MiniMax H3とは？料金・使い方・商用利用条件

こんにちは。AIあれこれ散歩道、運営者のもっちゃんです。

MiniMax H3は、文章だけでなく画像・動画・音声も手がかりにして、映像と音を同時に作れる動画生成AIです。ところが、公式Webアプリ、API、ComfyUIでは準備や料金の考え方が違い、「無料で使えるのか」「15秒や2Kに対応するのか」「日本語のせりふは出せるのか」が分かりにくいですよね。

この記事では、公開モデルとホスト型機能を混同せず、2026年8月10日時点の公式資料に合わせて確認します。初めて試す人が自分に合う入口を選び、素材数や費用、商用条件でつまずかないところまで順番に見ていきましょう。

MiniMax H3とは何ができる動画AIか

まずは、何を入力できて、どこまでの動画を出力できるのかを押さえます。同じMiniMax H3でも、文章や始点画像から作る方法と、人物・物・音声などの参照素材を渡す方法では、使うチェックポイントが変わるからです。

できることと対応仕様

MiniMax H3は、MiniMaxが公開した汎用オムニモーダル動画生成モデルです。オムニモーダルとは、文章、画像、動画、音声という複数の情報を一緒に扱えること。映像だけを作って後から音を付けるのではなく、場面に合わせた会話、効果音、環境音、音楽を動画と同時に生成できます。

公式リポジトリで案内される動画の長さは4〜15秒、フレームレートは24fps、音声は32kHzのステレオです。縦横比は21:9、16:9、4:3、1:1、3:4、9:16に対応します。横長の解説動画からスマートフォン向けの縦動画まで、用途に合わせた比率を選べるわけです。

通常の出力は短辺768ピクセルが基準で、2K化には後述するH3-Regenerate-2Kを使います。最初からすべてを2Kで作るというより、まず内容を確認してから高解像度化する流れだと考えると分かりやすいでしょう。生成できる長さは最大15秒でも、長いほど料金と確認項目が増えるため、最初は5秒程度がおすすめです。

日本語は、安定した対話生成に対応するとされる11言語の一つです。ただし、対応言語だから読み方や口の動きが必ず思いどおりになるとは限りません。固有名詞、数字、専門用語がある場面は短い台詞で試し、発音と映像を確認してから尺を伸ばすのが堅実です。

音と映像が一度に出る点は便利ですが、編集工程がなくなるわけではありません。人物の手指、背景の文字、物体の出入り、音量差、会話の重なりを一つずつ見ます。商品紹介や解説に使うなら、画面に偶然現れた文字や数字も拡大して確認しましょう。見落とした小さな表示が、視聴者へ誤った情報を伝えることがあるためです。

詳しいモデル構成や公開範囲は、MiniMax H3の公式GitHubリポジトリで更新されます。この記事の仕様は2026年8月10日時点なので、実行前にはリポジトリの更新履歴も見てください。

Web版とAPIとローカルの違い

MiniMax H3を使う入口は、大きく分けて公式Webアプリ、API、公開チェックポイントを使うローカル実行の3つです。見た目は同じモデル名でも、操作の難しさ、費用の数え方、使える機能が同一とは限りません。

まず映像を一つ作ってみたいなら、ブラウザで操作できるHailuo AIが入りやすいでしょう。画面からモードと素材を選び、文章を入力して生成します。プランやクレジット表示は変更される可能性があるため、生成ボタンを押す直前の消費量を確認するのが大切です。

APIは、動画を繰り返し作る仕組みや自社ツールへ組み込む人向け。秒単価が明示され、処理状況をプログラムから取得できます。一方、ローカル実行は公開チェックポイントを自分の環境へ用意する方法で、導入や計算資源の管理が必要です。Web版の無料枠、APIの従量料金、公開モデルのライセンスは別々に判断してください。

選び方の基準は「データをどこへ送るか」も含みます。Web版とAPIは素材をサービス側へ送信するため、社外秘の資料や公開前の商品画像をそのまま投入しない運用が必要です。ローカル実行でも、追加ノードやダウンロード元が安全とは限りません。機密性の高い案件では、社内ルール、保存期間、アクセス権、ログの扱いを先に決めてください。

