3 が明確に独占しているのは、編集の声と言語の側面です。セリフを書き換えて演技を追従させること、リファレンストラックから声をクローンすること、そして映像を生成したのと同じシステムでの11言語 TTS。仕事がブランド案件、セリフ、複数市場に関わるなら — 一発芸的なスペクタクルショットではなく — この組み合わせは解像度の一段階よりも価値があります。
とはいえ、1つのモデルだけでは映画にはなりません。15秒のジェネレーターが本当に役立つのは、ストーリーボードの中で他のモデルの隣に収まったときです。物理演算が重いアクションには Seedance、後で修正したくなるセリフのシーンには H3、という具合に。このショット単位のマルチモデルワークフローこそ、Pixo のエージェントが中心に据えているものです。H3 は現在 Pixo の Playground でシングルショット生成に対応済みで、ストーリーボードは今日 Seedance 2.0、Kling 3.0、Veo 3.1 を実行します。まずは Hailuo ハブを出発点にしてください。
提供状況と料金
H3 はコンシューマー向け Hailuo AI アプリと、MiniMax のオープンプラットフォーム API（モデルID MiniMax-H3）で利用できます。ローンチ時の API 料金は、音声付き6秒2Kクリップで約 $0.78。旧世代 Hailuo 2.3 のレート（768p で $0.28）を明確に上回っており、MiniMax がこのモデルを市場のどこに位置づけているかが分かります。MiniMax はオープンウェイトの公開も予告しています。そして API ファースト戦略は明らかに機能しています。最初の1週間で、H3 はすでに多数のサードパーティ制作プラットフォームに波及しました。このモデルへの素のアクセスは急速に広がっており、誰の堀にもならないでしょう。
素のクリップではなく完成した動画のレベルで作業したいなら、Pixo は Seedance、Kling、Veo、Hailuo をはじめとする主要動画モデルを、1つのエージェント駆動ストーリーボードワークフローの背後で実行します。MiniMax H3 は Pixo の Playground で利用可能になりました。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 で生成できます。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。
よくある質問
MiniMax H3 とは何ですか?
MiniMax H3（Hailuo 3.0 とも呼ばれます）は、MiniMax が2026年7月31日にリリースしたオムニモーダル動画モデルです。テキスト・画像・動画・音声を1つの統合されたコンテキストとして扱い、4〜15秒のマルチショット動画を最大2K（1440p）で、ネイティブステレオ音声付きでワンパス生成します。
MiniMax H3 と Hailuo 3.0 は同じものですか?
はい。MiniMax が企業名、Hailuo がそのコンシューマー向け動画ブランド、H3 が第3世代モデルです。API のモデルIDは MiniMax-H3 で、コミュニティの多くは Hailuo 3.0 と呼んでいますが、同一のモデルです。
MiniMax H3 はどの解像度と長さで出力できますか?
H3 は 4〜15秒のクリップを 24 fps で、21:9 から 9:16 までの6つのアスペクト比で生成します。768p モード（結果を 1440p にアップグレード可能）と、MiniMax が公式に推奨する 1440p モードがあり、21:9 では最大 2976×1248 になります。
MiniMax H3 は音声を生成しますか?
はい。H3 のすべての出力には、動画と同じパスで生成されるネイティブステレオ音声が含まれます。リップシンク付きのセリフ、環境音、効果音です。TTS は11言語を高精度でカバーし、派生によりさらに約40言語に対応します。
MiniMax H3 で動画を編集できますか?
はい。これこそが最大の特徴です。H3 は既存の映像に対する自然言語の編集指示を受け付けます。キャラクターやオブジェクトの差し替え、背景やライティングの変更、セリフの書き換え、声の移植などを、編集していない領域を安定に保ったまま実行します。
MiniMax H3 はどこで試せますか?
H3 は Hailuo AI アプリ、MiniMax オープンプラットフォーム API（モデルID MiniMax-H3）で利用でき、すでに多くのサードパーティ制作プラットフォームにも登場しています。ローンチ時の API 料金は、音声付き6秒2Kクリップで約 $0.78 です。
