MiniMax H3とは？音声つき動画のオープンウェイト
MiniMax H3は文字・画像・動画・音声をまとめて読み取り、音声つきの動画を1つのモデルで生成するオープンウェイトの動画生成AIです。また、オープンウェイト（モデルの重みを誰でもダウンロードできるように公開すること）のモデルなので、Hugging Faceから重みを取得してローカル環境で動作させることができます。
MiniMaxは、ファインチューニング（公開された重みを元にした追加の学習）を含む開発にも使うことができるよう、重みを丸ごと公開したとしています。モデルカードではMiniMax H3を「汎用のオムニモーダル生成システム」と呼んでいます。
オムニモーダルは、文字・画像・動画・音声のように種類が異なる情報を、まとめて処理できることを表す言葉です。MiniMax H3は、文字・画像・動画・音声を1つのモデルで処理します。
MiniMax H3 is a general-purpose, omni-modal generative system. It supports unified understanding of multimodal contexts composed of text, images, video, and audio, and can generate video with native stereo audio at resolutions up to 2K and durations of up to 15 seconds. ／ We release the complete model weights to support further development, including fine-tuning. — 冒頭のシステム概要と、H3-Omni-Transformer の節にある重みの公開範囲の記述より公式情報を見る →
出力は最長15秒で解像度は短辺768pxがデフォルト
MiniMax H3が1回で出す動画の長さは4〜15秒で、解像度は短辺768pxがデフォルトです。また、フレームレートは24fpsで音声は32kHzのステレオで、アスペクト比は21:9や16:9、9:16を含む幅広い比率に対応します。
公式の紹介文にある「最大2K」の解像度は、後段のH3-Regenerate-2Kで生成し直したときの値です。発話は日本語・英語・中国語を含む11言語で安定しており、他の言語も程度の差はあるものの対応します。
MiniMax H3の出力仕様（公式モデルカードによる）
| 仕様 | 内容 |
|---|---|
| 出力の長さ | 4〜15秒 |
| 解像度 | 短辺768pxがデフォルト（2KはH3-Regenerate-2Kで生成し直す） |
| フレームレート | 24fps |
| 音声 | 32kHzステレオ |
| アスペクト比 | 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16ほか |
| 発話の言語 | 日本語・英語・中国語など11言語に安定対応 |
映像と音声は別々に作ってから重ねるのではなく、1つのTransformer（入力全体の関係をまとめて計算する仕組み）が同時に生成します。文字や画像・動画の読み取りには、Qwen3-VL-32B（クウェン）の学習済み重みをすべて利用しています。
本体のH3-Omni-Transformerは330億パラメータです。このうち約130億パラメータはAdaLN（条件に応じて各層の出力を調整する仕組み）に関わる部分で、モデルカードでは、推論だけなら読み込む必要がないとしています。
スパースアテンション（入力の一部だけを参照して長い入力の計算量を抑える仕組み）は、学習の最終段階で取り入れられました。ただし最初の公開分には入っておらず、公開された重みは入力全体を参照するフルアテンションで動作します。
Output duration ／ 4–15 seconds ／ Supports a wide range of aspect ratios, including but not limited to 21:9, 16:9, 4:3, 1:1, 3:4, and 9:16 ／ The shorter side is set to 768 pixels by default. ／ generation can be achieved with H3-Regenerate-2K ／ Output frame rate ／ 24 FPS ／ Output audio ／ 32 kHz stereo ／ Stable support for 11 languages: Arabic, Chinese, English, French, German, Italian, Japanese, Korean, Portuguese, Russian, and Spanish. ／ Additional languages are also supported to varying degrees ／ The H3-Omni-Transformer jointly predicts video and audio latents, which are then decoded into video and stereo audio, respectively. ／ Specifically, text is encoded by the H3-Encoder; visual inputs are encoded by both the H3-Encoder and the H3-VisualVAE; and audio is encoded solely by the H3-AudioVAE. ／ The H3-Encoder uses the full pretrained weights of Qwen3-VL-32B and provides the hidden states from its 50th layer to the H3-Omni-Transformer. ／ H3-Omni-Transformer is a 33B-parameter dense, single-stream Transformer, with approximately 13B parameters residing in AdaLN-related branches. Because the AdaLN modulation outputs can be precomputed and cached, these parameters do not need to be loaded for inference-only deployment. ／ The sparse-attention implementation is not included in the initial open-source release and will be published separately in a future update. — 入出力仕様の表（長さ・アスペクト比・解像度・フレームレート・音声・発話言語の各行の項目名と値のセル）と、H3-Base・H3-Encoder・H3-Omni-Transformer の各節より公式情報を見る →
