ニュース
高性能な動画生成AI「MiniMax-H3」オープンウェイト公開。商用利用も可能
2026年8月3日 13:55
MiniMaxは8月3日(中国時間)、テキストや画像、動画、音声などさまざまな素材を包括的に理解し、最高2K解像度のステレオ音声付き動画を生成できる汎用AIモデル「MiniMax-H3」の重みを、Hugging Faceにて公開した。
ライセンスはMiniMax-H3コミュニティライセンスで、商用利用も可能だが、ライセンス表記が必要となる。年間売上が2,000万ドル(約31億円、1ドル=約155円換算)を超える場合は、MiniMaxの事前の書面許諾も必要になる。なお、EUや英国、韓国、米国は適用地域外で、利用には同社への相談が別途必要だ。
MiniMax-H3は、テキストから動画を生成できるほか、映像と同期したステレオ音声の同時生成、始点/終点となる画像からの動画補間、さらに複数の参照動画や音声を取り込んだ高度な指示に対応する動画生成AIモデル。開発/導入環境への対応は幅広く、DiffusersやComfyUI、SGLang、vLLMといった主要な推論フレームワークをサポートしているほか、Web上で体験できるHailuo AIや開発者向けのMiniMax Open Platform APIも用意されている。
生成される動画の長さは4秒から15秒で、21:9や16:9、4:3、1:1、9:16など多彩なアスペクト比に対応し、フレームレートは24FPS、音声は32kHzのステレオ出力となる。対応言語は日本語、英語、中国語、韓国語、フランス語、ドイツ語など11言語。
今回公開されたオープンソースのチェックポイントには2つのバリエーションが存在する。「H3-Base-FL2VA」は、テキストからの生成に加えて最大2枚の入力画像をもとに始点や終点のフレームを指定した動画生成を行なえる。もう一方の「H3-Base-Ref2VA」はオムニリファレンスモードとして機能し、最大9枚の画像、最大3クリップの動画、最大3クリップの音声を組み合わせ、合計12ファイルまでの複合入力を一括で処理できる。
本システムは大きく3つのモジュールによって構築されている。前処理を担う「H3-Context-IR」は、入力された複雑なマルチモーダル指示をモデルが理解しやすい中間表現へ変換。コアモデルであるH3-Baseは、その情報をもとに映像と32kHzのステレオ音声を同時に予測し、標準768p解像度で生成を行なう。さらにH3-Regenerate-2Kモジュールを組み合わせることで、768pの生成結果と元の文脈情報を活用し、ディテールを損なうことなく最大2Kの高解像度動画へと再生成する仕組みとなっている。
モデルのメインエンジンには、330億パラメータ(33B)規模のDenseシングルストリームTransformerである「H3-Omni-Transformer」を採用しており、時空間の位置表現には3次元マルチモーダル回転位置埋め込み「MM-RoPE」を導入。また、テキストエンコーダには「Qwen3-VL-32B」の重みが活用されている。
