MiniMax H3公開｜音声付き動画をローカル生成

MiniMaxは2026年8月2日、動画生成AI「MiniMax H3」のモデル重みを公開しました。テキストだけでなく、画像、動画、音声を参照し、映像とステレオ音声を同時に生成できます。

ただし、「最大2Kの動画を完全にローカルで作れる」と理解するのは正確ではありません。公開された中心部分は768pを生成するH3-Baseです。入力を整理するH3-Context-IRと2K化を担うH3-Regenerate-2Kは、現時点では公式APIを使います。

企業は画質だけで採否を決めず、公開範囲、計算資源、ライセンス、生成物の審査を一つのPoCで評価する必要があります。

MiniMax H3で何が発表されたのか

MiniMax H3は、映像の後から音声を付ける方式ではなく、動画と音声の潜在表現を一つのTransformerで予測する生成システムです。公式モデルカードでは、次の仕様が示されています。

ここでいうオムニモーダルとは、テキスト、画像、動画、音声を別々の機能として扱わず、相互関係を含む一つの文脈として処理する設計です。たとえば、商品の静止画、既存CMの動き、ナレーションの声質を参照し、別の短編動画を生成する使い方が考えられます。

最大12ファイルを参照できる

Omni-referenceモードでは、画像は9枚まで、動画は3本まで、音声は3本まで入力できます。動画と音声は各2〜15秒で、合計時間はそれぞれ15秒以内です。全入力形式を合わせた上限は12ファイルです。

音声だけを単独で参照することはできず、画像または動画を添える必要があります。この制約は、音の特徴だけでなく、誰がどの場面で話すかを映像側と結び付ける設計によるものです。

ローカル公開の範囲と従来型サービスとの違い

MiniMax H3の価値は、生成サービスだけでなくモデル重みが公開された点にあります。一方、すべての工程がローカル化されたわけではありません。

公式が示すシステムは3段階です。

1. H3-Context-IR：複数素材の関係を読み取り、生成用の中間表現へ整理する
2. H3-Base：整理された入力から768pの映像と音声を生成する
3. H3-Regenerate-2K：元の文脈と768p動画を使い、2Kで再生成する

初回のオープンウェイト公開に含まれる中心部分はH3-Baseです。H3-Context-IRは複数のホスト型モデルとサービスを使うため非公開であり、H3-Regenerate-2Kもまだ公開されていません。公式品質の2Kを再現する手順では、ローカルのH3-BaseとMiniMax APIを組み合わせます。

H3-Baseは33BパラメータのTransformerです。公式のSGLang実行例は4 GPU構成で、一般的な業務用PCを前提にしていません。ローカル運用は「無料で軽く動く」という意味ではなく、データ配置と実行環境を自社で制御できる選択肢です。

企業で使いやすい3つの業務

現時点の4〜15秒という出力時間を考えると、長編作品より短い業務素材の試作に適しています。

商品説明動画のラフ制作

商品画像とブランドガイドを参照し、ECサイトや展示会で使う短い動画の構図を試せます。最終納品物を一度で作るより、撮影前に複数の演出案を比較する用途が現実的です。

広告クリエイティブの検証

縦型、横型、正方形など複数比率を生成し、冒頭3秒の見せ方を比較できます。生成速度だけでなく、ブランドロゴ、商品形状、日本語音声が崩れていないかを評価項目に含めます。

研修やマニュアルの場面再現

接客や安全教育の短い場面を作り、研修前の議論材料にできます。ただし、実在人物の顔や声を本人の同意なく参照する運用は避ける必要があります。生成物を教材として公開する前に、人が内容と権利を確認する工程を残します。

商用利用前に確認すべきライセンス

MiniMax H3は「オープンウェイト」ですが、Apache 2.0のような一般的なオープンソースライセンスではありません。独自のMiniMax H3 Community Licenseが適用されます。

