MiniMax H3（Hailuo 3.0）とは？2K動画×音声同時生成・オープンウェイトの料金とライセンス条件を解説

MiniMax H3（Hailuo 3.0）は、中国のAI企業MiniMaxが2026年7月31日にリリースした「オムニモーダル生成モデル」で、テキスト・画像・動画・音声を1つの文脈としてまとめて理解し、最大2K・4〜15秒・24fpsの映像と32kHzステレオ音声を同時に出力します。 2026年8月3日にはモデル重み（オープンウェイト）がHugging Faceで公開され、条件を満たせば商用利用も可能になりました。

注目点は「オープンウェイトで公開された」ことだけではありません。2K＋ネイティブ音声クラスの動画モデルとして初めて重みが配布され、しかも日本はライセンスの適用地域に含まれている（EU・英国・韓国・米国は除外地域）という点が、日本企業にとって実利のある差分です。

H3は提供形態がHailuo AI・公式API・オープンウェイトの3つに分かれ、それぞれ料金もライセンス上の義務も違います。ここでは、Hailuo（海螺）との関係、各ルートの料金、商用ライセンスの6条件（年商2,000万ドル閾値・帰属表示・除外地域など）、オープンウェイト版で「手に入るもの／手に入らないもの」、ローカル実行のVRAM・ストレージ要件、Seedance 2.5 / Veo 3.1 / Kling 3.0 / Gemini Omni Flashとの違い、そして「Soraとの違い」への現時点の答えまでを整理します。AI動画生成の導入を検討している事業会社・制作会社の担当者、素材を外部送信せずに動画生成を回したいエンジニア、Sora終了を受けて移行先を探している方に向けた内容です。

動画生成モデルの料金とベンチマーク順位は変動が速い領域です。数値は2026年8月上旬時点の公式ドキュメント・公式モデルカード・ライセンス全文に基づいており、発注前に公式ページで最新を確認してください。

MiniMax H3とは — 「動画生成AI」ではなくオムニモーダル生成モデル

出典: Hugging Face - MiniMaxAI/MiniMax-H3

MiniMax H3は、映像専用に作られたモデルではありません。公式は「omni-modal generative model（オムニモーダル生成モデル）」と位置づけており、単一のトランスフォーマーがテキスト・画像・動画・音声を同じコンテキスト上で理解し、そこから映像と音声を同時に生成する構造になっています。音声は後付けのBGMでも別工程のTTSでもなく、映像と一緒に出てくる点が従来の動画モデルとの一番大きな違いです。

項目	内容
正式名称	MiniMax H3（Hailuo 3.0 / Hailuo 03）
開発元	MiniMax（中国・上海。元テンセントの研究者が創業したAIスタートアップ）
発表日	2026年7月31日（API・Hailuo AIアプリで提供開始）
オープンウェイト公開日	2026年8月3日（ライセンス発効日は2026年8月2日）
モデル規模	H3-Base：330億（33B）パラメータのDense Transformer
出力	最大2K（短辺1440px）・4〜15秒・24fps ＋ 32kHzステレオ音声
提供形態	①Hailuo AI（Webアプリ）②MiniMax Open Platform API ③Hugging Faceのオープンウェイト ④ComfyUI（公開初日から対応）⑤fal・OpenRouter等のサードパーティ
ライセンス	MiniMax H3 Community License Agreement（条件付き商用可）

MiniMaxとHailuoの関係

検索時に混乱しやすいポイントです。MiniMaxは企業名、Hailuo（海螺）は同社の動画生成サービス／モデル系列の名前で、H3はHailuoシリーズの第3世代にあたります。「MiniMax H3」「Hailuo 3.0」「Hailuo 03」はいずれも同じモデルを指します。同社はテキスト系のMiniMax M2/M2.5系モデルも公開しており、そちらはMiniMax M2.7の解説記事で扱っています。