音声だけで動画は作れるか、参照素材の上限は何ファイルか
参照素材は画像・動画・音声を合わせて12ファイルまで入力できますが、文章のプロンプトも入力しなければならないため、音声だけでは動画を作ることができません。公開された重みには、入力のしかたが異なる2種類のチェックポイント（学習済みの重み一式）があります。
2種類のチェックポイントと入力の違い
| チェックポイント | 方式 | 入力 |
|---|---|---|
| H3-Base-FL2VA | 先頭と末尾のフレームを指定する | 画像0枚：文章だけから生成／画像1枚：先頭か末尾のフレームを固定／画像2枚：先頭と末尾を固定して間を生成 |
| H3-Base-Ref2VA | 参照素材を入力する | 画像9枚まで／動画3本まで（各2〜15秒・合計15秒以内）／音声3本まで（各2〜15秒・合計15秒以内）／合計12ファイルまで |
どちらのチェックポイントも文章が必須で、先頭・末尾のフレームや参照素材は文章と一緒に入力します。MiniMaxのAPIでもすべてのリクエストに文章のプロンプトが1つ必要で、欠けるとパラメータエラーになります。
公開当初のモデルカードには「音声は画像か動画と組み合わせる必要があり単独の入力にはできない」という条件も書かれていました。更新履歴を見ると音声の組み合わせ条件は2026年8月11日の更新で削除されており、現行では画像や動画がなくても、音声を文章と一緒に入力することができます。
APIで参照画像を入力するときは縦横比が0.4〜2.5で、幅と高さがどちらも256〜5760ピクセルの範囲内である必要があります。範囲外の画像は入力する前にサイズを整えておくと手戻りを防げます。
Supports zero, one, or two input images. ／ - No image input: Text-to-video mode ／ - One image input: First-frame-to-video or last-frame-to-video generation ／ - Two image inputs: First-and-last-frame-to-video generation ／ Supports multi-modal reference inputs: ／ - Images: ≤ 9 images ／ - Videos: ≤ 3 clips; each clip must be 2–15 seconds long; total duration ≤ 15 seconds ／ - Audio: ≤ 3 clips; each clip must be 2–15 seconds long; total duration ≤ 15 seconds ／ - Mixed inputs: Maximum number of files across all input types is 12 ／ Text; optional first frame, last frame, or both ／ Text with reference images, videos, and/or audio — 入力仕様の表の H3-Base-FL2VA と H3-Base-Ref2VA の各行、およびチェックポイント表の Input Conditions 列より公式情報を見る →
Audio: ≤ 3 clips; audio must be accompanied by image or video input and cannot be used as the sole input; each clip must be 2–15 seconds long; total duration ≤ 15 seconds — README.md の差分のうち、H3-Base-Ref2VA の音声の行で削除された側より公式情報を見る →
Every request must include one non-empty text item (the prompt is required); otherwise a parameter error is returned. ／ Reference-to-video: text + any combination of reference images (role=reference_image), reference videos (role=reference_video), and reference audio (role=reference_audio). ／ Width/height range ／ [256, 5760] px ／ Aspect ratio (w/h) ／ [0.4, 2.5] — content 配列の説明（文章の必須・入力の組み合わせ）と、画像入力の制限の表（項目名と値のセル）より公式情報を見る →
ライセンスは米国・EU・英国・韓国が対象外
MiniMax H3のライセンスは米国・EU・英国・韓国の4地域には適用されず、それ以外の全世界で使うことができます。また、ライセンスの名前はMiniMax H3 Community License Agreementで日付は2026年8月2日であり、契約書で「MiniMax」とされる権利者はNanonoble Pte. Ltd.です。
MiniMax H3のライセンスの要点
MiniMax H3 release date/License date: August 2, 2026. ／ The scope of this License Agreement (this “Agreement”) is expressly limited to the “Applicable Territory” as defined below. ／ “Applicable Territory” means worldwide, excluding the Excluded Territories. ／ “Excluded Territories” means the European Union, the United Kingdom, the Republic of Korea and the United States of America. ／ “We,” “Us” or “MiniMax” means Nanonoble Pte. Ltd.. — ライセンス日付、適用範囲の限定、適用地域・除外地域の定義、および権利者の定義より公式情報を見る →
