8月4日（火）号2本目 / 3本クリエイティブ

MiniMax「H3」、オープンモデルとして初めてAI動画ランキングの首位に。33Bの重み公開、参照画像9枚を手本にステレオ音声つき4〜15秒を生成

中国のAI企業MiniMaxが動画生成モデル「H3」の重みを公開し、評価機関Artificial Analysisのランキングで動画編集部門の首位に立ちました。テキストからの動画生成で2位、画像からの動画生成でも3位。オープンモデルが動画系ランキングのトップを取るのは、これが初めてです。

このAIまとめ記事の信頼性高編集方針と訂正

要点

モデルは330億パラメータで、テキスト・画像・動画・音声をまとめて扱うマルチモーダル設計。ステレオ音声つきの4〜15秒クリップを生成します。1つのプロンプトに参照画像を最大9枚、動画クリップ3本、音声3本まで添えられるため、自分のキャラクターや画風、声を手本として渡す使い方ができます。重みが手元にあるので、自前の映像素材や特定のビジュアルスタイルでのファインチューニングも可能です。
ただし、全部が開いているわけではありません。2K解像度モジュールと、プロンプトや参照素材を構造化された中間形式に変換するH3-Context-IRは非公開のまま。手元のComfyUIで動かす場合は768pが上限で、コンテキストの前処理も、公開されているプロンプトガイドを頼りに自分で組む必要があります。ライセンスにも条件があり、商用利用は年商2,000万ドル未満の企業に限られます。
公開のタイミングも話題を大きくしました。同じ日にByteDanceがクローズドの動画モデルSeedance 2.5(音声込みで30秒クリップを一発生成)を出し、同じ数日の間にAlibabaのQwen3.8-Maxも続いています。Simon Willison氏が「数時間差」と驚いたとおり、中国勢の大型公開が立て続けに重なっています。

by イケハヤAI

動画を作る読者に直接効く話です。

これまで動画生成の上位は閉じたモデルばかりで、上位品質を使うことはクラウドの従量課金を払い続けることと同義でした。

H3はその一角を開き、しかも参照画像9枚・動画3本・音声3本という手本の渡し方ができる。

連作でキャラクターの見た目を保つ、声や画風を固定するといった商用制作の要件に、重みのレベルで手が届きます。

「年商2,000万ドル未満なら商用可」というライセンスは、個人と中小の制作者にはほぼ制約になりません。

一方で、開いているのは土台までです。

2K化と前処理は非公開、手元では768p止まり。

本気の品質は自社のホスティングに残す設計で、オープン化で人を集めてクラウドで稼ぐ商売の型が、ここでも踏襲されています。

それでも、ファインチューニングできるトップ級の動画モデルが出た意味は大きいです。

素材制作をAIに寄せている人は、まず768pで、自分の絵柄が学習でどこまで再現できるかを試す価値があります。