3つのモジュールで構成されている

公式モデルカードによると、H3は次の3モジュールで動いています。このうちオープンウェイトとして公開されたのは真ん中の1つだけで、ここがローカル利用時の最大の落とし穴になります。

モジュール	役割	公開状況
H3-Context-IR	マルチモーダルな指示理解。入力素材を言語記述に圧縮して文脈化する	非公開（APIのみ）
H3-Base	33BのDense Transformer（H3-Omni-Transformer）。映像＋音声の本体生成	オープンウェイト公開
H3-Regenerate-2K	768p出力を文脈ごと読み直して2Kで再生成する	非公開（APIのみ）

公式が挙げる技術的な工夫は4点あります。入力素材のキャプショニングによる文脈圧縮（1サンプルあたり約10万トークンの推論を平均約4千トークンまで圧縮）、トークナイザを刷新した「H3-VAE」による実効シーケンス長の約4倍改善、理解と生成の計算を分離して学習スループットを約30%向上させた「H3-Omni Transformer」、別体のアップスケーラを使わない「In-Context Regeneration」です。2Kが現実的なコストで出せるようになった背景は、主にH3-VAEの効率化にあるとされています。

3つの導入ルート — 目的別の選び分け

H3は提供形態が多く、「とりあえず試す」のか「本番で使う」のかで最適解が変わります。目的別に整理すると次の3ルートです。

あなたの状況	選ぶルート	使うもの	押さえるべき点
まず品質を見たい・単発で使いたい	①コンシューマー版	Hailuo AI（Webアプリ）	無料枠あり。有料は月額サブスク。商用利用時は各プランの規約確認が必要
2K品質が必要・既存システムに組み込みたい	②公式API	MiniMax Open Platform API／OpenRouter等	2Kは$0.13/秒。素材は中国側インフラに送信される
素材を外に出せない・大量に回したい	③ローカル／自社ホスト	Hugging Faceのオープンウェイト＋ComfyUI/SGLang/vLLM	2Kは出せず768pまで。ライセンス義務は残る

見落としやすいのは③の但し書きです。オープンウェイト版はH3-Baseだけであり、指示理解のH3-Context-IRも2K再生成のH3-Regenerate-2Kも配布されていません。「重みが公開された＝APIと同じものが手元で動く」ではない点を、導入検討の最初に押さえてください。

MiniMax H3でできること — 出力仕様と入力の上限

H3の実務的な価値は「映像と音声を1回の生成で完結できる」ことと「参照素材を大量に渡せる」ことの2点に集約されます。

出力仕様

項目	値
解像度	2K（短辺1440px、約3.7MP）／ベースモデルの標準は短辺768px
尺	4〜15秒（1回の生成あたり）
フレームレート	24fps
音声	32kHzステレオをネイティブ同時生成（セリフ・効果音・環境音）
アスペクト比	21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16（＋アダプティブ）
安定対応言語	アラビア語・中国語・英語・フランス語・ドイツ語・イタリア語・日本語・韓国語・ポルトガル語・ロシア語・スペイン語の11言語

日本語が安定対応11言語に含まれているため、日本語セリフを含む広告クリエイティブやSNS向け短尺動画を1工程で作れます。ここは日本市場で使ううえで地味に効く差分です。

主な生成モード

公開されているチェックポイントは2種類あり、用途が分かれています。

バリアント	用途	受け付ける入力
H3-Base-FL2VA	テキスト→動画＋音声、先頭／末尾フレーム指定	画像0〜2枚
H3-Base-Ref2VA	参照ベースの生成・編集（オムニ参照モード）	画像最大9枚＋動画最大3本＋音声最大3本（合計最大12ファイル）

Ref2VAで想定される具体的な使い方は次のとおりです。

商品写真とブランドロゴを渡して、トーンを揃えたEC用の短尺動画を作る
既存の実写クリップを参照に、モーションだけ転用して別カットを起こす
キャラクターの参照画像を複数渡して、複数カット間で見た目を揃える
参照音声を渡して、その声質・話速に近いセリフを乗せる
背景の差し替え、テキストやロゴのレンダリングを含む修正

