MiniMax H3 とは? 仕様・生成モード・実力を検証（2026年）

2026年7月31日、MiniMax は Hailuo シリーズで最も野心的なモデルを投入し、「動画モデル」という言葉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、単にプロンプトをクリップに変えるだけのモデルではありません。テキスト・画像・動画、そして音声までを1つの統合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秒のシーンを生成し、さらにその結果を、ガチャを引き直すのではなく日常の言葉による指示で編集できます。

私たちはマルチモデルAI動画プラットフォーム Pixo を開発しています。そのため最先端モデルが登場するたびに、必ず2つのことをします。公式ドキュメントを1行ずつ読むこと、そしてすでに運用中のモデルと突き合わせて検証することです。この第一印象レポートは、MiniMax 公式の動画生成ドキュメントと H3 モデルカードに基づいています。正確な入力上限、3つの生成モード、そしてそもそもこのモデルを動かせるかどうかを左右するライセンス制限など、英語圏の記事ではまだほとんど触れられていない詳細も含みます。

ここでは H3 とは何か、何が本当に新しいのか、そして動画を仕事にしている人にとって何を意味するのかを見ていきます。

MiniMax H3 の概要

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

多くのAI動画ツールは、専用モデルをつないだパイプラインです。テキスト・トゥ・ビデオ用が1つ、リップシンク用が1つ、アップスケール用が1つ、音声用にまた別のもの。H3 で MiniMax が掲げるのは、そのパイプラインを単一の「オムニモーダル」システムへ畳み込むことです。アーキテクチャとしては、動画バックボーンにエンコーダーを継ぎ足すのではなく、あらゆるモダリティを1つのストリームで読み込む330億パラメータのデンス型Transformerです。実際には、画像・動画・音声の生成を別々のタスクとして扱うのをやめ、スクリプト、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、そこから完成した視聴覚シーンを生み出します。

具体的には、1回のプロンプトで最大12ファイルを渡せます。画像は最大9枚、動画クリップ3本（合計15秒）、音声トラック3つです。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、このトラックはテンポを決める、といった具合です。モデルはそれらをコラージュするのではなく融合させます。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、これがなぜ重要かは分かるはずです。

音声は後付けではない

H3 の生成物にはすべて、32kHzのネイティブステレオ音声が付いてきます。リップシンクされたセリフ、部屋の空気感、効果音が、映像と同じパスで作られます。真のネイティブ音声を持つモデルはごく一握りですが、H3 は言語面でさらに踏み込んでいます。音声はアラビア語・中国語・英語・フランス語・ドイツ語・イタリア語・日本語・韓国語・ポルトガル語・ロシア語・スペイン語の11言語をカバーします。さらにリファレンストラックから声の音色をクローンして移植できるため、「この広告を3市場向けにローカライズする」がプロジェクトからプロンプト1本に変わります。

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 は既存映像に対する編集指示を受け付けます。MiniMax 自身の例は見事に地味で、「動画の猫を犬に置き換えて」といったものから始まり、光るコンビニの看板を差し替え、炭酸飲料の缶をブランド入りのコーラに変え、さらに締めのセリフを書き換えるところまで、すべてを1つの指示で、しかもショット内の他のすべては動かさずに実行します。背景の変更やシーンのライティング変更、セリフの差し替えとそれに合わせた演技の微調整、キャラクターの声をクローン音色へ移植することも可能です。

現場のクリエイターにとって、これはAI動画で最も費用がかかる習慣、すなわち再生成に直撃します。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%だからです。

3つの生成モード

ドキュメントは H3 を動かす3つの明確な方法を定義しており、自分がどのモードにいるかによってプロンプトの書き方が変わります（公式の型に基づいた完全版はMiniMax H3 プロンプトガイドにまとめました）。

1. リファレンスモード。 上で説明した12ファイルのマルチモーダル入力です。顔の固定、モーションリファレンス、テンポ用トラックなど、各素材の役割をラベリングしたうえでシーンを描写します。

2. 画像・トゥ・ビデオ / 最初と最後のフレームモード。 画像を1枚または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・音声を埋めます。特筆すべきは、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。 リファレンスは一切なし。モデルが説明文から被写体・シーン・アクションを組み立てます。H3 は雰囲気よりも、具体的で視覚的、カメラを意識した書き方に応えます。

オープンウェイト — ただし地域の落とし穴つき

これはほとんどの記事が飛ばしている点であり、H3 が自分にとって使えるかどうかを決定づける点です。

8月3日、MiniMax は H3 のウェイトを Hugging Face で公開しました。最先端の動画モデルの本物のオープンリリースであり、Seedance をクローズドに保つ ByteDance とは戦略的に正反対の動きです。ただし適用されるのは Apache でも MIT でもなく MiniMax H3 コミュニティライセンスであり、ライセンス本文は「適用地域」を、欧州連合、英国、大韓民国、アメリカ合衆国を除く全世界と定義しています。

