MiniMax が MiniMax-H3 を発表 ── 2K動画＆ステレオ音声生成の多モーダルモデル
ミニマックス（MiniMax）から、新世代の汎用多モーダル生成システム「MiniMax-H3」が公開されました。ただ動画を出力するだけでなく、テキスト・画像・動画・音声を統合的に理解し、最大15秒の2K解像度動画にステレオ音声を付与して生成するという仕上がりです。APIやアプリでの利用はもちろん、オープンソースとして公開されている点も注目すべきでしょう
▸何が変わったのか
MiniMax-H3は「H3-Context-IR」「H3-Base」など3つのモジュールで構成され、複雑な多モーダル指示を中間表現に変換して生成品質を高めています。出力仕様では、24FPS・32kHzステレオ音声に対応し、解像度は短辺768pxがデフォルトですが「H3-Regenerate-2K」を用いれば2K解像度の生成も可能です。アスペクト比は1:1から21:9まで幅広くサポートしています。入力モードとして「H3-Base-FL2VA」では最初のフレームと最後のフレームを指定した動画生成が可能で、「H3-Base-Ref2VA」では最大9枚の画像や3つの動画クリップなどを参照元にできます。対応言語はアラビア語、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言語が安定してサポートされています
◈技術背景と意義
従来のテキストから動画を作るモデルとは異なり、H3は入力を深く理解する専用の中間表現層（Context-IR）を持っています。これにより、単なるコマ撮りではなく、指示の文脈を汲み取った一貫性のある生成が可能です。音声をステレオで同期させる点も、没入感を高めるための工夫と言えるでしょう。複雑なプロンプトでも崩れにくい設計が特徴です
▸こんな人・用途に
[‘SNSやショート動画制作で、特定の始まりと終わりを持つワンカット動画を生成したいクリエイター’, ‘複数の参照画像を組み合わせて、一貫したキャラクターやスタイルを維持したアニメーションを作りたいユーザー’, ‘日本語を含む多言語の指示に対して、音声付きの高精度なデモ動画を作成したい開発者’]
◆入手方法・リンク
グローバル版APIは platform.minimax.io、中国版は platform.minimaxi.com で利用可能です。Webアプリ（Global: hailuoai.video / CN: hailuoai.com）やデスクトップクライアント（Global: hub.minimax.io / CN: hub.minimaxi.com）からも直接アクセスできます。また、Hugging Face 上でオープンソースとして公開されています
SOURCE: MiniMax (2026-07-28)