既存サービス上で動画を作る流れを先に知りたい人は、Higgsfield AIの使い方・料金・注意点も参考になります。操作画面は異なりますが、素材の権利、生成前のクレジット、公開範囲を先に見る考え方は共通です。

3つの入力モード

公開資料では、文章から動画を作るT2V、始点や終点の画像を使うFL2VA、複数の参照素材を使うRef2VAという考え方が示されています。迷ったら、まず「場面を言葉だけで作るのか」「構図の出発点があるのか」「人物や物の見た目を参照させるのか」で選びましょう。

FL2VAは、文章に加えて、始点または終点となる画像を0枚、1枚、2枚から指定できます。2枚なら最初と最後の状態を渡し、その間をつなぐ動きを作らせるイメージです。画像一枚から自然な動きを作りたい場合は、1枚の画像を動かす無料アプリの比較も合わせて読むと、サービス選びの軸が見えてきます。

Ref2VAでは、画像は最大9枚、動画は最大3本、音声は最大3本です。ただし、それぞれの上限まで同時に使えるとは限らず、混在させる参照素材は合計12個まで。また、音声だけを単独で渡すのではなく、画像または動画と一緒に使う条件が公式リポジトリに記載されています。

素材を増やすほど良くなるわけではありません。同じ人物の正面写真と横顔、同じ商品の色違いなど、目的に関係する素材へ絞ったほうが指示を読み取りやすくなります。著作権、肖像権、音源の利用条件も、アップロード前に確認しましょう。

どの素材が結果へ効いたかを比べたいなら、ファイル名と役割を記録しておきます。たとえば「人物の正面」「商品の形」「声の調子」と分け、最初の生成では一種類ずつ加えます。結果が崩れた時点で直前の変更へ戻せるので、やみくもな再生成を減らせます。参照画像内の不要な文字や背景人物を取り除くことも有効です。

日本語音声と指示の書き方

日本語の会話を入れるときは、映像指示と台詞を分け、誰が何を話すのかを短く書きます。たとえば「静かな朝の台所。30代の日本人女性がカメラを見て、落ち着いた声で『今日は新しい映像表現を試します』と話す」のように、場所、人物、動作、声、台詞の順に並べると内容を確認しやすくなります。

一つの短い動画へ長い説明を詰め込むと、発話が急ぎ足になったり、口の動きと音がずれたりすることがあります。15秒使えるからといって、15秒分の台詞をぎりぎりまで書く必要はありません。最初の試作では一人、一文、単純なカメラ動作に絞り、結果を見て要素を足していくとよいでしょう。

数字や固有名詞は特に誤りが出やすい部分です。動画内の説明を事実として公開する場合は、生成された音を聞くだけでなく、台本と照合してください。字幕を後から編集できる制作手順にしておくと、映像全体を作り直さずに済む場合があります。

無料で2Kという説明の範囲

「MiniMax H3は無料で使える」「無料公開されたモデル」という説明は、対象を分けて読む必要があります。公開チェックポイントはHugging Faceなどから取得できますが、パソコンやクラウドGPUの計算費用まで無料になるわけではありません。公式Webアプリの試用クレジットや各プランの条件も、公開モデルの扱いとは別です。

2Kについても同様で、標準生成の短辺は768ピクセル。公式資料ではH3-Regenerate-2Kによって高解像度化する流れが案内されていますが、H3-Regenerate-2Kの重みは2026年8月10日時点で公開されていません。APIで使える機能と、ローカルで取得できる重みを同じものとして紹介しないことが重要です。

無料かどうかを判断するときは、「モデルファイルの取得」「計算する環境」「Webサービスのクレジット」「高解像度化」の4項目を分けましょう。ここが曖昧なままだと、無料だと思って始めたのにクラウドGPUや追加クレジットが必要だった、という食い違いが起きます。

さらに、公開モデルのファイルが取得できても、生成に必要な時間や電力、保存容量は環境ごとに違います。制作本数が少ない人はWeb版やAPIのほうが総負担を抑えられる場合があり、繰り返し検証する人はローカル環境が合うかもしれません。利用回数だけでなく、設定や保守に使う時間も含めて選ぶと現実的です。

