MiniMax H3の機能と能力
MiniMax H3は、Hailuo 3.0またはHailuo 03とも呼ばれる、MiniMaxのオープンウェイトな汎用マルチモーダル動画モデルです。生成用・編集用・参照追従用とモデルを使い分ける必要はありません。H3はテキスト、画像、動画、音声を1つの文脈として読み込み、映像と音声が一体になった完成クリップをそのまま返します。セリフや効果音もネイティブ音声として同時に生成されるため、VTuberの配信素材やSNS投稿用の縦型動画まで、音声込みで仕上げたいシーンに向いています。
| 機能 | できること | 最適な用途 |
|---|---|---|
| オムニリファレンス | 画像9枚・動画3本・音声3つを1つのブリーフとして読み込む | 顔・動き・声を一度に固定したいとき |
| ネイティブステレオ音声 | セリフ・効果音・環境音を映像と同時に生成 | 音声が必要なドラマや広告、タイトル演出 |
| 命令ベースの編集 | 指定した要素だけを変更し、他のフレームはそのまま保つ | 採用テイクを撮り直さずに修正したいとき |
| ボイスクローン・音声転写 | 参照音声からキャラクターに声を与える | 吹き替え、セリフの差し替え、言語の切り替え |
| 1クリップ内のマルチショット | 5〜15秒の1生成に複数ショットを収める | タイトルシーケンス、切り返しのカバレッジ |
| 24fpsの2K出力 | 短辺1440pxを映画と同じフレームレートで出力 | アップスケールなしで納品したいとき |
オムニリファレンス
ここがワークフローを変える部分です。1回の生成に画像を最大9枚、動画クリップを最大3本、音声ファイルを最大3つ、合計12ファイルまで添付でき、それぞれに別の役割を持たせられます。ある画像でキャラクターを固定し、別の画像で場所を指定し、動画で動きや編集のリズムを運び、音声で声を運ぶ、といった具合です。参照の動画と音声はそれぞれ2〜15秒、合計でも15秒以内に収め、音声は画像や動画のどちらかと一緒に添付する必要があります（音声単体では受け付けられません）。
ネイティブステレオ音声
音声は後付けの工程ではありません。生成のたびに映像と同じパスでステレオ音声が作られるため、セリフ、足音、部屋の空気感まで最初から映像に馴染んだ状態で返ってきます。つまり音声は「受け取るもの」ではなく「演出するもの」であり、使う楽器や効果音、キューが入るタイミングをブリーフで具体的に指定するかどうかで結果は大きく変わります。
命令ベースの編集
クリップのほとんどが気に入っていて1点だけ直したいときは、その要素の名前を指定するだけです。被写体の差し替えや削除、背景の入れ替え、昼から夜へのリライト、エフェクトの追加、セリフの変更まで、指定した要素だけが動き、フレームの残りはそのまま保たれます。1つの命令に複数の変更をまとめられるため、ゼロから作り直して良い部分まで失うより速く修正できます。
ボイスクローン・音声転写
参照音声を使えば、キャラクターに元々なかった声を与えられます。また用意したセリフで、実際に収録した音声をパフォーマンスに合わせて差し替えることも可能です。人物の見た目を固定する参照画像と組み合わせれば、顔と声の両方でシーケンス全体を通して同じキャラクターだと分かる状態を保てます。
画角と仕上げ
テキストから動画、参照を使った生成では、21:9から9:16まで6種類のアスペクト比が選べるほか、参照側にショットを委ねるオートモードもあります。最初と最後のフレームを指定する生成では、アップロードした画像の比率がそのまま使われます。出力は短辺1440pxの24fpsで、21:9のマスターはおよそ2976×1248まで届きます。近日公開予定の768pモードは1440pへのアップスケールに対応する予定で、公開されれば手早いドラフト用として使いやすくなるはずです。
MiniMax H3のユースケース
ブランドフィルムとCM
広告スポットやハイエンドなブランドフィルムに向いています。参照セットでタレント・商品・締めのカットを固定しつつ質感まで指定できるため、仕上がりを運任せにしません。
縦型ショートドラマとセリフ
9:16の縦型ショートドラマに向いています。切り返しを重ねたクローズアップのカット割りが基本で、セリフが映像と同じパスで生成されるため、演技と発話のタイミングがずれずに返ってきます。TikTokやYouTubeショートで伸びている縦型ドラマ制作との相性がよい機能です。
タイトルシーケンスとモーションデザイン
文字そのものが1つのレイヤーとして動くグラフィック演出に向いています。クレジットがタイプオンし、図解が組み上がり、音楽のキューは指定したビートに合わせて鳴るため、あとから足す必要がありません。
商品・ECコンテンツ
実物を撮影した1枚の静止画から作る商品フィルムに向いています。全体を映すリビールからマクロディテール、静止したワイドショットまでを一続きで見せ、商品の形は参照画像が固定し、カメラと光の演出が魅力を伝えます。