日本は適用地域、日本語もHugging Faceの重みが対象
日本は除外地域に入っていないため適用地域の内側にあり、Hugging Faceで公開された重みを日本国内で使うことができます。日本語もモデルカードで発話が安定するとされる11言語に入っています。
解説記事の中には「日本だけが使うことができる」とするものがあります。条文の定義で除外されている地域は4つだけなので、韓国以外のアジアや中南米なども適用地域に含まれます。
一方で適用地域の外でモデルやその出力を使う・複製する・改変する・配布する・表示することは、この契約では認められていません。日本の企業でも米国やEU・英国の拠点で動作させる構成や除外地域へ成果物を配信する使い方は、契約の範囲外になる可能性があります。
You may not use, reproduce, modify, distribute, or display the MiniMax H3 Works or any of their Outputs or results outside the Applicable Territory. Any such use outside the Applicable Territory is not authorized by this Agreement. — 利用制限の条項のうち、適用地域外での利用を認めない項より公式情報を見る →
なぜ4地域はオープンウェイトの対象外なのか
MiniMaxが公式のQ&Aで説明している理由は、動画生成モデルを取り巻く規制環境が文章やコードのモデルより複雑で変化も速いからです。特定の国や地域を締め出す意図ではないともしています。
MiniMaxによるとEUではAI法の執行が始まった一方で、動画や肖像を生成するモデルに求められる実務上の要件はまだ固まっていません。英国と韓国もAI生成コンテンツへの規制が定まっておらず、米国は規制の変化が速いうえにMiniMaxも動画生成AIの著作権をめぐる法的手続きの当事者になっています。
MiniMaxは規制が明確になるまで公開を待たず、範囲を明示して今公開するほうを選んだとしています。今の制限は恒久的なものではないとされ、除外地域の組織も正式なライセンスを申請して審査を通れば利用を認められる場合があるとのこと。APIは安全策を組み込んだうえで全世界に提供しており、除外地域からも使うことができるとしています。
The current territory scope is not about excluding specific countries or regions, but about recognizing that video generation models are facing a more complex and rapidly evolving regulatory environment compared with text or code models. ／ The EU AI Act has started enforcement, while practical requirements for models capable of generating video and likeness-related content are still evolving. ／ Similar regulatory uncertainties exist in the UK and South Korea regarding AI-generated content and video generation. ／ In the US, AI regulation remains a rapidly changing landscape, and MiniMax is also involved in ongoing copyright-related legal proceedings specifically concerning generative video AI. ／ We chose the second approach. The current limitation means "not yet", not "not ever." ／ API: Globally available with built-in safeguards and responsible-use controls. ／ Organizations in these regions can apply for a formal license. After reviewing the deployment scenario and confirming that appropriate compliance controls and safeguards are implemented, MiniMax may authorize usage. — 適用地域を限定した理由、二択のうち後者を選んだ経緯、APIの提供範囲、および除外地域の組織による申請に関する説明より公式情報を見る →
商用利用で許諾が必要になるのは年商いくらからか
商用の製品・サービスの年間売上が2,000万米ドル（約31億6,700万円）（他通貨では同等額）を超える場合は、MiniMaxから事前に書面の許諾を得る必要があります。申請先はapi@minimax.ioで、件名を「MiniMax H3 licensing - authorization request」とするよう条文で定められています。この金額以下なら、条文上は個別の許諾は不要です。
もう1つの条件は画面への表示に関するもので、MiniMax H3やその派生モデルを使う商用の製品・サービスは、画面上に「MiniMax H3」を目立つように表示しなければなりません。表示義務には売上の基準がないため、小規模なサービスでも対象になります。
