例
パラメータを設定して「生成」をクリックしてください
Cinematic Motion
A cinematic shot with smooth camera movement and realistic lighting.
Dynamic Product Scene
A product-focused video with polished motion and detailed textures.
Creative Story Beat
A short visual story with expressive motion and atmospheric composition.
Pro Narrative Shot
A refined cinematic sequence with stable framing and rich scene detail.
Audio-Ready Scene
A polished video scene designed for expressive motion and audio support.
Studio Composition
A controlled scene with deliberate movement and professional lighting.
MiniMax H3 — マルチモーダル動画モデルを徹底解説
MiniMax H3 はMiniMaxが開発した汎用マルチモーダル動画生成モデルで、2026年7月31日にMiniMax APIおよびHailuoアプリでリリースされました。HailuoアプリではHailuo 3.0とも呼ばれています。テキスト・画像・動画・音声を入力として受け取り、ネイティブのステレオ音声付きの動画を生成します。最大2K解像度・24fps、1クリップあたり4〜15秒です。
MiniMax H3について知っておきたいことを、ここにまとめました。
MiniMax H3のテキストから動画への生成が、上のジェネレーターで利用可能になりました。プロンプトを入力し、768Pか2K、4〜15秒の長さ、6種類のアスペクト比から選べます。画像から動画への生成とR2Vのマルチモーダル参照はまだStudioに対応しておらず、画像から動画のタブは現在Hailuo 02で動作します。
MiniMax H3とは？
MiniMax H3は、MiniMaxが開発した汎用マルチモーダル動画生成モデルです。プロンプトのみ、あるいは1枚の画像のみを受け付けるモデルとは異なり、MiniMax H3はテキスト・画像・動画・音声の入力を1つのモデル内で統合し、ステレオ音声をすでに含んだ完成クリップを出力します。コンシューマー向けのHailuoアプリでは同じモデルがHailuo 3.0、Hailuo H3、Hailuo 03という名称で提供されていますが、いずれもMiniMax H3を指します。
統合されたマルチモーダル入力
テキスト、画像、動画クリップ、音声がすべて同じモデルに入ります。これが画像から動画への変換専用ツールとの決定的な違いで、1回の生成をテキストプロンプト・参照画像・参照映像・参照音声で同時に条件づけできます。
ネイティブのステレオ音声出力
MiniMax H3はモデル自身が生成したステレオ音声付きの動画を出力するため、後から別途音声を作る工程が不要です。11言語での吹き替えに対応しています。
2K・24fps・4〜15秒
出力は最大2K解像度・24fps。クリップの長さは4秒から15秒まで、1秒単位で指定できます。モデルの規模はおよそ33Bパラメータです。
Hailuo 2.3からMiniMax H3へ
MiniMax H3は、Hailuo 2.3に続くMiniMaxの動画モデル系列の現行世代です。両者の差は品質だけではありません。H3では、モデルが受け取れる入力と生成する出力そのものが変わっています。
Hailuo 2.3
前バージョンHailuo動画モデル系列の前世代です。テキストから動画、画像から動画の生成に対応しており、2026年半ば以前に公開されたHailuo関連のチュートリアルやワークフローの多くは、今もこのバージョンを前提としています。
MiniMax H3
現行バージョン2026年7月31日にMiniMax APIとHailuoアプリで公開された現行リリースです。テキスト・画像・動画・音声の入力を1つのモデルに統合し、ネイティブのステレオ音声を出力。2K・24fps、4〜15秒のクリップに対応します。H3-Baseのオープンウェイトは2026年8月3日に公開されました。
MiniMax H3の3つの生成モード
MiniMax H3には、生成を制御する3つの異なる方法があります。マルチモーダル設計が本当に活きるのは3つ目のR2Vで、単一入力の動画モデルには直接の相当機能がありません。
テキストから動画
撮りたいカットを言葉で記述するだけで、MiniMax H3がクリップを生成します。被写体・カメラワーク・シーンに加えて、ネイティブのステレオ音声トラックも一緒に生成されます。元画像は不要です。
MiniMax H3で生成する画像から動画・最初と最後のフレーム
1枚の画像から動きをつけることも、最初と最後のフレームを両方指定して、その間の遷移をMiniMax H3に生成させることもできます。特定のカットで締めたい場合に有効です。
Studio対応は近日公開参照から動画
1回の生成で、最大9枚の参照画像、最大3本の参照動画クリップ（各2〜15秒、合計15秒以内）、最大3本の参照音声を条件として指定できます。手持ちの素材からキャラクター・スタイル・動きのパターン・声を新しいカットへ引き継げるのが、このモードです。
Studio対応は近日公開WowovidにおけるMiniMax H3の料金
Wowovidはプラットフォーム上のすべての動画・画像モデルで共通のクレジット残高を使用します。MiniMaxの個別サブスクリプションを購入する必要も、モデルごとにプランを管理する必要もありません。MiniMax H3の4秒のテキストから動画生成は、768Pで93クレジット、2Kで151クレジットです。生成前に正確な合計が表示されます。年間プランは年払いで月額$10から、単発パックは$39からです。