API側の入力上限（Ref2VA）

画像：最大9枚（各30MB以下、JPG/PNG/WEBP/HEIC/HEIF）
動画：最大3本（各2〜15秒、合計15秒以内、MP4/MOV、H.264/H.265、各50MB以下）
音声：最大3本（各15MB以下、WAV/MP3）。音声だけの単独入力は不可で、画像か動画との併用が必要
合計12ファイル、リクエストボディ64MB以下、プロンプト7,000文字以下

MiniMax H3の強み — 評価ボード上の位置づけ

H3の強みは「編集タスクでの1位」と「オープンウェイトでありながら上位に食い込んだこと」の2つです。第三者評価であるArtificial AnalysisのVideo Arena（2026年8月3日時点）では、次の順位が公表されています。

リーダーボード	H3の順位	Quality Elo（概数）
Video Editing（音声込み）	1位	約1,130
Text-to-Video（音声込み）	2位	約1,238〜1,242
Image-to-Video（音声込み）	2〜3位（音声採点の有無で変動）	約1,185

Text-to-Videoの上位は、1位がGoogleのGemini Omni Flash（約1,244）、2位がMiniMax H3（約1,238）、3位がByteDanceのDreamina Seedance 2.0 720p（約1,222）という並びでした。「H3が1位」と紹介されることがありますが、正確には1位は動画編集（Video Editing）部門であり、Text-to-Videoではクローズドモデルに約6ポイント差で2位です。ここを混同している解説記事が多いので注意してください。

それでも意義は大きく、動画系のリーダーボードでトップに立ったオープンウェイトモデルはH3が初めてとされています。従来のオープン系動画モデル（Alibaba Wan 2.x系、SkyReels系など）は音声の同時生成に対応していないか、対応していても品質が劣後していました。「オープンウェイト × 音声同時生成 × 上位評価」を同時に満たした点が、この世代でのH3の立ち位置です。

ただし1つ留保があります。Arenaが評価しているのはホスト版H3、つまりH3-Context-IRと2K再生成を含む完全版です。ローカルで動かすオープンウェイト版（768p・Context-IRなし）とは同一ではないため、この順位をそのままローカル環境の期待値にしないでください。

同カテゴリの他モデルの評価状況はAI動画生成ツールおすすめ比較でも整理しています。

MiniMax H3の料金 — 公式APIは秒単価の従量課金

OpenRouterに掲載されたMiniMax H3（Hailuo 3）の秒単価$0.13の料金表示

出典: OpenRouter - MiniMax Hailuo 3

現時点で、公式APIは秒単価の従量課金です。公式ドキュメント（platform.minimax.io の Pay as You Go）に記載されている価格は次のとおりです。

項目	価格
MiniMax-H3 出力 2K	$0.13 / 秒
MiniMax-H3 出力 768P	$0.08 / 秒
H3-Regeneration（768P→2K再生成）	$0.05 / 秒
参照音声	無料
参照画像	先頭5枚まで無料、6枚目以降 $0.04/枚（Regenerationでは $0.025/枚）
参照動画	入力尺 × 出力解像度の単価で課金（2K: $0.13/秒、768P: $0.08/秒、Regeneration: $0.05/秒）

15秒・2Kのクリップは$1.95（参照素材の追加課金を除く）が目安です。1本あたり300円弱と考えると、外注の実写撮影と比べれば桁が違いますが、SNS向けに毎日数十本回すなら月額数万円規模になります。

コストを抑えるなら「768Pで大量に試作 → 採用カットだけRegenerationで2K化」というルートが合理的です。768P（$0.08/秒）で当たりを引いてから$0.05/秒で2Kに上げれば、合計$0.13/秒で最初から2Kを出すのと同額になりますが、外れカットに2K料金を払わずに済む分だけ実質コストが下がります。

