オープンソースAI動画生成モデル「MiniMax H3」× ComfyUI 徹底解説ガイド——ローカル構築から実践動画生成まで

Posted at 2026-08-11

オープンソースAI動画生成モデル「MiniMax H3」× ComfyUI 徹底解説ガイド——ローカル構築から実践動画生成まで

AIによる画像生成や動画生成の進化は目覚ましく、近年では個人PCやローカル環境でも映画品質の動画生成が現実的になってきました。

2026年8月、中国のAIスタートアップ MiniMax（海螺 AI / Hailuo AI）は、最新のオープンソース全模態（マルチモーダル）AI動画生成モデル 「MiniMax H3 (Hailuo H3)」 を正式オープンソース公開しました。

本記事では、MiniMax H3 の概要・特徴、ノードベース画像・動画生成ツール ComfyUI の基本、そして ComfyUI の最新テンプレート機能を活用して複雑な手動配線なしで MiniMax H3 のワークフローを構築し、テキスト動画（Text-to-Video）および画像動画（Image-to-Video）を生成する実践的な手順を詳しく解説します。

1. MiniMax H3 (Hailuo H3) の紹介

1.1 全模態（マルチモーダル）統合動画生成モデル

MiniMax H3 は、単なる「テキストから映像を作る（Text-to-Video）」だけのモデルではありません。テキスト、静止画像、ビデオ、音声、キャラクター参照、カメラワークなどのマルチモーダルコンテキストを1つのアーキテクチャ（H3-Context-IR）で統一理解し、「映像と同期した高音質ステレオ音声（32kHz）」を同時に自動生成する全模態動画生成モデルです。

💡 MiniMax H3 の主なスペックと特徴

ネイティブ音声同期: 映像生成と同時に 32kHz ステレオ音声を生成。リップシンク（口型合わせ）も中・英・日・韓・仏など11言語に対応。
高解像度 & 柔軟なフレーム数: 4秒〜15秒の長さ、最大 2K 解像度の動画生成をサポート。
高い制御性（Controllability）: 文本、参照画像、プロンプトベースのカメラ制御、スタイル転送までを高精度にコントロール。
商用ライセンス: 日本などの指定地域において、年間売上2,000万ドル（約30億円）未満の個人・企業は無料で商用利用・改変・再配布が可能（MiniMax H3 Community License）。

💻 動作要件・VRAM（グラフィックボード）

公式の未量子化モデルは約40GBものサイズがありますが、ComfyUI の動的メモリ搬送（Layer-by-Layer Offload）や GGUF / 量子化モデル（Q2〜Q4）を活用することで、VRAM 8GB 〜 12GB（メインメモリ 32GB 以上推奨）の環境でもローカル動作が可能です。

2. ComfyUI の紹介

2.1 ノードベース動画・画像生成パイプライン

ComfyUI は、Stable Diffusion や Flux、MiniMax H3 などの生成AIモデルを、グラフィカルなノード（パーツ）同士をパイプラインで配線・接続して操作するオープンソースの環境です。

ComfyUI が選ばれる理由

テンプレート機能の充実: 最新の ComfyUI では標準テンプレート機能が用意されており、複雑なノード配線をゼロから手動で組む必要がありません。
メモリ効率の高さ: GPU VRAM に必要な層だけを動的にロードし、不要な時はメインメモリ（RAM）へ一時退避させるため、VRAM容量が少ない環境でも大型モデルが動作します。
拡張性: GGUF 量子化ノードやカスタム拡張を組み込むことで、ローカル環境に合わせた柔軟なチューニングが可能です。

3. ComfyUI で MiniMax H3 ワークフローを構築し、テキスト動画（Text-to-Video）を生成する手順

以前は複雑なノード構成やモデル配置を手動で行う必要がありましたが、最新の ComfyUI ではテンプレート機能を使うことで手動配線なしで一発構築が可能です。

Step 1: ComfyUI のアップデートとテンプレート選択

ComfyUI を最新版にアップデート後、メニューの テンプレート（Templates） またはテンプレートセンターを開きます。

一覧から 「MiniMax H3 (Text to Video)」 を選択するだけで、必要なノード群と配線があらかじめ組み上がった状態で読み込まれます。

▲ ComfyUI のテンプレート一覧に標準追加された MiniMax H3 (Text to Video)

Step 2: 必要モデルのプリセット確認

テンプレートを読み込むと、MiniMax H3 の動作に必要な以下のモデル群が自動的に指定・参照されます（合計約40GB）。

Diffusion Model: minimax_h3_f12va_pruned_int8_convrot.safetensors (約19.5GB)
Audio VAE: minimax_h3_audio_vae_fp32.safetensors (577MB)
Video VAE: minimax_h3_video_vae_fp16.safetensors (4.85GB)
Text Encoder: qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors (約14.6GB)

▲ テンプレート呼び出し時にセットされるモデル構成

複雑な手動フォルダ分けや配線は不要で、テンプレートに沿ってモデルを取得・ロードするだけでセットアップが完了します。

Step 3: VRAM節約・GGUF量子化モデルの利用（オプショナル）

VRAM容量（8GB〜12GBクラス）を節約したい場合や、ローカルPC環境に合わせて軽量化して動かしたい場合は、GGUF形式に量子化されたモデルを利用します。

テンプレート内のサンプラーサブグラフを開き、Unet Loader (GGUF) などの量子化用ノードへ差し替えてモデルを指定してください。

📥 量子化モデルのダウンロードリンク

コミュニティによって量子化された MiniMax H3 GGUF モデルは、以下の Hugging Face リポジトリからダウンロード可能です：

MiniMax H3 GGUF リポジトリ: molbal/MiniMax-H3-GGUF (Hugging Face)
- 推奨軽量モデル: minimax_h3_fl2va_pruned_fp8_Q4_0.gguf (約11.4GB) または Q4_K_M
- 配置先: ダウンロードした .gguf ファイルは ComfyUI/models/unet/ フォルダへ配置し、Unet Loader (GGUF) ノードで参照します。