MiniMax H3と他の動画モデル
MiniMax H3を検討する際に、最も多く検索される2つの比較です。
MiniMax H3とKling AIの比較
洗練されたテキストから動画・画像から動画の生成と物理的に自然な動きという点では、Kling AIのほうが実績のある選択肢です。MiniMax H3の差別化要因は、参照画像・映像・音声を1回の生成にまとめて扱える統合マルチモーダル入力と、出力にネイティブのステレオ音声が含まれることにあります。
MiniMax H3とSeedance 2.5の比較
どちらもクリエイターが並べて比較する現行世代の動画モデルです。MiniMax H3を特徴づけるのは、R2Vによるマルチモーダル参照、ネイティブのステレオ音声、そしてベースモデルがオープンウェイトで公開されている点です。Seedance 2.5は機能構成の異なるホスト型モデルです。
MiniMax H3 — よくある質問
MiniMax H3の機能、オープンソースの範囲、他の動画モデルとの比較についてよく寄せられる質問です。
MiniMax H3は、MiniMaxが開発した汎用マルチモーダル動画生成モデルです。テキスト・画像・動画・音声の入力を統合的に受け取り、ネイティブのステレオ音声付きの動画を、最大2K解像度・24fpsで出力します。クリップの長さは4〜15秒を1秒単位で指定でき、11言語の吹き替えに対応、規模はおよそ33Bパラメータです。
はい。「MiniMax H3」が公式のモデル名です。コンシューマー向けのHailuoアプリやコミュニティの多くは、同じモデルをHailuo 3.0、Hailuo H3、Hailuo 03と呼んでいます。いずれも同一のモデルで、2026年7月31日にMiniMax APIとHailuoアプリで公開されました。
一部はオープンですが、この線引きが重要です。MiniMaxは2026年8月3日、FL2VAおよびRef2VAチェックポイントを含むH3-Baseのオープンウェイトを、MiniMax H3 Community Licenseのもとで公開しました。ただし2つのコンポーネントは公開対象外です。プロンプトの前処理・拡張を担うH3-Context-IRと、2KアップスケールモジュールのH3-Regenerate-2Kで、どちらもホスト型サービス限定のままです。そのため、オープンウェイトをローカルで動かしてもホスト版のパイプライン全体は再現できません。詳しい技術的な状況はMiniMax H3 ComfyUIページをご覧ください。
T2V（テキストから動画）はテキストプロンプトのみから生成します。I2V（画像から動画）は1枚の画像に動きをつけるか、最初と最後のフレームを指定した場合はその間の遷移を生成します。R2V（参照から動画）はマルチモーダルモードで、1回の生成で最大9枚の参照画像、各2〜15秒で合計15秒以内の参照動画を最大3本、参照音声を最大3本まで指定できます。
はい。MiniMax H3のテキストから動画への生成は、Wowovid Studioのジェネレーターですでに利用できます。プロンプトを入力し、768Pか2Kを選び、4〜15秒の範囲で長さを指定して、21:9から9:16までの6種類のアスペクト比から選択できます。画像から動画への生成とR2Vのマルチモーダル参照はまだStudioでは利用できず、画像から動画のタブは以前のHailuo 02モデルで動作します。
Kling AIはリアルな動きと物理的に自然な画像から動画の生成において確立された選択肢であり、現在Wowovidで最も多くの動画生成に使われているモデルです。MiniMax H3が活きるのは、手持ちの画像・クリップ・音声からキャラクターやスタイル、動き、声を新しいカットへ引き継ぐマルチモーダル参照が必要な場面や、音声を後付けするのではなく最初からステレオ音声付きで出力したい場面です。
どちらも現行世代のAI動画モデルです。MiniMax H3を分けるのは、R2Vマルチモーダル参照モード、11言語の吹き替えに対応したネイティブのステレオ音声出力、そしてベースモデルの重みがオープンに公開されている点です。Seedance 2.5は独自の機能構成を持つホスト型モデルで、オープンウェイトの公開はありません。
Wowovidでは不要です。オープンウェイトが存在するためMiniMax H3はローカルでも実行できますが、その場合は高性能なGPU、数十GBのモデルダウンロード、そして動作するComfyUI環境が必要になります。Wowovidはホスト型のプラットフォームで、生成は当社のインフラ上で行われるため、必要なのはブラウザだけです。ローカル環境の構築を検討されている場合は、MiniMax H3 ComfyUIページでハードウェア要件や量子化版について解説しています。
Wowovidは全モデルで共通のクレジット残高を使用するため、MiniMax H3専用のサブスクリプションはありません。4秒のクリップは768Pで93クレジット、2Kで151クレジットで、送信前に正確な合計が表示されます。年間プランは月額$10から、月額プランは$29から、単発パックは$39からです。
無料プレビューにはウォーターマークが入る場合があります。有料のクレジットプランで書き出した動画はHD画質・ウォーターマークなしで出力されるため、クライアントワークや広告、SNS向けコンテンツにそのまま使用できます。
独立したプラットフォームです
「MiniMax H3」「MiniMax」「Hailuo」はMiniMaxの商標であり、ここでは説明目的でのみ使用しています。Wowovidは数十種類の画像・動画生成モデルを提供する独立したプラットフォームであり、MiniMaxとの提携・推奨・スポンサー関係は一切ありません。
Wowovidで動画を生成する
MiniMax H3のテキストから動画への生成が利用可能になりました。プロンプトを書けば、ブラウザ上ですぐに生成できます。GPUもインストールもモデルのダウンロードも不要。有料プランではHD画質・ウォーターマークなしで書き出せます。