You shall obtain a separate, prior written authorization from MiniMax by contacting api@minimax.io with the subject line “MiniMax H3 licensing - authorization request”, if your commercial products and services generate more than 20 million US dollars (or equivalent in other currencies) in yearly revenue. ／ You shall prominently display “MiniMax H3”on the user interface of commercial product or service that uses MiniMax H3 or MiniMax H3 Works. — 追加の商用条件に定められた売上基準と表示義務より公式情報を見る →
MiniMax H3の使い方：ローカル実行と未公開の部分
MiniMax H3は3つのモジュールを連携させて動作し、公開済みのモジュールは真ん中のH3-Baseだけです。入力を整えるH3-Context-IRと2Kに生成し直すH3-Regenerate-2Kは2026年9月29日時点で公開されていないため、公開分だけをローカル環境で動作させても公式デモと同じ2Kの動画にはならず、検証結果を取り違えないよう注意が必要です。
3つのモジュールと公開状況（2026年9月29日時点）
- H3-Context-IR：入力の指示を解釈して、モデルが処理できる中間表現に整える（未公開・APIで提供）
- H3-Base：中間表現から768pの映像と音声を生成する（公開済み）
- H3-Regenerate-2K：768pの結果を元の文脈と一緒に戻して2Kで生成し直す（未公開・APIで提供）
H3-Baseはどの環境で動作するか
公開済みのH3-Baseを動作させる環境として、モデルカードではSGLang・vLLM・diffusers・ComfyUIの4つが推奨されています。モデルを動作させるサーバーソフトのSGLangとvLLMと、Hugging Faceの生成モデル用ライブラリdiffusersには、それぞれの手順書へのリンクがあります。
ComfyUIは画面上で処理の部品を連携させて生成するツールで、公式のチュートリアルとワークフローの雛形が用意されています。雛形は参照素材から作るR2Vと文章から作るT2Vの2種類で、コードを書かずに試したいならComfyUIが手軽で、モデルカードに掲載されているSGLangの起動例はGPUを4基使う設定です。
同じリポジトリに元の形式の重みとdiffusers形式の重みが置かれており、使う環境に必要な分だけをダウンロードできます。精度はどちらのチェックポイントもBF16（数値を16ビットで持つ形式）で、配布される重みはCFG蒸留（CFGという生成時の調整をかけた出力を手本に学習し直す処理）を完了させたものです。
We recommend the following inference frameworks to serve the model: ／ SGLang - see cookbook ／ vLLM - see vllm recipes ／ diffusers - see diffusers docs ／ ComfyUI - see Comfy tutorial; use R2V template / T2V template ／ --num-gpus 4 ／ The repository hosts the original checkpoint (FL2VA/, Ref2VA/) and the diffusers format side by side, so scope the download to what your framework needs ／ BF16 ／ The released checkpoints are CFG-distilled Omni Transformer model weights. — 推奨する推論フレームワークの一覧、SGLang の起動例、ダウンロード範囲の指定、チェックポイント表の Precision 列（2行とも BF16）、および配布される重みの性質に関する記述より公式情報を見る →
2K化と入力整理のモジュールは未公開、公式の案内は768pまで
2026年9月29日時点で公開済みの重みだけを使う公式手順は768pまでで、2K化のH3-Regenerate-2Kと入力を整えるH3-Context-IRは公開されていません。H3-Context-IRは複数のホスト型モデルやサービスを組み合わせた多段の処理なので、今回の公開には含まれていません。
MiniMaxは、H3-Context-IRが最終的な品質を大きく左右すると明言しています。H3-Context-IRのAPIを生成の流れに組み込むか、プロンプト作成の手引き（Prompting Guidance）に沿って独自の前処理を組むかのどちらかを強く勧めています。
H3-Regenerate-2Kは専用のモジュールを使う一般的な超解像（低解像度の映像を高解像度に変換する処理）とは異なる方式で、公式の説明では768pの結果を元の文脈と一緒にH3へ戻して2Kで生成し直すため、小さな文字や細部を推測に頼らず復元できます。システムが複雑なことを理由にまだ公開されておらず、準備ができ次第公開するとしています。
公式の2K品質をチェックしたい人に向けて、モデルカードにはローカル環境のSGLangと公式の2つのAPIを組み合わせる「Full 2K Workflow」の手順が掲載されています。ローカル環境のH3-Baseだけでチェックできる出力は768pまでで、モデルカードでも2Kの手順とは別に書かれています。
Because H3-Context-IR relies on a multi-stage workflow and multiple hosted models and services, it is not included in this open-source release. We provide an API that enables users to reproduce the behavior of the official workflow. ／ H3-Context-IR is critical to the quality of the final output, so we strongly recommend incorporating it into your generation pipeline or following the “Prompting Guidance” to build your own context-processing