ニュース

音声同時生成の2K動画AI「MiniMax H3」公開、数日中にオープンウェイトへ

竹元かつみ

2026年7月31日 13:09

　「動画1のカメラワークをまねて、画像2の人物に、音声3の歌声で歌わせる」——こうした1行の指示に応える動画生成AIが登場した。MiniMaxが7月31日(日本時間)に発表した「MiniMax H3」だ。最長15秒・2K解像度の映像をステレオ音声ごと一度に生成し、自社の動画サービス「Hailuo AI」とMiniMax APIで同日から使える。モデルウェイトは「数日中に公開する」と予告されたが、ローカルでの実行を検討するユーザーが最初に知りたいパラメータ数とライセンスは、この時点では伏せられたままだ。

最大12ファイルの参照素材を言葉だけで束ねるMiniMax H3

　MiniMax H3は、テキスト・画像・動画・音声という種類の異なる入力をひとつの文脈として理解し、そこから映像を生成する汎用マルチモーダル動画生成モデルだ。解像度は2Kが標準で、長さは5秒から15秒。人の声や効果音、音楽を含むステレオ音声を、後付けではなく映像と同時にネイティブ生成する。文字やブランド要素の正確な描写、広告やEC、製品デザイン、ゲームといった商用の映像制作に使える品質をうたう。

　参照素材の扱いは自由度が高く、1回の生成に最大9枚の画像、3本の動画、3本の音声(合計12ファイルまで)を与えられる。冒頭の指示はその一例で、素材同士の関係は言葉で伝えるだけでよい。既存動画の要素を指示で差し替える編集や、動きだけを別の映像に移す加工にも対応する。

MiniMax H3の安さを支える独自開発の基盤技術

　価格面では、2K生成時の秒あたり料金を「主流モデルの3分の1未満」、768p生成時の料金を「主流モデルの720p料金の半分未満」とアピールする。この安さを支えるのが、独自開発の一連の基盤技術だ。

　映像などを圧縮する「H3-VAE」は、実効シーケンス長(モデルが一度に扱えるデータ量)を従来トークナイザ比で4倍に伸ばし、ネイティブ2K出力を可能にした。2Kへの仕上げは、解像度を後処理で引き上げる一般的な超解像ではなく、低解像度の出力を文脈ごと作り直す「In-Context Regeneration」が担う。超解像では推測になりがちな小さな文字などの細部を復元できるという。

　このほか、映像・音声・言語の関係を文章として記述する技術「Contextual Omni Representation」が、幅広い指示に追従する能力の基盤となっている。学習面では、処理速度を3割近く高めた学習基盤「H3-Omni Transformer」が支える。

パラメータ数とライセンスは未公表、手がかりはMiniMax M3の前例

　冒頭に挙げた2点への答えは、今回の発表では示されなかった。ウェイト公開の時期も「数日中」との予告にとどまる。

　手がかりになるのは前例だ。同社は6月、大規模言語モデル(LLM)「MiniMax M3」のウェイトを、API提供開始の11日後にHugging Faceで公開した。その際のライセンスは、非商用なら無償、年間売上2,000万ドル(約32億円、1ドル=約160円換算)未満なら届け出と「Build with MiniMax」の表記のみで商用利用を認める内容だった。MiniMax H3のパラメータ数とライセンスがいつ、どの形で示されるかは、まだ明らかになっていない。