MiniMax H3とは？M3・Hailuoとの違い

MiniMax H3は、テキスト、画像、動画、音声を文脈として受け取り、ネイティブステレオ音声付きの動画を生成するMiniMaxの汎用オムニモーダルシステムです。MiniMax M3は、コーディングとエージェント作業を担う別のモデルです。Hailuo AIはユーザー向けの製品であり、Hailuo 2.3は以前に公開された動画モデルです。

H3は公開されたばかりのため、利用方法の詳細や実装固有の制御項目は今後変わる可能性があります。

1分でわかるMiniMax H3

MiniMaxは2026年7月31日にH3を発表しました。同社はH3を汎用マルチモーダル生成モデルと説明しています。現在のモデルカードでは、より具体的に「オムニモーダル生成システム」と呼んでいます。

どちらも示している内容は同じです。H3は、1つのコンテキスト内で複数種類のメディアを解釈し、短い動画とネイティブステレオ音声を同時に生成します。

MiniMax H3の公式発表とH3のモデルカードでは、現時点で次の仕様が示されています。

「オムニモーダル」とは、MiniMaxのすべての製品が1つのエンドポイントに統合されたという意味ではありません。文書化されているH3 APIと公開済みチェックポイントは、動画と音声の同時出力を中心にしています。

H3の学習にはより幅広いタスクが含まれますが、画像専用、音楽専用、音声専用のH3製品が個別に公開されているわけではありません。学習タスクの一覧より、現在実際に提供されている製品機能を基準に判断する必要があります。

H3・M3・Hailuoの違い

これらの名称を理解するには、モデルと製品を分けて考えるのが簡単です。MiniMaxは企業名です。H3とM3は別々のモデルです。Hailuo AIはクリエイティブアプリで、Hailuo 2.3は特定の動画モデルを指します。

この区別を押さえると、よくある2つの誤解を避けられます。H3はM3の動画版ではなく、Hailuo 2.3もH3の別名ではありません。

MiniMax H3がMiniMax M3と異なる理由

H3とM3は、どちらも複数種類の入力を扱います。この共通点を表す「マルチモーダル」という言葉が、混同の主な原因です。

実用上の違いは、それぞれが担う仕事と出力にあります。

MiniMaxのM3公式発表では、M3をネイティブマルチモーダルモデルと説明しています。画像と動画を入力できるため、M3をテキスト専用と説明するのは正確ではありません。

ただし、その入力対応によってM3がH3の動画生成エンドポイントになるわけではありません。MiniMaxはM3をコーディングとエージェント作業向け、H3を映像と音声の生成向けに位置付けています。

たとえば、商品の発表プロジェクトを考えてみましょう。M3はデザイン概要の確認、UIスクリーンショットのレビュー、リポジトリの分析、タスク調整の支援に使えます。H3は商品画像、動きの参照素材、音声の指示を使って短い動画を生成できます。

同じ大きなプロジェクトを支援できても、2つのモデルが果たす役割は同じではありません。

H3とHailuo AI、Hailuo 2.3の関係

Hailuoは製品名とモデル名の両方に登場するため、H3とM3の違いより関係が分かりにくくなっています。

Hailuo AIはユーザー向けアプリ

MiniMaxはH3リポジトリの「Online App」欄からHailuo AIへリンクしています。Hailuo AIは、MiniMaxのメディア生成機能をユーザーが利用するための製品です。

ただし、すべての基盤モデルの正式なAPI名がHailuoになるわけではありません。製品名とモデル名は別々に存在します。

Hailuo 2.3は以前に公開された特定モデル

MiniMaxは2025年10月28日にHailuo 2.3を発表しました。公式発表では、Hailuo 02を基盤に開発したと説明しています。

MiniMaxはこの更新で、物理的な動き、スタイル表現、キャラクターの細かな表情、動作指示への追従性を取り上げました。いずれもMiniMax自身の発表資料に基づく説明です。

Hailuo 2.3とH3には、それぞれ異なる正式名称と発表ページがあります。公開情報には、H3がHailuo 2.3の名称を変更したもの、または直接の後継として置き換えたものだとは書かれていません。

「Hailuo 3.0」は非公式な検索用表現

一部の第三者サイトやユーザーは、新モデルを「Hailuo H3」「Hailuo 3.0」「Hailuo 03」と呼んでいます。検索意図を理解する手掛かりにはなりますが、製品の正式名称ではありません。

2026年8月7日時点で、MiniMaxの発表ページとモデルカードは本文中で「MiniMax H3」を使用しています。Video Generation V2 APIで指定するモデルIDはMiniMax-H3です。

MiniMax H3の入力と出力

H3は、1つの動画生成システムで複数の入力パターンに対応します。アイデア、1枚のフレーム、複数の参照素材のどこから始めるかによって、適切なパターンが変わります。

テキストで映像と音声のシーンを指定できる

テキストから動画を生成する場合は、被写体、動作、場所、カメラワーク、会話、効果音、環境音、音楽を記述します。H3は映像トラックと音声トラックを一緒に生成します。

これは、最初に無音動画を作るワークフローや、生成後に素材音声を付け足す方法とは異なります。ネイティブ音声により、モデルは画面内の動きと音を1つの目標シーケンスとして扱えます。