平たく言えば、米国・EU・英国・韓国にいる場合、このコミュニティライセンスはウェイトをローカルで動かす権利を与えていません。それ以外の地域でも、年間売上2,000万ドルを超える商用利用には別途書面での許諾が必要で、加えて製品内に「MiniMax H3」のクレジットを表示する必要があります。

多くの読者にとって、現実的なルートはローカルデプロイではなくホスト型API、あるいはアクセスをライセンスしているプラットフォームということになります。異例の制限であり、動かす権利がないかもしれないモデルのためにGPU予算を組む前に知っておく価値があります。

現在のモデル勢力図における H3 の位置

率直に言えば、H3 はすべての軸で支配的なわけではなく、しかも混み合った日に登場してしまいました。Kling 3.0 と Veo 3.1 は依然として素の解像度で上回ります。そして H3 が出た7月31日のまさに同じ日、ByteDance は Seedance 2.5 を Dreamina でグローバル公開し、30秒のワンテイク生成と最長3分に達するロングビデオモードを打ち出し、独自のタイムスタンプ編集モードまで追加しました。「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。2つのフラッグシップの詳細な比較は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、編集における声と言語の側面です。セリフを書き換えると演技もそれに合わせて調整され、リファレンストラックから声をクローンでき、映像を生成したのと同じシステムで11言語の音声を扱えます。単発の見せ場ショットではなく、ブランド・セリフ・複数市場が絡む仕事なら、この組み合わせは解像度がもう一段上がることよりも価値があります。

とはいえ、モデル1つでは映画になりません。15秒のジェネレーターが本当に役立つのは、他のモデルと並んでストーリーボードに収まったときです。物理演算が重要なアクションのビートは Seedance、あとで手直ししたいセリフのシーンは H3、といった具合に。このショットごとのマルチモデルワークフローこそ、私たちが Pixo のエージェントを設計した理由であり、Seedance 2.0・Kling 3.0・Veo 3.1 と並べて Pixo のストーリーボードに H3 を迎える準備を進めている理由でもあります。

提供状況と料金

H3 はコンシューマー向けの 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）で稼働しています。表示価格は2K動画1秒あたり0.13ドル、音声付き6秒クリップでおよそ0.78ドルで、より安価な768pのティアもあります。従来の Hailuo 2.3 の料金よりはっきり高く、MiniMax がこのモデルを市場のどこに置きたいかが読み取れます。そしてAPIファーストの戦略は明らかに機能しています。公開から1週間のうちに、H3 は多数のサードパーティ製クリエイティブプラットフォームに広がりました。このモデルへの素のアクセスは急速に一般化しつつあり、長く誰かの堀にはならないでしょう。

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な動画モデルを、エージェント主導のストーリーボードワークフローの裏側で動かしています。MiniMax H3 もそのラインナップに加わる予定です。今すぐ登録すれば、新規ユーザーには200クレジットが無料で付与され、H3 が到着した瞬間からディレクションを始められます。

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日に公開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つの統合コンテキストとして扱い、最大2Kの4〜15秒の動画を、ネイティブステレオ音声付きで一度の生成で出力します。

MiniMax H3 と Hailuo 3.0 は同じものですか?

はい。MiniMax が企業名、Hailuo がコンシューマー向け動画ブランド、H3 が第3世代モデルを指します。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、同じモデルです。

MiniMax H3 は音声も生成しますか?

はい。H3 の出力にはすべて、映像と同じパスで生成された32kHzのネイティブステレオ音声が含まれます。リップシンクされたセリフ、環境音、効果音まで対応します。音声は中国語・英語・日本語・韓国語・アラビア語・フランス語・ドイツ語・イタリア語・ポルトガル語・ロシア語・スペイン語の11言語をカバーします。

MiniMax H3 で動画を編集できますか?

はい。これが最も際立った機能です。H3 は既存の映像に対して、日常の言葉で書いた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、編集しない領域は安定させたまま実行できます。

MiniMax H3 はオープンソースですか?

MiniMax は2026年8月3日、330億パラメータのウェイトを Hugging Face で公開しましたが、ライセンスは標準的なオープンソースではなくコミュニティライセンスです。適用地域から米国・EU・英国・韓国が除外されているため、これらの地域のクリエイターは自前でデプロイせず、ホスト型APIを利用すべきです。

本記事の仕様は、2026年8月5日時点の MiniMax 公式動画生成ドキュメント、MiniMax-H3 の Hugging Face モデルカード、および公開されたライセンス本文を読み取り、Pixo で実運用しているモデルと突き合わせて確認したものです。料金とライセンス条件は変わります。予算を組む前に一次情報をご確認ください。