MiniMax: 動画と音楽のオープン生成モデル

MiniMax H3

動画生成ネイティブ音声オムニモーダルテキストから動画へ画像から動画へ

MiniMax H3は、テキスト、画像、動画、音声で構成されるマルチモーダルコンテキストを理解し、ネイティブ32kHzステレオ音声付きの最大15秒の動画を1回のパスで生成する、オープンな汎用オムニモーダル生成システムです。MiniMaxのHailuo動画シリーズにおける最新モデルで、Qwen3-VL-32Bテキストエンコーダを備えた33.1Bの高密度シングルストリーム・オムニトランスフォーマーを採用しています。

HFリポジトリ ComfyUI再パッケージ版プロンプトガイド

MiniMax公式のH3マルチモーダルコンテキストデモで使用された入力画像の例

MiniMax H3は、2026年8月3日にMiniMax H3 Community License Agreementのもとで正式にオープンソース化されました。オープンリリースでは、H3-Baseを2つのタスク固有チェックポイントとして提供しています。FL2VA(テキストから動画へ、および先頭/末尾フレームの条件付け)とRef2VA(参照ベースの生成)です。H3-Context-IR前処理システムとH3-Regenerate-2Kアップスケーリングモジュールは、引き続きホスト型APIとして提供されます。

モデル

モデル	種類	説明	ライセンス	リリース
MiniMax H3	動画	ネイティブ32kHzステレオ音声付きのオムニモーダル動画生成	MiniMax H3 Community License	2026-08
MiniMax Music 3	音楽	歌詞と音楽の説明から最長5分の完成楽曲を生成	MiniMax Music 3 Community License	2026-09

上記からモデルを選択すると、厳選されたウェイトのダウンロード、チュートリアル、関連情報を確認できます。

バージョン

バージョン	説明
H3-Base FL2VA	テキストから動画へ、先頭フレーム、末尾フレーム、先頭+末尾フレームの各モード
H3-Base Ref2VA	最大9枚の画像、3本の動画、3つの音声クリップを使用した参照ベースの生成

主な機能

ネイティブステレオ音声: 映像と同じパスで32kHzステレオを生成。専用の音声モデルは不要
マルチモーダルコンテキスト: テキスト、画像、動画、音声の任意の組み合わせを入力として使用可能
2Kインコンテキスト再生成: H3-Regenerate-2Kが元のコンテキストを再利用して768p出力を2Kで再生成
11言語対応: ar, zh, en, fr, de, it, ja, ko, pt, ru, es
デプロイ: SGLang、vLLM、diffusers、ComfyUI

インストール

MiniMax H3はComfyUIでネイティブサポートされています。各ファイルを対応するフォルダに配置してください:

ファイル	配置先
`minimax_h3__bf16.safetensors` または `_int8_convrot.safetensors`	`ComfyUI/models/diffusion_models/`
`qwen3vl_32b_minimax_h3_*.safetensors`	`ComfyUI/models/text_encoders/`
`minimax_h3_video_vae_fp16.safetensors`	`ComfyUI/models/vae/`
`minimax_h3_audio_vae_fp32.safetensors`	`ComfyUI/models/vae/`

公式のComfyUI再パッケージリポジトリ(Comfy-Org/MiniMax-H3)では、bf16、INT8 convrot、プルーニング済みINT8拡散モデルの各バリアントに加え、bf16、INT8、NVFP4 AWQテキストエンコーダのオプションが提供されています。プルーニング済みINT8チェックポイントは、事前計算されたadaLNカーブテーブルにより約40%小型化されており、NVFP4 AWQテキストエンコーダは任意のGPUで動作します。

MiniMax: 動画と音楽のオープン生成モデル

MiniMax H3

モデル

バージョン

主な機能

インストール

リソース

コメント