MiniMax H3の使い方と料金の注意点

ここからは、実際に試す順番と費用、ライセンスを確認します。操作だけ先に進めるのではなく、素材の権利、生成秒数、利用地域、売上規模を一緒に見ることが、安全な公開への近道です。

公式Webアプリで試す手順

公式Webアプリで試す場合は、Hailuo AIのツール画面を開き、利用できるモデルからMiniMax H3を選びます。次に、文章だけで作るか、始点画像・終点画像を使うか、参照素材を使うかを決めてください。画面の表示名やクレジットは変更される可能性があります。

最初から参照素材を12個入れたり、15秒・2Kで試したりすると、失敗したときに何が原因か分かりにくくなります。文章だけ、5秒、標準解像度で動きを確認し、次に画像、音声、尺という順で足すのがよいでしょう。

動画AIごとの生成手順や尺の違いを比べたい場合は、Midjourney動画生成の使い方も確認できます。サービス名だけで決めず、音声の有無、料金、編集しやすさを用途に合わせて比べてください。

人物が登場する場合は、本人の同意や利用範囲も確認してください。実在人物に見える映像、誤解を招くニュース風映像、他者の作品やブランドをなぞる素材は、生成できることと公開できることが同じではありません。公式Webアプリの利用規約と投稿先の規約も合わせて読みます。

生成後は、映像を最初から最後まで通して見るだけでなく、数か所で一時停止します。顔や手の形、商品名、背景の看板、物体のつながりを確認し、音声はイヤホンでも聞いてノイズや不自然な発音を探してください。問題があれば公開前に再生成または編集し、修正履歴を残します。

公式Webアプリの入口と流れは、Hailuo AIのMiniMax H3ページで確認できます。画面に表示される利用条件や消費量を、その時点の最終情報として扱ってください。

ComfyUIで動かす準備

ローカルで試す場合、ComfyUIの公式チュートリアルではバージョン0.30.0以降への更新が案内されています。テンプレートは文章から動画、画像から動画、参照素材から動画という用途別に用意され、基本キャンバスはおおむね1344×768です。

公開チェックポイントはFL2VA用とRef2VA用が分かれているため、自分が使いたいワークフローと対応するファイルを選びます。モデル名が似ているからといって片方だけで全モードを動かせるわけではありません。ダウンロード容量や保存先、ノードが求めるファイル名もチュートリアルと照合しましょう。

注意したいのが、公式資料に最低VRAMが明示されていない点です。ネット上には6GB、8GB、12GBなどさまざまな目安がありますが、公式要件として断定できません。フルアテンションの動画モデルは負荷が大きくなりやすいため、手元のGPUだけで無理に進めず、まずテンプレートの読み込みと必要ファイルを確認してください。

ComfyUIを使う前には、現在の環境を複製するか、ワークフローを書き出して戻せる状態にしておくと安心です。追加ノードや依存関係の更新で既存環境へ影響することがあるためです。手順はComfyUI公式のMiniMax H3チュートリアルを基準にしてください。

長い処理へ進む前に、出力先の空き容量、途中ファイルの保存場所、温度や電力の監視も用意します。生成が止まったときは同じ処理を連打せず、エラー記録と空き容量を確認しましょう。小さい試作を一つ完成させてから解像度や尺を上げるほうが、原因を追いやすくなります。

API料金と15秒の目安

MiniMax公式の従量課金では、H3の768P生成が1秒あたり0.08米ドル、2K生成が1秒あたり0.13米ドルです。生成後に768Pから2Kへ高解像度化する再生成は1秒あたり0.05米ドル。音声入力は無料と案内されています。

これは動画本体の単純計算で、実際の請求には参照素材が加わる場合があります。参照画像は最初の5枚が無料で、6枚目以降は1枚0.04ドル。再生成では5枚を超えた分が1枚0.025ドルです。参照動画は時間と解像度に応じて課金され、再生成の入力動画は1秒あたり0.05ドルとされています。