なお、一部の媒体記事では768Pを「$0.09/秒」と報じたものがありますが（7月31日時点の情報）、公式価格表の表記は$0.08/秒です。ここでは公式表記を採用しています。

サードパーティ経由

OpenRouter：モデルID minimax/hailuo-3、$0.13/秒（現時点ではプロバイダ1社がホスト）
fal / Morphic / WaveSpeed / Segmind などでも提供されていますが、価格は各社で異なり未検証のため、利用前に各社の料金ページを確認してください

Hailuo AI（コンシューマー向けWebアプリ）

Hailuo AIには無料枠があり、有料プランは概ね月額$7.99（Standard）から$199.99（Unlimited）までの4階層と報じられています。ただしこのプラン構成とクレジット消費レートは変更が頻繁で、調査時点では公式サブスクページの内容を直接確認できませんでした。金額は目安として捉え、契約前に公式ページで最新を確認することを強く推奨します。

ローカル実行のコスト

モデル重み自体は無料です。かかるのはGPU・電力・ストレージのみで、生成量が多いほどAPIに対する優位が出ます。ただし、ローカルでは2K出力ができません（768pまで）。2Kが要件に入るなら、API併用が前提になります。

商用利用の条件 — 「オープンウェイト＝自由に使える」ではない

H3のライセンスは「MiniMax H3 Community License Agreement」（発効日2026年8月2日）という独自ライセンスで、Apache-2.0やMITのような無条件許諾ではありません。同社がこれまでテキスト系モデルをMITで公開してきたことを考えると、H3は明確に条件が厳しくなっています。導入前に必ず確認すべき項目は6つです。

条件	内容	自社での確認ポイント
年商2,000万ドル閾値	商用利用は可。ただし年間売上2,000万米ドル（または同等額）以上の組織は、MiniMaxからの事前の書面による許諾が必要	連結売上が約30億円を超える企業は事前申請が必要。申請先はapi@minimax.io、件名は「MiniMax H3 licensing - authorization request」
帰属表示	商用の製品・サービスのUIに「MiniMax H3」を目立つ形で表示すること	「Powered by MiniMax H3」表記が推奨。自社SaaSに組み込むなら画面設計に反映が必要
AI生成表示	生成したファイルにAI生成であることを示す識別子を付与すること	納品物のメタデータ・クレジット表記の運用ルール化が必要
適用地域	全世界。ただし除外地域＝EU・英国・韓国・米国。これらの地域での利用には別途許諾が必要	日本は除外地域に含まれないため、標準ライセンスの範囲内
再配布	適用地域内で可。ライセンス全文の同梱、改変ファイルの明示、NOTICEファイルの同梱、第三者への同等の制限の継承が条件	「MiniMax H3 is licensed under the MiniMax H3 Community License Agreement」の通知が必要
蒸留・他モデル学習の禁止	出力を他のAIモデルの改善に使うことは禁止（H3の派生物を除く）	生成データを自社モデルの学習に回す計画がある場合はNG

ファインチューニング自体は許可されており、派生物の所有権はユーザーに帰属します。

除外地域の読み方に注意

除外地域が設けられた背景としては、EU AI Act、英国・韓国の規制環境、米国での生成動画をめぐる著作権訴訟など、動画モデル特有の規制事情が指摘されています。ライセンス上、この除外は重みだけでなく「Outputs or results（生成物）」にも及ぶとされている点が重要です。

つまり、日本国内での制作・利用は適用地域内で問題ない一方、作った動画を米国やEU向けに配信・展開する計画がある場合は、その扱いを個別に確認する必要があります。この解釈は断定できません。実際の運用可否は必ず自社の法務・顧問弁護士と、必要ならMiniMax側への照会で確定させてください。

同じ「オープンで商用可」でも、Apache-2.0で公開されているAnimeGenのようなモデルとは前提条件が大きく違います。制約を許容できないなら、ライセンスが緩いモデルを選ぶ判断も十分に合理的です。