ただし、毎回正確な会話、音のタイミング、音楽が得られるとは限りません。映像と音声の出力チャンネルをモデルが同時に表現するという意味です。

1枚または2枚の画像で両端のフレームを制御できる

H3-Base FL2VAチェックポイントは、0枚、1枚、2枚の入力画像に対応します。

• 画像なしでは、テキストから音声付き動画を生成します。
• 画像が1枚なら、その画像を最初または最後のフレームとして扱えます。
• 画像が2枚なら、最初と最後の両フレームを指定できます。

これらのモードでは、承認済みの構図から生成を始めたり、トランジションの始点と終点を定めたりできます。ただし、すべての中間フレームで元画像の細部が完全に保たれる保証はありません。

参照メディアごとに役割を分けられる

H3-Base Ref2VAチェックポイントは、テキストとともに参照画像、参照動画、参照音声を受け取ります。それぞれの素材に、結果の異なる要素を導く役割を持たせられます。

たとえば、画像でキャラクターや商品を定め、動画で動きやカメラワークを示し、音声クリップで声、リズム、音の関係を示せます。

MiniMaxの公式例では、ある動画のカメラワーク、画像のキャラクター、音声素材の歌声を組み合わせています。モデルはテキストを通じて、それらの関係を解釈します。

モデルカードでは、参照素材の数と長さに上限を設けています。またローカルのRef2VAワークフローでは、参照音声だけを唯一のメディア入力にすることはできません。

H3は音声付きの短い動画を生成する

H3が現在生成できるクリップは4～15秒です。モデルカードには24 fps、32 kHzステレオ音声と記載されています。

H3-Baseの出力は768pです。MiniMaxが文書化している2Kワークフローでは、H3-Baseとホスト型のContext-IR、Regenerate-2K APIを組み合わせます。エンドツーエンドのVideo Generation V2 APIも2K出力に対応します。

現在のリクエスト項目や出力オプションは、公式のVideo Generation V2 APIリファレンスで確認するのが確実です。

MiniMaxは初期テストで、指示追従、文字描画、ブランド表現、動画から動画への動きの転写で良好な結果を確認したと述べています。これは提供元による主張であり、本記事が独自に検証した結果ではありません。

H3システムの構成

完全なH3システムは3つの部分で構成されます。その境界を理解すると、2Kワークフローとオープンウェイト公開の範囲が明確になります。

テキスト + 画像 + 動画 + 音声 │ ▼ H3-Context-IR — ホスト型のコンテキスト解釈 │ ▼ H3-Base — 公開ウェイト、768pの映像・音声を生成 │ ▼ H3-Regenerate-2K — ホスト型で、コンテキストに基づく2K再生成

Context-IRは、入力メディアと求める出力の関係を解釈します。続いてH3-Baseが768p動画とステレオ音声を生成します。Regenerate-2Kは、その結果と元のコンテキストを使って高解像度版を作ります。

MiniMaxが公開したのは、H3-Base FL2VAとRef2VAの重みです。現在のオープンウェイト公開には、Context-IRとRegenerate-2Kは含まれません。

そのため、完全なH3システムを表すなら「完全なオープンソース」より「オープンウェイト」のほうが正確です。ダウンロード可能な資料には、独自のMiniMax H3 Community Licenseが適用されます。

MiniMax H3の現在の制約

H3が幅広いコンテキストに対応していても、生成動画に一般的な制約がなくなるわけではありません。

まず、出力は1本あたり4～15秒です。長い広告、映画、商品ストーリーを作るには、複数のショットと編集用タイムラインが必要です。

次に、利用できる制御項目はアクセス方法によって異なります。モデル自体に機能があっても、すべてのアプリで同じ入力役割、設定、上限が使えるとは限りません。

また、参照入力は結果を導くもので、完全な複製を保証するものではありません。複雑な動き、会話、小さな文字、人物の同一性、素材同士の関係は、生成後に確認が必要です。

最後にMiniMaxは、マルチモーダル理解、モデル規模、視覚的な細部には改善の余地があると述べています。この説明は、同社の発表時のロードマップに記載されています。

発表時の例は保証ではなくデモとして捉えてください。制作方法を決める前に、実際の被写体、参照素材、文字、会話、動きでテストしましょう。

MiniMax H3が向いている人

MiniMaxはH3を、短い映像と音声を制作するモデルとして紹介しています。公式例には、映画タイトル、商品ページ、アニメーションポスター、広告、ECが含まれます。

同社は、ブランディング、商品デザイン、UI/UX、ゲームも対象分野に挙げています。具体的には、次のような用途が考えられます。

• 映像制作者とモーションデザイナー：短いオープニングタイトル、雰囲気を伝えるショット、アニメーションポスター、参照素材を使ったカメラ表現。
• 広告チーム：商品紹介、キャンペーン案、ブランドを取り入れた動き、短いSNS用素材。
• ECチーム：映像、動き、効果音、音楽の指示を組み合わせた商品クリップ。
• ゲームとインターフェースのチーム：動くUI案、世界観を示すクリップ、プレゼンテーション用映像。
• 開発者とMLチーム：Community Licenseに従ったホスト型APIワークフローとローカルH3-Baseの検証。

H3が生成するのは短いクリップです。長いストーリーには、ショット設計、複数回の生成、確認、編集が必要です。

名称は一度整理すれば複雑ではありません。映像・音声生成モデルはMiniMax H3、コーディングとエージェント作業はMiniMax M3、ユーザー向け製品はHailuo AI、以前の動画モデルはHailuo 2.3です。

MiniMax H3は、DomoAIのOmni Referenceで利用できるようになりました。