たとえば15秒の768Pを一度作るだけなら1.20ドルが基本の目安です。ただし、同じ条件で5回試せば6.00ドル。生成AIは一回で完成するとは限らないため、一作品の予算は単価ではなく試行回数を含めて考える必要があります。為替、税、最低購入額などは契約画面で変わり得ます。

自動化する場合は、最大秒数、再試行回数、同時実行数に上限を付けましょう。APIの作成方法はMiniMax公式の動画生成APIリファレンス、単価は従量課金の公式価格表が根拠になります。

APIは作成要求を送った直後に完成動画が返るとは限らず、受け付けた処理の状態を確認する設計が必要です。通信が途切れたときに同じ要求を無条件で送り直すと、二重生成と二重課金につながる恐れがあります。要求ごとの識別子、開始時刻、設定、結果を保存し、完了か失敗かを確かめてから再試行してください。

日本で使うライセンス条件

公開チェックポイントには、MiniMax H3 Community License Agreementが適用されます。一般的な意味で何の条件もない「完全に自由なモデル」と受け取るのは危険です。利用地域、売上規模、表示義務、配布やホスト提供の条件を読んでから使います。

ライセンスの適用地域は、欧州連合、英国、韓国、米国を除く世界と定められています。日本は除外地域に含まれていません。ただし、年間売上が2,000万米ドルを超える組織が商用製品やサービスに使う場合、MiniMaxから事前の書面許可が必要とされています。

また、商用製品・サービスの利用者向け画面には「MiniMax H3」を目立つ形で表示する条件があります。モデルや派生成果物を配布する場合、ホスト型サービスとして提供する場合、第三者の権利や安全策に関する条件もあります。「日本なら無条件で商用利用できる」という意味ではありません。

ここで説明しているのは2026年8月10日時点の原文を読み解くための要点で、個別案件への法的助言ではありません。利用開始前にはHugging Face上の最新ライセンス原文と、自分の契約形態、提供地域、事業規模を照合してください。判断が難しい商用案件は、契約や知的財産に詳しい専門家へ相談するのが安全です。

よくある質問

Q1. MiniMax H3は無料で使えますか？

A. 公開チェックポイントは取得できますが、ローカルやクラウドで動かす計算費用まで無料になるわけではありません。Web版の試用枠やプラン、APIの従量料金も別です。どの入口を使うか決めてから費用を確認してください。

Q2. 日本語のせりふ入り動画を作れますか？

A. 日本語は安定した対話生成の対応言語に含まれます。ただし、固有名詞や長文の発音、口の動きが毎回正確とは限りません。一人の話者と短い台詞から試し、公開前に台本と照合しましょう。

Q3. MiniMax H3は最大何秒で2Kに対応しますか？

A. 公式仕様の動画長は4〜15秒です。標準は短辺768ピクセルで、2KはH3-Regenerate-2Kによる生成・再生成として提供されます。公開チェックポイントだけで同じ2K機能を使えるとは限りません。

Q4. 参照画像や動画はいくつまで使えますか？

A. Ref2VAでは画像9枚、動画3本、音声3本が種類ごとの上限で、混在する素材は合計12個までです。参照動画は1本2〜15秒、複数の合計も15秒以内。ファイル容量の上限もあるため、必要な素材だけに絞ってください。

Q5. 日本で商用利用できますか？

A. 日本はコミュニティライセンスの除外地域には含まれていません。ただし、売上規模による事前許可、商用画面での名称表示、配布やホスト提供などの条件があります。最新原文と自分の利用形態を照合してください。

MiniMax H3のまとめ

MiniMax H3は、短い映像と日本語を含む音声を同時に作り、始点・終点画像や複数の参照素材も扱える動画生成AIです。試しやすいWeb版、自動化向けのAPI、検証向けの公開モデルから、自分の目的に合う入口を選びましょう。

最初の一歩は、権利を確認した素材で5秒の標準解像度を一つ作ること。結果を見てから、参照素材、尺、2K、API自動化へ進むと、費用と失敗の原因を追いやすくなります。公開前には映像、音声、台本、素材の権利、ライセンスをもう一度確認してください。