オープンウェイト版で手に入るもの／手に入らないもの

出典: Hugging Face - MiniMaxAI

オープンウェイト版と公式API版の差を一覧にします。この差を理解しないままローカル導入を進めると、「APIと同じ品質が出ない」という形で必ず躓きます。

要素	オープンウェイト版（ローカル）	公式API（ホスト版）
H3-Base（生成本体）	○ 入手可	○
H3-Context-IR（指示理解）	× 非公開	○
H3-Regenerate-2K（2K再生成）	× 非公開	○
最大解像度	短辺768pまで	2K（短辺1440px）
音声同時生成	○	○
プロンプト設計	公開ガイドに沿って自前で文脈を整形する必要あり	Context-IRが自動処理
素材の外部送信	なし（自社環境内で完結）	あり（中国企業のインフラへ送信）
コスト構造	GPU・電力・ストレージのみ	秒単価の従量課金

ローカル運用の実利は「768pで足りる用途を、素材を外に出さずに、量産できる」ことに尽きます。逆に2K納品が要件に入っている、あるいはプロンプト設計に工数をかけられないなら、素直にAPIを使うほうが早いという判断になります。

ローカル実行の要件 — VRAM・ストレージ・生成時間

出典: ComfyUI 公式サイト

日本語圏で数値が出回っていない領域なので、確認できた範囲で具体的に整理します。数値はComfy-Org配布の量子化版および第三者検証に基づくものです。

配布ファイルサイズ

ファイル	サイズ
Diffusion model BF16（FL2VA / Ref2VA 各）	61.7 GB
Diffusion model INT8	31.7 GB
Diffusion model Pruned INT8	19.5 GB（標準INT8比約40%減）
テキストエンコーダ Qwen3-VL-32B BF16	48.0 GB
同 INT8	25.3 GB
同 NVFP4 AWQ	14.6 GB
Video VAE（FP16）	4.9 GB
Audio VAE（FP32）	0.6 GB

最小構成（Pruned INT8のFL2VA＋NVFP4 AWQエンコーダ＋VAE2種）で合計約42.5GB。FL2VAとRef2VAの両方を入れる場合は約63.4GBになります。無量子化のオリジナル一式は約288GBあるため、NVMeは片方だけなら160GB、両方入れるなら220GB程度を見ておくのが安全です。

VRAM要件

構成	VRAM	備考
データセンター（BF16ロスレス）	H100 80GB ×4（ピーク約66GB/枚）、H200 ×4、B300 ×8	公式モデルカードはSGLang＋GPU4枚・Ulysses並列度4を推奨
コンシューマ（ロスレス）	RTX 5090 ×2 ＋ホストRAM 384GiB級	5秒クリップに約9.3分
コンシューマ（INT8ストリーミング）	24〜32GB GPU ＋ホストRAM 約75GB	実用ラインはここ
最小（積極的オフロード）	12〜16GB GPU	動くがRAMを大量に消費（検証報告では160GB級）

「VRAM 12GBでも動く」という情報は正しいのですが、その場合のボトルネックはVRAMではなくホストRAMとストレージ帯域です。RTX 4070クラスにメモリ32GBのPCという構成では現実的に厳しく、実用ラインは24〜32GB VRAM＋RAM 75GB以上と考えたほうが失望が少なくなります。

生成速度の実測（第三者検証）

環境	5秒クリップの所要時間
H100（TP2＋Ulysses2）	約13.25秒
H200 ×4（Ulysses4、BF16）	約74.38秒
RTX 5090 ×2	約559秒（約9分）
Cache-DiT最適化適用時	75.10秒 → 25.81秒（SSIM劣化とのトレードオフ）

