2026年7月31日、中国のAI企業MiniMaxがMiniMax H3を正式に発表しました。これは同社のHailuoビデオファミリーの第3世代モデルであり、Hailuo 3.0とも呼ばれます。わずか2週間前のWAIC 2026で初公開されたH3は、明確な野心を携えて登場しました。単に動く画像を生成するだけでなく、完全な短時間オーディオビジュアルシーンを制作することを目指しています。ネイティブ2K解像度、同期サウンド、そして1回の生成で最大15秒の連続映像を実現します。
AIビデオ分野を追ってきた方なら、その進化のスピードが衰えを知らないことをご存知でしょう。数ヶ月ごとに新しいモデルが登場し、それぞれがさらなる限界を押し広げると主張しています。では、H3は具体的に何をもたらすのか、注目すべきなのでしょうか？ ここに知っておくべきすべてをまとめます。
MiniMax H3とは — 一言で言えば
MiniMax H3は、マルチモーダル（多様な入力形式に対応した）AIビデオ生成モデルです。テキストプロンプト、画像、またはビデオやオーディオクリップを含む参照素材の組み合わせから、ネイティブ2K解像度・24fpsの映像を生成し、同時にセリフ・効果音・環境音といったオーディオも組み込みます。
これはビデオモデルであり、テキストやコーディング用のモデルではありません。MiniMaxは同じWAIC 2026イベントでM3言語モデル（テキスト、エージェント、推論用）もリリースしており、オンライン上で両者が頻繁に混同されています。H3はビデオ制作に特化したモデルです。
スペック一覧
H3の特徴を深掘りする前に、技術仕様の概要を確認しましょう。
| スペック | 詳細 |
|---|---|
| 解像度 | ネイティブ2K（2560×1440） |
| フレームレート | 24fps（映画標準） |
| 長さ | 1回の生成で5〜15秒（Extendツールで約30秒まで延長可能） |
| オーディオ | ネイティブステレオ — セリフ、効果音、環境音が1パスで生成 |
| アスペクト比 | 21:9、16:9、4:3、1:1、3:4、9:16（6種類） |
| 入力モード | テキストからビデオ（Text-to-Video）、画像からビデオ（Image-to-Video、最初/最後のフレーム）、Omni-Referenceからビデオ |
| 参照制限 | 最大9枚の画像 ＋ 3本のビデオクリップ ＋ 3本のオーディオクリップ（1リクエストあたり最大12ファイル） |
| 編集機能 | 既存の生成物に対する指示ベースの編集 |
| 料金 | 2Kで約$0.13/秒（5秒のクリップで約$0.65、15秒のクリップで約$1.95） |
これらの数字は重要ですが、物語の一部しか語っていません。本当に重要なのは、MiniMax H3がそれらをどう活用するかです。
H3を定義する3つの機能
1. Omni-Reference — ショット間のキャラクター一貫性を確保
AIビデオにおける最も根深い課題のひとつが、キャラクターの一貫性（キャラクターコンシステンシー）です。カフェを歩く女性を1ショットで生成しても、次のショットでは別人のように見えることがあります。顔がずれ、服が変わり、声が変わります。
H3は、MiniMaxがOmni-Referenceと呼ぶ仕組みでこの課題に対処します。これは、1回の生成リクエストに最大9枚の参照画像、3本のビデオクリップ、3本のオーディオクリップを投入できる制御システムです。モデルはこれらの入力をすべて統一されたコンテキストとして読み取り、写真からキャラクターの顔を抽出し、ビデオクリップからカメラワークを借用し、オーディオサンプルから声のトーンを吸収します。
実際の成果として、1回の15秒生成の中でキャラクターがワイドショット、クローズアップ、横顔のショットに登場しても、同じ人物のように見え、動き、聞こえます。連載コンテンツ、短編映画、 recurring talentを起用するブランドキャンペーンを制作する方にとって、これは大きな前進です。
Omni-Referenceを最大限に活用するためのヒント：
- 均一な照明、正面に近い顔の角度、遮蔽物（帽子、サングラス、顔にかかった髪）のない参照画像を使用する。
- 画像参照とクリーンなオーディオクリップを組み合わせて、外見と声の両方を固定する。
- エピソードコンテンツでは、同じ参照セットを生成間で再利用して一貫性を維持する。
2. ネイティブオーディオ — サイレントクリップから編集可能なラフカットへ