日本は適用地域だが除外地域がある

ライセンスの適用地域は、米国、EU、英国、韓国を除く世界です。日本は除外地域に含まれていません。ただし、除外地域でモデルや出力を利用、表示、配布する行為は許可されていないため、海外拠点、配信地域、クラウドの設置地域まで確認する必要があります。

商用サービスには追加条件がある

年間売上が2,000万米ドルを超える商用製品やサービスで使う場合、MiniMaxへの事前の書面承認が必要です。商用製品のUIには「MiniMax H3」を目立つ形で表示する条件もあります。

さらに、公開環境へ生成情報を出す場合は、AI生成であることを明確に表示する規定があります。モデルを組み込んだサービスを第三者へ提供する企業には、違反利用を防ぐ仕組み、通報窓口、調査と停止の手順も求められます。

MiniMaxは生成出力への権利を主張しないとしています。しかし、出力が第三者の著作権、商標権、肖像権を侵害しないことまで保証するわけではありません。素材の利用許諾と公開前審査は利用企業の責任です。

動画生成AIの選定では、画質比較だけでなく、入力素材の保存先、ライセンス、公開前審査を一つの運用として設計する必要があります。

AI顧問の詳細・無料相談はこちら →

日本企業が30日で試す4ステップ

MiniMax H3を試すなら、モデル導入そのものを目的にせず、既存業務の一工程を短くするかを検証します。

1. 用途を一つに絞る：商品紹介、広告ラフ、研修素材のいずれかを選びます。
2. 素材の権利を確認する：自社保有または利用許諾済みの画像、動画、音声だけで始めます。
3. 10本を同じ基準で評価する：指示遵守、人物と商品の一貫性、音声品質、生成時間、修正工数を記録します。
4. 公開前審査を通す：事実、ブランド、著作権、肖像、AI生成表示を担当者が確認します。

最初から2Kやローカル環境にこだわる必要はありません。公式アプリやAPIで業務価値を確かめた後、機密素材や生成量がローカル基盤の費用を上回ると判断できた段階で、H3-Baseの自社運用を検討します。

よくある質問

Q. MiniMax H3は完全にローカルで2K動画を生成できますか？

公式の完全な2Kワークフローはローカルだけでは完結しません。公開されたH3-Baseは768p生成を担います。入力整理のH3-Context-IRと2K再生成のH3-Regenerate-2Kは、現時点で公式APIを使います。

Q. 日本企業はMiniMax H3を商用利用できますか？

日本はCommunity Licenseの除外地域に含まれていません。ただし、年間売上2,000万米ドル超の商用製品には事前承認が必要です。名称表示、AI生成表示、利用制限、海外配信地域も確認してください。

Q. 一般的な業務用PCで動かせますか？

現実的ではありません。H3-Baseは33Bパラメータで、公式SGLang例は4 GPU構成です。まず公式アプリやAPIで価値を検証し、必要な生成量とデータ管理要件が明確になってから基盤を見積もる方が安全です。

まとめ

MiniMax H3は、最大15秒の映像と32kHzステレオ音声を同時生成し、日本語を含む11言語を扱える動画生成モデルです。複数の画像、動画、音声を参照できるため、商品紹介や広告ラフの試作に使えます。

一方、ローカル公開はH3-Baseが中心で、公式品質の2K工程はAPIを併用します。日本企業は画質だけでなく、地域制限、商用条件、名称表示、AI生成表示、素材の権利を30日PoCで同時に確認してください。

参考資料

• MiniMax H3 公式モデルカード
• MiniMax H3 Community License
• MiniMax H3 公式GitHub
• MiniMax Video Generation API
• ASCII.jpの実機検証

動画生成AIの導入と運用設計を支援します

株式会社Nexaでは、最新AIツールの選定、PoC設計、利用ルール整備を支援するAI顧問サービスを提供しています。自社素材をどこまで外部サービスへ渡せるかという段階からご相談いただけます。

AI顧問の詳細・無料相談はこちら →