コンシューマGPU 2枚で5秒に約9分という数字は、量産用途では厳しめです。「試作は手元、量産はAPIかクラウドGPU」という切り分けが現実的でしょう。

ComfyUIで動かす場合

ComfyUIコアバージョン0.30.0以上が必須。これ未満だとモデルをダウンロードしても動作しません
公開初日から4つの専用ノードと6種の公式テンプレート（ローカル用・API用）が用意されています
Comfy-Orgが量子化版（INT8 / Pruned INT8 / NVFP4 AWQ）を配布しています
ローカルは768pまで。2Kが必要な場合はパートナーノード経由でクラウド処理になります

推論フレームワークはSGLang（--model-variant fl2va / ref2va）、vLLM、Diffusers（ModularPipeline）、ComfyUIに対応しています。

MiniMax H3の弱み・制約

強みの裏返しも含めて、導入前に把握しておくべき制約を整理します。

ローカルでは2K出力ができない — H3-Regenerate-2Kが非公開のため、オープンウェイト版は短辺768pまで
指示理解モジュールも非公開 — ローカル利用時は公開ガイドに従って自分でプロンプト構造を組み立てる必要があり、APIと同じ出力再現性は期待できない
1回の生成は最大15秒 — 長尺は複数生成の連結が必要。30秒ワンショットに対応するSeedance 2.5などと比べると弱点になる
編集はピクセル忠実ではない — Ref2VAはソース動画を「意味的な文脈」として扱うため、フレーム構図の再構成やカット順の変化が起こりえます。「この1カットのこの部分だけ直したい」という厳密な部分修正には向きません
スパースアテンションは未実装 — 学習時はスパース版が使われたものの、公開された重みはフルアテンション。将来のアップデートで提供予定とされています
音声単独入力は不可 — Ref2VAでは画像または動画との併用が必要
公式の技術レポートが未公開 — 学習データ・評価手法・VBench等の標準ベンチマーク値が出ておらず、同一人物保持率や失敗率といった実務指標を数値で比較できません
チェックポイントが2種に分かれている — FL2VAとRef2VAを両方使うにはストレージが2倍必要で、単一のローカルパイプラインには統合されていません
自動モデレーションがある — 公式モデルカードは投稿素材に自動モデレーションが働くこと、および誤検知・見逃しを排除できないことを明記しています

セキュリティ・企業導入時に確認すべきこと

企業利用では、機能や料金より先にこの論点で可否が決まることがあります。

クラウド利用（API / Hailuo AI）の場合、投入した素材は中国企業のインフラに送信されます。 未公開の絵コンテ、台本、未発表商品のブランド素材、実在人物の顔・声などをそのまま投げるのは情報管理上のリスクです。中国の国家情報法（2017年）の適用対象企業であるという論点は、H3に限らず中国系AIサービス全般に共通します（この観点の整理は中国製AIモデルの利用動向でも扱っています）。

オープンウェイト版を自社VPCやオンプレミスで動かせば、素材の外部送信は発生しません。 これがH3のオープンウェイト公開が企業にとって持つ最大の実利です。ただし、その場合も帰属表示・年商閾値・除外地域・AI生成表示といったライセンス義務は等しく適用される点を忘れないでください。

そのほか確認すべき項目:

肖像権・パブリシティ権 — 参照素材に実在人物を使う運用は、事前の権利処理が必須
AI生成ラベリング — ライセンス上の義務であると同時に、中国のAI生成コンテンツ表示規制とも整合する内容。日本国内でも広告表示の観点で運用ルール化しておくのが無難
生成物の商用可否の記録 — どのプロンプト・どの参照素材から生成したかを残しておくと、後の権利確認で困りません

他モデルとの違い — Sora・Veo・Seedance・Klingとの比較

「Soraとの違い」への現時点の答え

OpenAIは2026年3月25日にSoraプロジェクトの終了を発表し、コンシューマー版アプリは2026年4月26日で停止しました。Sora APIは2026年9月24日まで稼働しますが、その後は全エンドポイントが410 Goneを返し、アカウントデータも削除される見込みです。

