MiniMax H3 徹底解説：2K動画・ネイティブ音声・実際のコストまで

MiniMax H3 徹底解説：2K動画・ネイティブ音声・実際のコストまで

性格診断を受け終わって、4文字のタイプと妙に当たっている説明文が表示されて、そして……スクリーンショットを撮る。ここ数年、それが終着点でした。結果は静止した1枚のカードで、静止画はあまり遠くまで届きません。

変わったのは、キャラクター設定を短編映像にするのに制作予算が要らなくなった、という点です。MiniMax H3 というモデルは、性格タイプの説明文を入力すると、音声つきの15秒・2K動画を返してきます。しかもコストはバス代程度です。この記事では、このモデルが実際に何なのかを整理し、価格を誇張なしで比較し、それを「自分自身」に適用するとどうなるかまで見ていきます。

まず、名前の混乱を解消する

同じものに3つの名前が使われていて、これが本当にややこしい原因になっています。

• MiniMax H3 — 研究・API文脈で使われるモデル名
• Hailuo 3.0（海螺 3.0 / Hailuo 03） — MiniMax が展開するコンシューマー向けブランド名
• H3 — 略称。どこでも使われます

これらはすべて同じモデルです。「MiniMax H3 vs Hailuo 3」という比較記事を見かけたら、それは同じモデル同士を比べているので読み飛ばして構いません。

このモデルが実際にできること

最大の特徴は、H3 が入力側でマルチモーダルであることです。多くの動画モデルはテキストプロンプトと、せいぜい画像1枚しか受け取りません。H3 はテキスト・画像・動画・音声を同じリクエストの中で受け取り、ひとつの文脈として保持し、1回の生成で結果を出します。映像と音声が同時に生成されるのであって、あとから音を貼り付けているのではありません。

この表から導かれる結論が2つあり、それが H3 が注目された理由です。

音声を演出できる。 音が映像と同じパスで生成されるため、カット割りを指定するのと同じ感覚で音を指定できます。「窓に当たる雨音、BGMなし、彼女が静かに『待ってる』と言う」——これは有効な指示であり、セリフが映像のタイミングにきちんと乗ります。無音の動画を作ってから音を足すモデルでは、これを安定して実現できません。そしてこのズレは、言語化できなくても目と耳が確実に気づいてしまう類のものです。

参照素材は「提案」ではなく「制約」。 画像9枚＋動画3本＋音声3トラックという枠は、「誰か」「どう動くか」「どんなテンポか」を別々に指定できることを意味します。人物の同一性は写真やイラストで、カメラの動きは動画クリップで、テンポは音声トラックで指定する。それぞれが別の軸を担当するので、ひとつのプロンプトの中で要素同士が奪い合うことがありません。

価格の計算を、誇張なしで

H3 が最も強く主張したのがこの点なので、形容詞ではなく実数で見ていきます。

Veo 3.1 Standard と比べると約3倍の差で、しかも H3 のほうが解像度は上です。ローンチ時の報道が見出しにしたのはこの比較で、この点は事実として成立しています。

正直な但し書きも書いておきます。Veo 3.1 Fast は H3 と1〜2セント差の範囲にあり、サードパーティのホスティング経由ではむしろ安くなる場合もあります。つまり「H3 は3分の1の価格」はスタンダード版に対しては正しく、Fast 版に対しては誤解を招く表現です。どちらと比べても残る優位性は、解像度と参照スタックです。Fast 版と同程度の価格で 2K と9枚参照が手に入る——これが実際の論点です。表向きの単価ではなく、実際に出てくる成果物を同条件で比べれば、差は再び開きます。

コンシューマー向けは秒課金ではなくクレジット制で、月1,000クレジットの約 $7.50 のプランから、月11,000クレジットの約 $49 のプランまで用意されています。生成は1秒あたり50クレジットからで、すべてのプランに商用利用権が含まれます。この種のプラットフォームの価格は記事より速く動くので、最新のプランとクレジット消費量は直接確認することをおすすめします。

オープンウェイトが変えること

MiniMax は H3 をオープンウェイトモデルとして公開しました。これは小さな脚注ではありません。

クローズドな動画モデルは「借りている」ものです。プロンプトを送るとクリップが返ってくる、しかし条件は自分の足元で変わりえます——価格も、コンテンツポリシーも、提供の継続も、すべて自分の管理外です。ウェイトが公開されているということは、コミュニティ製のツールで動かせて、ローカルのパイプラインに組み込めて、その企業が興味を失ったあとも使い続けられる、ということです。3年後にも存在している必要があるものを作っているなら、ベンチマークの数ポイントよりこの差のほうが重要になります。

同時に、身につけたプロンプトの知識が無駄になりにくい、という意味もあります。いつ廃止されるかわからないホスト型APIのために書き方を覚えるのは投資として弱いですが、ウェイトが公開されているモデルならそうではありません。

性格診断の結果を、ショートフィルムにする

ここからが、あなたがこのサイトを見ている理由につながる部分です。

性格タイプとは、要するにキャラクター設定です。特性があり、世界との関わり方があり、固有の感情のトーンがある。それはまさに動画モデルが欲しがっている入力であり、「シネマティックな女性のショット、美しい、4K」といった何も残らない曖昧なプロンプトよりはるかに優れています。

