MiniMax が MiniMax-H3 をリリース ── 2K解像度動画とステレオ音声生成を実現
動画生成AIの進化は止まらない。中国企業のMiniMaxが新モデル「MiniMax-H3」を公開した。これは単なる画像から動画を作るツールではなく、テキストや音声、複数の画像を組み合わせた複雑な指示を理解して、最高2K解像度のステレオ音声付き動画を出力するオールマイティなシステムだ。すでにAPIで使え始めているそうで、気になる方は要チェック。
▸何が変わったのか
MiniMax-H3はマルチモーダルな理解と生成を統合したモデル。出力動画の長さは4〜15秒まで対応し、アスペクト比も21:9や9:16など自由に設定可能。デフォルトでは短辺768ピクセルだが、「H3-Regenerate-2K」機能を使えば2K解像度の生成にも挑戦できる。音声は32kHzのステレオ出力が標準で、日本語を含めた11言語での対話が安定してサポートされているのもポイント。
◈前モデル / 競合との比較
提供されたテキストには前バージョンや競合モデルとの直接的な比較データは記載されていません。ただし、H3-Base-FL2VA（初めと最後のフレーム指定）やH3-Base-Ref2VA（複数リファレンス入力）といったバリエーションが存在し、用途に応じた細かい制御が可能になっている点は従来型よりも柔軟性が高いと言えるでしょう。
◈技術背景と意義
このモデルの面白いのは「H3-Context-IR」という中間表現層を持っている点。ユーザーからの複雑なマルチモーダル指示を深く理解し、生成モデルが扱いやすい形に変換してくれるのだ。これによって、単に「猫が走っている」だけでなく、「最初のフレームでは寝ていて、最後のフレームでは飛び跳ねている動画を作成」といった細かな意図も正確に汲み取れるようになった。要するに、指示の解釈精度が上がって生成品質が担保されやすい設計になっている。
▸こんな人・用途に
[‘SNS用の縦長動画（9:16）を日本語音声付きで自動生成したいクリエイター’, ‘特定のキャラクターや風景を維持しながら、複数の画像や動画を参照して一貫性のあるシーンを作りたい編集者’, ‘テキストプロンプトのみから、BGM込みの完成度高い短い映像クリップを作成したいマーケター’]
◆入手方法・リンク
現在、Hugging Faceで公開されており、API経由での利用が可能です。グローバル版は platform.minimax.io、中国向けは platform.minimaxi.com からアクセスできます。Webアプリ（hailuoai.video）やデスクトップアプリ（hub.minimax.io）でも直接試せるようです。
SOURCE: MiniMax (2026-07-28)