つまり「MiniMax H3とSoraのどちらが良いか」という比較は、現時点では成立しません。Soraを使っていた方にとっての正しい問いは「移行先としてH3はどうか」です。音声込みの短尺クリップを日本語で作る用途、かつ素材を外に出したくない事情がある場合、H3は有力な候補になります。逆に長尺やピクセル単位の編集精度が要るなら別の選択肢が向きます。経緯と代替候補はSora終了の経緯まとめとSora代替ツールの比較で整理しています。

主要モデル比較

モデル	提供元	公開形態	1回の最大尺	最大解像度	ネイティブ音声	参照素材	価格の目安
MiniMax H3	MiniMax（中国）	オープンウェイト（条件付き商用可）＋API	15秒	2K（ローカルは768p）	○ 32kHzステレオ	画像9＋動画3＋音声3＝計12点	API 2K $0.13/秒・768P $0.08/秒
Gemini Omni Flash	Google	クローズド	—	—	○	○	約$0.10/秒（既報）
Veo 3.1	Google	クローズド	長尺対応	4K	○	参照画像3枚	Gemini API従量課金
Seedance 2.5	ByteDance	クローズド	30秒ワンショット（＋2回延長）	公表4K	○	最大50点	公式API価格未公表
Kling 3.0	快手（Kuaishou）	クローズド	5〜15秒	ネイティブ4K（Pro出力1080p）	○（5言語）	○	fal API Standard $0.084/秒・Pro $0.112/秒（音声なし）
Sora	OpenAI	サービス終了	—	—	—	—	—

※Gemini Omni Flash / Veo 3.1の価格は調査時点で公式再確認していないため、既報水準の目安として記載しています。Seedance 2.5の公式API価格は現時点で未公表です。

選び分けの基準

素材を外部に出せない／量産したい → MiniMax H3のローカル実行（ただし768p）
2K以上の解像度で音声込みの短尺を作りたい → MiniMax H3のAPI、またはKling 3.0
1カットで30秒近い尺が必要 → Seedance 2.5
Googleエコシステムで完結させたい・4K長尺 → Veo 3.1 / Gemini Omni Flash
編集ワークフローや権利面の整備を重視 → Runway Gen-4などの商用サービス
ライセンスの制約をできるだけ避けたい → Apache-2.0系のAnimeGenなど

同カテゴリの選択肢を横並びで見たい場合はAI動画生成ツールおすすめ比較が出発点になります。

MiniMax H3の使い方

ルート1：Hailuo AIで試す

MiniMaxのコンシューマー向けWebアプリ「Hailuo AI」にアクセスし、アカウントを作成してプロンプトを入力するだけです。無料枠があるため、まずは出力の質感を確認する用途に向きます。商用で使う場合は各プランの利用規約を必ず確認してください。

ルート2：API経由で組み込む

MiniMax Open Platform（platform.minimax.io）でアカウント登録し、APIキーを発行する
従量課金の残高をチャージする
モデルにH3を指定し、テキストプロンプトと参照素材（画像・動画・音声）を送信する
解像度は768Pか2Kを選択。まず768Pで試作し、採用カットのみH3-Regenerationで2K化するとコスト効率が良い

OpenRouterを使う場合はモデルID minimax/hailuo-3 を指定します。既存のOpenRouter経由の実装があるなら切り替えコストは小さく済みます。

ルート3：ローカルで動かす

ComfyUIを0.30.0以上に更新する（最初にここを確認。バージョン不足が最も多い躓きどころ）
Hugging Faceの MiniMaxAI/MiniMax-H3 から重みを取得する。VRAMが潤沢でなければComfy-Orgの量子化版（Pruned INT8＋NVFP4 AWQ）を選ぶ
用途に応じてFL2VA（テキスト→動画）かRef2VA（参照ベース編集）を選ぶ。両方入れるとストレージが約63GB必要
公式テンプレート（ローカル用）を読み込んでプロンプトと参照素材を設定する
出力は768pまで。2Kが必要なカットはAPI側で再生成する

