MiniMax H3：ネイティブオーディオ対応のオープンオムニモーダルビデオモデル

MiniMaxは、テキスト・画像・ビデオ・オーディオを統合的に理解する汎用オムニモーダル生成モデル MiniMax H3 を正式に発表しました。H3は、最大2K解像度・15秒の長さでネイティブステレオオーディオ付きビデオを生成でき、同社は数日以内にモデルウェイトを公開する予定です。

H3は、MiniMaxのHailuo 01/02ビデオモデルシリーズの後継です。これはビデオ生成モデルであり、MiniMaxが今年初めにオープンソース化したMシリーズ言語モデルではありません。

マルチモーダルコンテキスト理解

本当のクリエイティブ作業とは、モダリティをまたいで情報を融合させることです。H3はテキスト・画像・ビデオ・オーディオの任意の組み合わせを入力として受け付け、それらの間の関係を自然言語で記述できます。MiniMaxの公式デモでは、次のようにショットを指定しています：「ビデオ1のヒッチコック風カメラワークを参照し、画像2のキャラクターに歌わせ、ボーカルをオーディオ3に合わせる」。モデルは全モダリティの理解を自ら処理します。

MiniMax公式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

参照クリップ・画像・オーディオトラックを1つのプロンプトで組み合わせて生成されたH3ビデオ（ソース：MiniMaxブログ）

主な機能

• ネイティブ2Kビデオ - 2K解像度でクリップあたり最大15秒。別個の超解像モジュールではなく、コンテキスト内再生成により実現。
• ネイティブステレオオーディオ - 会話・効果音・音楽が映像と同じパスで生成され、音声・SFX・音楽のドメイン間の分離はありません。
• オムニ参照生成 - 最大9枚の参照画像、3本の参照ビデオ、3つの参照オーディオクリップで、1回の生成を制御できます。
• 指示ベースの編集 - 既存の画像・ビデオ・オーディオに対して、自然言語で変更内容を記述するだけで編集できます。
• V2Vモーショントランスファー - ソースビデオの動きを新しいシーンに転送します。
• 強力なテキストとブランドの描画 - 広告・ブランディング・Eコマース・プロダクトデザイン・UI/UXのユースケース向けに設計されています。

ネイティブステレオオーディオデモ

ネイティブステレオサウンド生成デモ（ソース：MiniMaxブログ）

料金

MiniMaxは、H3のコストパフォーマンスを業界最高水準と位置付けています。2Kでは1秒あたりの価格が主流モデルの3分の1未満、768pでは競合他社の720pティアの半額以下です。従量課金制の料金は、2K出力で1秒あたり0.13ドルからです。

提供状況

MiniMax H3は、現在MiniMaxのプラットフォームAPIおよびfal.aiなどのサードパーティプロバイダーを通じて利用可能です。MiniMaxは、適用される法令に従い、数日以内にモデルウェイトを公開する予定と述べています。本稿執筆時点では、Hugging Faceリポジトリ