これまでのほとんどのAIビデオモデルは、サイレントな出力を生成してきました。映像を得た後、別工程で音声を追加するのです — セリフの吹き替え、効果音の重ね合わせ、適切なBGMの選定。このワークフローは機能しますが、短いクリップ1本ごとに制作時間が倍になります。
H3はビデオとオーディオを1パスで同時に生成します。セリフは口の動きに合います。グラスが割れるとき音がします。キャラクターが話している間に雨が窓を叩きます。タイミングは生成時に決定され、後から合わせるものではありません。
これにより、出力の性質自体が変わります。サイレントのAIビデオはビジュアルアセット — 有用ですが不完全です。 usableな音声付きのビデオは、編集可能なラフカットに近くなります。短時間の広告、ソーシャルコンテンツ、ナラティブシーンにおいて、この違いは非常に大きいです。
ただし、「ネイティブオーディオ」＝「完璧なオーディオ」というわけではありません。セリフの精度、リップシンクの品質、声の感情表現 — これらはすべて実際のテストが必要です。初期ユーザーからは概ね良好な結果が報告されていますが、生成オーディオ全般に言えることとして、エッジケースや複雑なシーンではアーティファクト（不自然な歪み）が生じる可能性があります。推奨事項：生成されたオーディオは強力な出発点として扱い、必ずしも最終納品物とは限らないと心得てください。
3. 指示ベースの編集 — 再生成なしで微調整
派手には聞こえないかもしれませんが、H3の最も実用的な強みのひとつになる可能性のある機能です。
15秒のクリップを生成して、90%が正しい状況を想像してみてください。構図は良く、照明は機能し、キャラクターの演技は自然です — ただジャケットの色が間違っているか、背景を変更する必要があります。ほとんどのビデオモデルでは、プロンプトを調整して最初から再生成するしかありません。元の良かった部分が新しいバージョンで維持されるかどうかは、運次第です。
H3では、変更内容を自然言語で記述し、既存の生成物に適用できます。「ジャケットを赤に変更して。」「背景を夕暮れのビーチに変えて。」「後半のペースを速めて。」モデルは指定された要素のみを変更し、それ以外 — 構図、照明、演技、カメラパス — をすべて保持します。
反復的なクリエイティブ作業にとって、これは真のワークフローのアップグレードです。「生成して祈る」プロセスから「生成して改善する」プロセスへと移行します。これは、プロのクリエイティブ制作が実際に採用している方法です。
前世代と比較するとどうか？
前世代のHailuo 2.3を使用したことがある方なら、H3への飛躍が大きいことがわかるでしょう。以下は並列比較です：
| 次元 | Hailuo 2.3 | MiniMax H3 |
|---|---|---|
| 解像度 | 768p / 1080p | ネイティブ2K |
| 最大長さ | 約10秒 | 15秒（約30秒に延長可能） |
| 参照入力 | 画像のみ | 画像 + ビデオ + オーディオ |
| ネイティブオーディオ | なし | あり — ステレオ、1パス |
| 指示編集 | なし | あり |
| 料金モデル | 生成ごと | 出力秒数ごと |
| アスペクト比 | 限定的 | 6種類（21:9〜9:16） |
1080pからネイティブ2Kへの解像度の飛躍は、スペックシート上の数字にとどまりません。ここで「ネイティブ」とは、モデルが内部で完全な2Kピクセル密度でレンダリングすることを意味します — 鮮明な細部は生成自体に組み込まれており、別途のアップスケーリング（解像度拡大）処理で作られるものではありません。大画面、小売店のディスプレイ、高解像度のクライアント納品物向けのコンテンツでは、この違いが重要です。
長さの増加も実践上同様に重要です。10秒では1つの瞬間または冒頭のフックをカバーできます。15秒 — 1回の生成内で複数のショットを含む可能性があれば — 導入、主要アクション、リアクション、ビジュアルの結末を収めることができます。それは断片とシーンの違いです。
H3の利用方法と料金
H3は、ニーズに応じて複数のチャネルから利用可能です。
Hailuo公式ウェブサイト（hailuoai.video）
個人クリエイター向けの最もシンプルなエントリーポイント。サインアップし、H3を選択して、Webインターフェースから生成を開始します。API統合は不要です。
EvoLink統一API