ゲームUIと実況・配信コンテンツ
メニュー、HUD、操作デモをビート単位でクリップ全体にタイミング指定できます。パネルがスライドし、選択が確定し、ワールドが読み込まれる順序を自分で決められるため、モデル任せの展開になりません。実況・配信文化が根付く日本のゲームコンテンツ制作とも相性がよい使い方です。
スタイライズされたキャラクター表現
切り紙アニメーション、ストップモーション、イラスト調のキャラクター表現に向いています。アイデンティティ参照がデザインをショットをまたいで固定するため、衣装やプロポーション、仕上げの質感がカットが変わっても崩れません。VTuberやオリジナルキャラクターの一貫性を保ちたい制作にも応用できます。
MiniMax H3を最大限に活かす方法
H3は、文章というより制作の指示書のようなブリーフに応えます。プロンプト欄は最大7,000文字まで使え、モデル自身のリファレンス例もその大半を使っています。いくつかの習慣が品質の大部分を左右します。
- 各参照に役割を与える。「画像1は雰囲気と質感、画像2はタレント、画像3は商品」のように指定する方が、4枚適当に添付するより確実です。
- ビートにタイミングを添えて書く。0〜2秒、2〜5秒というようにクリップを区切ると、15秒全体を通じてモデルが従う順序が生まれます。
- 変えてはいけない要素を明記する。固定したいマスクや、髪型・衣装を保ったままにしたい顔など、ロックする部分を言葉にすることが途中でのブレを防ぎます。
- ネガティブな指示もはっきり書く。字幕なし、透かしなし、現代的な服装なし、柔らかいディゾルブなし。制約は明記して初めて守られます。
- 音声は独立したトラックとして演出する。楽器、具体的な効果音、キューが入る瞬間を名指しする。どのみち音声は映像と同時に生成されます。
- トランジションを名指しする。ワイプ、ハードカット、ホイップパン、形をまたぐマッチカット。名指しすることで編集のリズムが単なる「なめらかさ」ではなく意図として伝わります。
- シーンだけでなく撮影自体を描写する。手持ちの揺れ、露出の呼吸、オートフォーカスの遅れ、粒子感。これらが「撮影された質感」と「レンダーされた質感」を分けます。
- 文字のアニメーションまで指定する。テキストの入り方、表示時間、禁止事項を伝えれば、タイトルが無意味に回転・跳ねることはなくなります。
- 対象を名指しして編集する。修正したい箇所とそのまま残す箇所を伝える。ショット全体を撮り直すと、気に入っていたテイクまで失いかねません。
- 参照の予算を意識する。12ファイルが上限で、動画・音声の参照は合計15秒まで、音声は画像か動画と一緒でなければカウントされません。
機能の全リストと仕様については、MiniMax H3のモデルページをご覧ください。
MiniMax H3プロンプトガイド
優れた動画プロンプトはキャプションではなく、ちょっとした制作指示書のように読めるべきです。そうすることでモデルは、被写体・動き・カメラを手がかりに作業できます。送信前に次の5つのブロックを確認してください。
| ブロック | 含める内容 | 例 |
|---|---|---|
| 役割 | 添付した各参照が何のためのものか | 画像1は場所、画像2は主役 |
| 展開 | タイミングつきのクリップ全体の動き | 0〜5秒は座っている、5〜11秒で問いかけが入る |
| 画づくり | スタイル、色調、光、質感 | 16mm粒子感、抑えた色調、真上からの硬い光 |
| 音声 | セリフ・効果音・音楽と、鳴るタイミング | 終始ルームトーン、タイトルが決まる瞬間に1音 |
| 制限 | 固定する要素と、映してはいけないもの | 衣装は変えない、字幕なし、透かしなし |
弱いプロンプトと強いプロンプト
違いのほとんどは、時間・参照の役割・音声をどれだけ具体的に指定するかにあります。
| 焦点 | 弱い | 強い |
|---|---|---|
| 参照の役割 | この画像を使って | 画像1は質感を固定、画像2は主役、画像3は彼女が持ち上げるボトル |
| タイミング | 彼女がボトルを手に取る | 0〜5秒でベンチの列に沿って進み、5〜10秒で光の中へ持ち上げ、10〜15秒で置く |
| 音声 | 音楽を少し入れて | 終始かんがい用の水滴音と下の交通音、光が差し込む瞬間に1音のチェロを伸ばす |
よくある間違い
- どの参照が何のためかを言わずに添付し、モデルにどの画像がシーンを導くか推測させてしまう。
- 静止したフレームを描写し、クリップの長さ全体で展開する動作を書いていない。
- 音声について何も書かず、返ってきた音を「モデルの不具合」として扱ってしまう。
- 音声参照だけを単体で送る（画像か動画が伴わないと受け付けられません）。
- 1つの対象を直したいだけなのにショット全体を撮り直し、気に入っていた他の部分まで失う。