system. ／ For H3's 2K-resolution output, instead of using a conventional dedicated super-resolution module, we use the H3 base model to regenerate its own low-resolution result through an in-context manner. ／ allowing it to recover information that conventional super-resolution methods would otherwise have to “guess,” such as small text and fine details. ／ Due to the complexity of the system, this module is not yet open-sourced. We will release it once it is ready. ／ The “Local Deployment of H3-Base” section provides a method for validating 768p output using only a locally deployed H3-Base. ／ This section explains how to combine a locally deployed SGLang service with the official H3-Context-IR and H3-Regenerate-2K APIs to reproduce the quality of 2K videos generated directly by the MiniMax API. — 未公開モジュールの理由と品質への影響、2K化の仕組みと公開予定、および Recommended Workflow の節にある 768p と 2K の検証方法の説明より公式情報を見る →
まとめ：日本でも商用利用できるが2K化は未公開
MiniMax H3は日本でも商用利用できますが、公開済みの重みでMiniMaxが案内する出力は768pまでで2K化のモジュールは未公開です。ライセンスの除外地域は米国・EU・英国・韓国の4つだけで、日本は適用地域の内側にあります。
商用に使う場合は次の2つの条件を満たす必要があります。商用の製品・サービスの年間売上が2,000万米ドル（約31億6,700万円）を超える場合は事前の書面許諾が必要で、売上の規模にかかわらず画面へ「MiniMax H3」を表示します。
ローカル環境で実行するならComfyUIやSGLangでH3-Baseを動作させ、まず768pの出力をチェックしましょう。公式デモの2Kは未公開のH3-Regenerate-2Kを前提にしているため、公開分の結果とは分けて見る必要があります。
FAQ
- MiniMax H3は日本で使えますか？
- 使うことができます。ライセンスは適用地域を「除外地域を除いた全世界」と定めており、除外地域は欧州連合・英国・韓国・米国の4つだけです。日本は除外地域に入っていないので適用地域の内側にあります。ただし適用地域の外でモデルや出力を使うことは認められていないため、米国やEU・英国の拠点で動作させる構成は別に調べる必要があります。
- MiniMax H3は商用利用できますか？
- できます。ただし条件が2つあります。商用の製品・サービスの年間売上が2,000万米ドル（約31億6,700万円）を超える場合は、MiniMaxから事前に書面の許諾を得る必要があります。売上の規模にかかわらず、MiniMax H3を使う商用の製品・サービスは、画面に「MiniMax H3」を目立つように表示します。
- 公開された重みだけで2K動画を作ることができますか？
- 2026年9月29日時点では公開分だけで2Kを出す公式の手順はありません。ローカル環境で動作するH3-Baseの出力は768pで、2Kに作り直すH3-Regenerate-2Kはまだ公開されていません。公式の2K品質をチェックする手順として、モデルカードにはローカル環境のSGLangと公式APIを組み合わせる「Full 2K Workflow」が掲載されています。
- MiniMax H3は音声だけを入力して動画を作ることができますか？
- 作ることができません。公開されたチェックポイントの入力条件は、文章に参照素材を添えるものであり、MiniMaxのAPIもすべてのリクエストで文章のプロンプトを必須にしています。公開当初のモデルカードにあった「音声は画像か動画と組み合わせる」という条件は、2026年8月11日の更新で削除されました。
関連する記事
Kimi K3.1 Proとは？前のK3より3割安く、重みもすでに公開Kimi K3.1 Proは、Moonshot AIが2026年10月24日に発表したKimi K3の強化版です。K3に事後学習を重ね、コーディングではClaude Opus 5.5に僅差まで迫りました。APIは100万トークンあたり入力2ドル（約316円）・出力10ドル（約1,581円）とK3より3割安く、重みもHugging Faceで公開されています。
Mistral Large 4とは？1兆パラメータのモデルの性能と料金Mistral AIが10月6日にプレビュー公開したMistral Large 4（通称Le Chonk）は、総1.05兆・アクティブ520億パラメータのMoEで、画像の入力にも対応します。10月29日に重みが公開され、API料金は入力100万トークンあたり0.70ドル（約111円）に下がりました。ライセンスはMaaS事業者を除き商用でも無償です。
Reflection Beamとは？混合エキスパート構成のオープンモデルReflection AIが10月5日に発表したBeamは、総501B・アクティブ23BのMoE構成のオープンウェイトモデルです。GLM 5.2と同程度のスコアを1/4〜1/3の推論計算量で出すと主張し、重みは10月中にApache 2.0で公開予定。10月10日にはNVIDIAによる買収協議をFTが報じました。
Wan3.0とは？30秒の動画を一度に生成できるAlibabaの新モデルAlibaba CloudのWan3.0は、1回の生成で最大30秒の動画を出力できる動画生成モデルです。PPTやPDFなど9形式の文書も入力にできますが、1回に提供できるのはファイルかリンク1つで、100MB・50ページまでです。料金は480Pで1秒0.05ドル（約7.98円）からで、30秒の1080Pは6.00ドル（約958円）です。