H3を製品やワークフローに統合したい開発者向け。EvoLinkは入力タイプに基づいて3つのモデルIDを提供します：
minimax-h3-text-to-video— テキストプロンプトから生成minimax-h3-image-to-video— 最初/最後のフレーム画像から生成minimax-h3-reference-to-video— マルチモーダル参照から生成
APIは非同期です。タスクを送信し、ステータスをポーリングし、完了時に結果のMP4をダウンロードします。キャンセルエンドポイントはなく、タスクが失敗した場合は全額返金されます。
サードパーティプラットフォーム
OpenArt、Atlas Cloud、その他の推論プロバイダーも、独自のインターフェースを通じてH3へのアクセスを提供しています。多くの場合、統一API互換性と従量課金制の料金体系を備えています。
料金の詳細
- 標準料金：2K解像度で約$0.13/秒
- 5秒の2Kクリップで約$0.65
- 15秒の2Kクリップで約$1.95
- 参照画像とオーディオは請求対象時間に加算されない。参照ビデオクリップは加算される
- Hailuoプラットフォームの一部の初期テスターは、基本サブスクリプションティアで15秒の2Kクリップが約$1であったと報告 — ただし公式には確認されていない
競合との比較：Seedance 2.0での15秒1080pクリップは、Dreaminaの基本ティアで約$4とされています。この数字が正しければ、H3は4倍の解像度を4分の1の価格で提供することになります — ピクセルあたりのコストとして非常に魅力的な提案です。
MiniMaxとは？
モデルを支える企業についてあまりご存知でない方のために：MiniMaxは上海に拠点を置くAI研究所であり、中国で最も有名なAI企業のひとつです。同社は2026年1月に香港でIPOを完了し、約$6.19億を調達し、時価総額は約$40億に達したと報じられています。出資者にはAlibabaやTencentが含まれます。
MiniMaxの消費者向けビデオブランドはHailuoで、AIビデオコミュニティにおいて優れた物理シミュレーション、高速な生成速度、手頃な価格設定で評価を築いてきました。H3は、Hailuo 02、Hailuo 2.3に続く、Hailuoファミリーの3番目の世代です。
H3がプラットフォームモデルであり、オープンウェイト（重み公開）リリースではないことに留意してください。MiniMaxのM3言語モデル（オープンウェイトのバリアントあり）とは異なり、H3はAPIとHailuoプラットフォームを通じてのみアクセス可能です。この状況が変わるとの兆候はありません。
2026年のAIビデオ市場においてH3はどこに位置するか？
2026年半ばのビデオモデル市場は、かつてないほど競争が激化しています。以下は簡潔なポジショニングマップです：
| モデル | 開発元 | 特筆すべき強み |
|---|---|---|
| MiniMax H3 | MiniMax | Omni-Reference制御、ネイティブオーディオ、指示編集、価格 |
| Kling 3.0 Pro | Kuaishou | ネイティブ4K、優れたモーションと物理演算 |
| Veo 3.1 | Google DeepMind | 48kHz高忠実度ダイアログ |
| Seedance 2.0 | ByteDance | マルチモーダル参照、オーディオ統合 |
| Wan 2.7 | Alibaba | リップシンク、テキスト/画像/ビデオ/オーディオ入力 |
| Runway Gen-4.5 | Runway | 確立されたクリエイティブツールエコシステム |
H3の提案は「最高の生の忠実度」ではありません — Kling 3.0とVeo 3.1はいずれもネイティブ4Kを推進しています。その代わり、H3は制御性（Omni-Reference）、完成度（1パスのネイティブオーディオ）、反復速度（指示ベースの編集）、価格の組み合わせで競争します。多くの実用的なユースケース — ソーシャル広告、プロダクトビデオ、短編ナラティブコンテンツ — において、この組み合わせは生の解像度単独よりも重要かもしれません。
競争環境に関する重要な注記：OpenAIは2026年4月にSoraのWebおよびアプリ体験を終了し、APIは2026年9月に終了予定です。Soraは新しいビデオワークフローの選択肢ではなくなりました。
よくある質問
MiniMax H3とHailuo H3は同じものですか？