うまくいく構造は、次の6要素をこの順番で書くことです。被写体 → 環境 → 動作 → カメラ → 音 → 終わりの状態。

テンプレート1 — 一途で、穏やかなタイプ

20代後半の女性、柔らかいグレーのニットセーター。夕方早い時間、雨に濡れた窓辺の
キッチンテーブルに座っている。手書きで何かを書いていて、ふと手を止め、急がずに
顔を上げる。カメラは固定、ミディアムの斜め45度、浅い被写界深度、暖かい実光。
音：ガラスに当たる雨、背景でやかんが落ち着く音、BGMなし、紙をすべるペンの音。
最後は窓のほうを見て、穏やかに、かすかに微笑んで終わる。

テンプレート2 — 慎重で、観察するタイプ

混雑した夜のバスの最後方に立つ人物。背後の窓を街の灯りが流れていく。襟を立てた
ダークカラーのコート。人ではなく、窓に映る反射のほうを見ている。カメラは手持ち、
わずかに揺れる、ローアングル寄りのミディアムショット。音：エンジンの唸り、内容が
聞き取れない程度のくぐもった話し声、BGMなし。バスがカーブを曲がるのに合わせて、
カメラから顔をそむけて終わる。

テンプレート3 — 明るく、感情表現の豊かなタイプ

真昼、濡れた広場を横切る鮮やかな黄色いレインコートの青年。画面外の何かに笑いかけ、
片手を大きく振っている。カメラは歩く速度で横に並走、目線の高さ、明るく彩度高め。
音：雨、浅い水たまりを踏む足音、彼の笑い声、遠くの車の音。
最後は歩みの途中で肩越しにカメラを振り返って終わる。

3つに共通するパターンに注目してください。どれも1カット・1つの感情のビートで構成されています。15秒の中に物語全体を詰め込もうとしているものはひとつもありません。気質は、被写体が自分について説明することではなく、カメラの振る舞いと聞こえてくる音によって表現されています。

すでに画像がある場合——アバター、イラスト、キャラクターカードなど——は、それを開始フレームとして image-to-video モードに渡し、動きと音だけを記述してください。文章の説明しかない状態から始めるなら、text-to-video が同じ6要素構造をそのまま受け取ってくれます。

白紙の入力欄から始めるより、すでに機能しているものから始めたい場合は、公式プロンプトライブラリが使えます。完成した動画と、それを生み出したプロンプト全文がセットで並んでいます。自分で書き始める前に4〜5本読んでおくのが、構造を体に入れる一番の近道です。「どのくらいの粒度で書けばモデルが反応するのか」を推測しなくて済むようになります。

設計に織り込んでおくべき制約

どの動画モデルにも固有の「形」があります。H3 の形を先に知っておけば、それを自分で発見するために使うはずだったクレジットを節約できます。

15秒という上限は動かせない。 H3 が作るのはショットであって、フィルムではありません。それより長いものは複数クリップを生成してつなぐことになります。対処法： 照明と衣装の記述を固定のテキストブロックとして書いておき、すべての生成で一字一句そのまま使い回してください。そうやって作ったクリップは、驚くほど素直につながります。

1回の生成につき1カット。 ひとつのクリップの中で2つの場所を切り替えるよう指示すると、たいてい破綻した混ざり方をします。対処法： 先に絵コンテを切って、ショットごとに生成する。これは実写の商業制作でも同じで、3つのロケーションをワンテイクで撮る人はいません。

文字描画は「良い」が「完璧」ではない。 画面内テキストやブランドロゴの再現は以前のモデルより明確に向上していますが、数単語を超える長さのものは確認が必要です。対処法： 画面内の文字は短いフレーズに留め、長い文言はタイポグラフィを完全にコントロールできる編集ソフト側で乗せる。

速い動きの中では顔が揺らぐ。 9枚の参照スタックはこれを大きく改善しますが、完全には解決しません。対処法： ゆっくりとした意図的な動きのほうが同一性は保たれます——そしてそれは都合よく、この記事が扱っている内省的でキャラクター中心のクリップが求めているものそのものです。速さが必要なときは、顔がショットを支えなくて済む程度に引いた画角にしてください。

どれも、知ってさえいれば致命傷にはなりません。これらを知っているかどうかが、H3 をスロットマシンとして扱うか、カメラとして扱うかの分かれ目になります。

結局、誰に向いているのか

放送品質のフォトリアリズムが必要で、それに見合う予算があるなら、プレミアムなクローズドモデルが優位な場面はまだあるので、両方テストすべきです。一方、SNS向けのクリップ、キャラクターピース、商品カット、あるいは「15秒」が制約ではなくフォーマットそのものであるような制作をしているなら、価値の判断はシンプルです。2K出力、実用的な音声、9枚参照による制御、そしてオープンウェイト。それが、他モデルが 720p に対して請求する程度の価格で手に入ります。この記事を読んでいる大半の人にとって、これは迷うような比較ではないはずです。

自分の作りたいものに合うかどうかを一番速く知る方法は、この記事のプロンプトをひとつ MiniMax H3 の動画生成ツールに通してみて、返ってきた映像が頭の中の人物に見えるかどうかを確かめることです。所要時間は2分ほど——ここまで読むのに使った時間より短いはずです。