MiniMax H3
1つのモデルで、映像と音声を生成
MiniMax H3は、テキスト、画像、動画、音声を1つの文脈として読み取る汎用オムニモーダル生成モデルです。ステレオ音声付きの映像を、2Kで最大15秒生成できます。
Pexoで生成したMiniMax H3の作例
ここに掲載した動画はすべて、普段の言葉で説明してPexoで作成したものです。プロンプトの書式やモデルの設定は必要ありません。
MiniMax H3の特長
MiniMaxは、従来のHailuoシリーズとは異なるモデルとして、2026年7月31日にH3を公開しました。実際に何が変わったのかを紹介します。
あらゆる種類の入力を、1つの文脈で扱う
MiniMaxはH3を、テキストから動画を作るモデルに機能を追加したものではなく、汎用のオムニモーダル生成モデルと位置づけています。テキスト、画像、動画、音声を1つの統合された文脈として入力し、映像と音声を出力します。MiniMaxによると、従来のモデルでタスク、機能、入力形式を隔てていた境界を取り除くことが目標です。
超解像モジュールを使わず、高解像度に
H3は、2Kで最大15秒の映像を出力します。MiniMaxは従来型のアップスケーラーを追加する代わりに、低解像度の生成結果を、文脈を踏まえて基盤モデル自体に再生成させます。これにより、超解像処理では推測に頼る小さな文字や細部を復元できます。新しいH3-VAEトークナイザーは圧縮率を高め、扱えるシーケンス長を約4倍に拡大しており、ネイティブ2K生成の費用を抑えています。
映像と音声を、同じ処理で生成
音声はすべてステレオで直接出力されます。MiniMaxは、発話、効果音、音楽を個別に作って後からつなぐのではなく、まとめてモデル化します。通常はサウンド制作の工程が別途必要になるセリフ、効果音、室内の環境音も、映像と同じ処理で生成されます。
独自のキャラクター、モーション、サウンドを持ち込む
H3は、1回のリクエストで最大9枚の参照画像、3本の参照動画、3本の参照音声を受け付けます。MiniMaxは、画像、動画、音声を組み合わせた参照や編集を、自然言語で幅広く指示できるようにしています。キャラクターの一貫性の維持、クリップ間での動きの転用、既存の声や環境音への調整に対応します。
指示への忠実さと、画面内の文字の描画を重視
MiniMaxの招待制テストでは、H3はさまざまな用途で商用品質に達していると説明されています。特に、指示への忠実さ、文字やブランド情報の正確な描画、動画間での動きの転用に強みがあります。MiniMaxは、広告、ブランド、EC、商品デザイン、UI/UX、ゲームを主な用途として挙げています。
MiniMax H3 とその前の世代の Hailuo の比較
MiniMaxは、H3を従来モデルの改良ではなく、設計の転換と位置づけています。Hailuo-02の手法が、さまざまなタスクへの汎用化を妨げたため、そのアーキテクチャを採用しなかったと説明しています。主な変更点は以下のとおりです。
| 機能 | MiniMax H3 | Hailuo 2.3 | Hailuo 02 | Hailuo 01 |
|---|---|---|---|---|
| 位置付け | オムニモーダル生成 | 動画生成 | 動画生成 | 動画生成 |
| ネイティブ2K出力 | ✓ | — | — | — |
| 映像と同時にステレオ音声を直接生成 | ✓ | — | — | — |
| テキスト、画像、ビデオ、オーディオを 1 つのコンテキストとして | ✓ | — | — | — |
| 入力形式をまたいだ指示による編集 | ✓ | — | — | — |
| アーキテクチャ | H3-Omni Transformer | Hailuo-02アーキテクチャ | Hailuo-02アーキテクチャ | 第一世代システム |
出典： MiniMax: H3、タスクとモダリティの境界を打ち破る · MiniMax ハブ · Hailuo AI：MiniMax H3
PexoでMiniMax H3を使う方法：設定不要の3ステップ
アカウント、APIキー、技術的な知識は必要ありません。Pexoがモデルの選択、生成、納品まで対応するので、作りたいものに集中できます。
Web、Telegram、WhatsApp、Discordで、作りたい内容を普段の言葉で入力します。決まった形式やモデルの選択は不要です。Pexoが意図を読み取り、残りの処理を行います。
PexoがリクエストをMiniMax H3に送り、適切な設定を自動で適用して生成します。設定作業は必要ありません。
そのまま使える状態の動画が届きます。調整したいときも、最初からやり直さずに、同じ会話を続けて指示できます。
Pexo の MiniMax H3 で何が作れるか
プロンプトを書いたり、モデルを選んだりする必要はありません。作りたいものを言葉で伝えるだけです。
MiniMax H3 に関するよくある質問
MiniMax H3 とは何ですか?+
MiniMax H3は、MiniMaxが2026年7月31日に公開した汎用オムニモーダル生成モデルです。テキスト、画像、動画、音声を1つの文脈として理解し、ステレオ音声付きの動画を、最大2Kの解像度で15秒まで生成できます。
MiniMax H3 は Hailuo 3.0 と同じものですか?+
はい。正式なモデル名はH3です。Hailuo 3.0（Hailuo 03と表記される場合もあります）は、このモデルが搭載されているHailuo AIアプリに由来する別名です。同じモデルを指すため、どちらの名前による検索結果も同じリリースについて説明しています。
H3 は Hailuo 2.3 とどう違うのですか?+
単に規模を大きくしたのではなく、設計が異なります。MiniMaxによると、複数のタスクへの汎用化を目指す中で、Hailuo-02の長所が複雑さを増す要因となったため、そのアーキテクチャを採用しませんでした。H3では、ネイティブ2K生成、映像と同時に生成するステレオ音声、テキスト・画像・動画・音声をまとめて扱う統合された文脈を導入しています。
MiniMax H3 ビデオの長さと解像度はどれくらいですか?+
1回の生成で最大15秒、最大2Kです。MiniMaxは、別の超解像モジュールを使うのではなく、基盤モデル自体が低解像度の出力を文脈に沿って再生成することで2Kに到達します。これにより、小さな文字や細部を保ちます。
MiniMax H3 は音を出しますか?+
はい。音声生成は主な変更点の1つです。音声はすべてステレオで直接出力されます。発話、効果音、音楽をまとめてモデル化し、別のサウンド制作工程で後から追加するのではなく、映像と同じ処理で生成します。
MiniMax H3のモデルの重みは公開されていますか？+
MiniMaxは発表時、適用される法令に従って数日以内にモデルの重みを公開する予定だと述べ、複数の中国国内製チップとの互換性も検討したと説明しています。ほかの場所で具体的なライセンス条件が引用されていても、MiniMaxが公開するまでは非公式情報として扱ってください。
Pexo の MiniMax H3 を使って何が作れますか?+
映像と音声を一緒に仕上げる必要がある短い動画に使えます。商品・ブランド広告、EC向けクリップ、UIや商品の操作説明、ゲーム映像、コンセプト映像などが対象です。Pexoでは、APIの設定や参照ファイル数の制限を手作業で管理せずに、作りたい内容を普段の言葉で伝えて完成動画を受け取れます。
PexoのMiniMax H3で、言葉を映像に
今利用できる最高の動画モデルを、1文の説明で使えます。