はい。「MiniMax H3」はコーポレートブランド名であり、「Hailuo H3」はプロダクトブランド名です。同じモデルを指します。文脈によっては「Hailuo 03」や「Hailuo 3」も同義で使用されます。
H3は4K出力に対応していますか？
いいえ。最大出力解像度はネイティブ2K（2560×1440）です。4Kが必要な場合は、Kling 3.0 ProまたはVeo 3.1（8秒クリップ向け）が現在の選択肢です。
H3のビデオはどのくらいの長さですか？
1回の生成で5〜15秒をサポートします。Extend Videoツールを使用すると、約30秒まで延長できます。
H3はオープンソースまたはオープンウェイトですか？
いいえ。H3はAPIとHailuoプラットフォームを通じてアクセスします。ローカルデプロイメント用のオープンウェイトモデルとしては利用できません。
すべてのH3ビデオにオーディオが付きますか？
はい。すべての生成に、ビデオと同じパスで生成されたネイティブステレオオーディオ — セリフ、効果音、環境大気 — が含まれます。
H3を商用コンテンツに使用できますか？
商用利用権に関する最新情報は、MiniMaxの現在の利用規約をご確認ください。プラットフォームはプロフェッショナルおよび商用ユースケースを念頭に設計されていますが、具体的なライセンス条件は異なる場合があります。
H3は現在利用可能ですか？
はい。H3は2026年7月31日に正式にローンチされ、Hailuoプラットフォーム、EvoLink API、一部のサードパーティプロバイダーを通じてアクセス可能です。
H3は失敗したタスクをどう処理しますか？
失敗、期限切れ、拒否されたタスクには全額返金されます。キャンセルエンドポイントはなく、一度送信されたタスクは完了まで実行されるか失敗します。
まとめ
MiniMax H3は、前世代に対する単なる漸進的なアップグレードではありません。AIビデオモデルが提供を目指すものの変化を表しています — 孤立した動画ではなく、映像・音声・編集制御が組み込まれた完全な短時間オーディオビジュアルシーンです。
ネイティブ2K解像度は、1080pのほとんどの競合とは異なる品質ティアに位置付けます。Omni-Referenceシステムは、キャラクターとスタイルの一貫性に対して並外れた制御を提供します。ネイティブオーディオ生成により、多くの短時間ワークフローで別工程のポストプロダクションが不要になります。そして指示ベースの編集機能により、反復モデルが「再生成して祈る」から「記述して改善する」へと変わります。
すべての仕事に最適なツールというわけではありません。4K出力、15秒を超えるショット、オープンウェイトのデプロイメント、48kHzの放送品質ダイアログが必要な場合は、現在他のモデルの方がそれらのニーズに適しています。しかし、成長を続けるAIビデオの大多数のユースケース — ソーシャル広告、プロダクトショーケース、短編ナラティブ、ミュージックビジュアル、クリエイティブなプレビジュアライゼーション — において、H3は品質、制御性、コストの魅力的な組み合わせを提供しており、2026年半ばにおいて見過ごすことはできません。
最も良い判断方法は、自分でテストすることです。関心のあるプロンプトを書き、いくつかのバリエーションを生成し、自分の基準で出力を評価してください。スペックシートやレビューは正しい方向を示してくれますが、実際に結果を目の当たりにすることに代わるものはありません。H3の機能、サンプル、最新アップデートの詳細については、minimaxh3.artもぜひご覧ください。
参考資料
- OpenArt: <https://openart.ai/ai-model/minimax-h3/>
- 科创板日报: <https://www.cls.cn/detail/2442143>
- DeeVid Review: <https://deevid.ai/blog/minimax-h3-review>
- OrcaRouter Explained: <https://www.orcarouter.ai/blog/minimax-h3-hailuo-3-explained>
- Kie.ai Guide: <https://kie.ai/blog/what-is-hailuo-h3>
- EvoLink: <https://evolink.ai/zh/hailuo-3>
- Atlas Cloud: <https://www.atlascloud.ai/zh/models/minimax-h3>