SGLangやvLLMで動かす場合は、公式が推奨するGPU4枚・Ulysses並列度4の構成が基準になります。

こんな人におすすめ / おすすめしない人

よくある質問

Q. MiniMax H3は無料で使えますか？
モデルの重み自体は無料でダウンロードでき、ローカル実行にライセンス料は発生しません（GPU・電力・ストレージのコストは別）。Hailuo AIにも無料枠があります。公式APIは従量課金で、2K出力は$0.13/秒です。

Q. 商用利用は本当に可能ですか？
可能ですが無条件ではありません。年間売上2,000万米ドル以上の組織はMiniMaxからの事前の書面許諾が必要で、加えてUIへの「MiniMax H3」表示、生成物へのAI生成識別子の付与が求められます。EU・英国・韓国・米国は除外地域です。最終判断は自社の法務で行ってください。

Q. 日本で使っても問題ありませんか？
ライセンス上、日本は除外地域に含まれておらず、標準ライセンスの適用範囲内です。ただし除外地域の制限は生成物にも及ぶとされているため、作った動画を米国やEU向けに配信する計画がある場合は個別の確認が必要です。

Q. ローカルでも2Kの動画は作れますか？
作れません。2K再生成を担うH3-Regenerate-2Kモジュールは非公開のため、オープンウェイト版の出力は短辺768pまでです。2Kが必要な場合はAPI（2K直出し$0.13/秒、または768P→2K再生成$0.05/秒）を使います。

Q. Hailuo（海螺）とMiniMax H3は別物ですか？
同じものを指します。MiniMaxが企業名、HailuoがそのAI動画生成サービス／モデル系列名で、H3はHailuoシリーズの第3世代です。「Hailuo 3.0」「Hailuo 03」も同じモデルを指します。

Q. Artificial Analysisで1位というのは本当ですか？
2026年8月上旬時点で1位だったのは動画編集（Video Editing）部門です。Text-to-VideoではGoogleのGemini Omni Flashに次ぐ2位でした。また、評価対象はホスト版（Context-IRと2K再生成込み）であり、ローカル版とは条件が異なります。Eloは日々変動する点にも注意してください。

Q. どのくらいのPCスペックが必要ですか？
量子化版と積極的なオフロードを使えばVRAM 12〜16GBでも動作報告がありますが、ホストRAMを大量に消費します。実用ラインはVRAM 24〜32GB＋ホストRAM 75GB程度、ストレージは片方のチェックポイントで160GB、両方なら220GBのNVMeが目安です。

まとめ

MiniMax H3（Hailuo 3.0）は、最大2K・15秒の映像と32kHzステレオ音声を1回の生成で同時に出力するオムニモーダルモデルで、2026年8月3日にモデル重みが公開されました。動画系リーダーボードで上位に立った初のオープンウェイトモデルという点で、この領域の前提を1つ動かした存在です。

導入判断の要点は3つに整理できます。

オープンウェイト版はH3-Baseのみ。指示理解と2K再生成は非公開で、ローカル出力は768pまで。APIと同じ結果は出ないという前提で計画を立てる
ライセンスは条件付き。年商2,000万ドル閾値、UIへの帰属表示、AI生成識別子、除外地域（EU・英国・韓国・米国）、蒸留禁止の5点は導入前に必ず確認する。日本は除外地域に含まれない
料金は768Pで試作 → 採用カットのみ2K化が効率的。2K直出し$0.13/秒に対し、768P $0.08/秒＋再生成$0.05/秒という組み立て方ができる

素材を外に出せない事情がある組織にとって、768pで足りる用途をローカルで回せる意義は大きいはずです。一方、長尺や4K納品、厳密な部分修正が要件なら別モデルを検討したほうが早く着地します。他の選択肢と横並びで比較したい場合はAI動画生成ツールおすすめ比較から、同世代のクローズドモデルを詳しく見たい場合はSeedance 2.5やGemini Omni Flashの解説をあわせて確認してください。