モデル概要

MiniMax H3は2026年7月31日にリリースされたユニファイドマルチモダルビデオ生成モデルである。技術的にはHailuo 3.0と同一。テキスト・画像・動画・音声を単一コンテキストで処理し、ネイティブ2K（2560×1440）映像＋ステレオオーディオを返す。詳細はMiniMax H3を参照。

スペック一覧

項目	値
解像度	2K（2560×1440）
フレームレート	24fps
クリップ長	5–15秒（延長 ~30秒）
入力上限	12ファイル（画像≤9, 動画≤3, 音声≤3）
動画入力	各2–15秒、合計≤15秒
音声入力	MP3、各≤15秒、単独投入不可
アスペクト比	21:9 · 16:9 · 4:3 · 1:1 · 3:4 · 9:16 · adaptive
オーディオ	シングルパス・ステレオ（対話＋SFX＋環境音）
価格	~$1/15秒2Kクリップ（主流の~1/3）
ベンチマーク	ビデオ編集世界1位（Artificial Analysis）

エンドポイント・ルーティング

入力構成に基づき3つのエンドポイントに分岐する。

`text-to-video`

入力：テキストプロンプトのみ。メディアなし。

`first-and-last-frame`

入力：テキスト＋画像（開始/終了フレームとして指定）。2フレーム間をモデルが補間。

`reference-to-video`

入力：テキスト＋画像/動画/音声を参照資料として投入。アイデンティティ固定、モーション転移、スタイルマッチング、音声クローン、クリップ編集。最も高機能なエンドポイント。

# ルーティングロジック
def select_endpoint(media_files, frame_designation):
    if not media_files:
        return "text-to-video"
    elif frame_designation in ["first", "last"]:
        return "first-and-last-frame"
    else:
        return "reference-to-video"

fal.aiでは3エンドポイントが個別に公開されている。

リファレンス・ロール・スキーマ

reference-to-videoエンドポイントの核心設計。各ファイルにプロンプト内で役割を明示的に付与する。

ロール	ファイル型	用途
`identity`	画像	キャラクター顔/外見固定
`wardrobe`	画像	着用する衣装
`style`	画像	色彩/質感/美的方向性
`environment`	画像	背景/場所設定
`motion`	動画	動作/カメラパス複製
`edit_target`	動画	編集対象の既存クリップ
`voice`	音声	音声特性クローン
`music`	音声	リズム構造によるビジュアル同期
`ambience`	音声	環境音参照

ロール指定はプロンプトテキスト内の自然言語で行う：

Image 1 = character identity reference.
Image 2-4 = wardrobe references.  
Video 1 = camera movement reference.
Audio 1 = background music.

アンチパターン：複数ファイルをロール指定なしで投入。モデルが曖昧に解釈し、予測不能な出力になる。

プロンプト・スキーマ

7要素のテンプレートが最も安定した結果を生む。

preservation: # I2V時のみ。最初の行に記述
  - "ボトルの形状、ラベル、材質を保持"
subject:       # 被写体の具体的描写
action:        # クリップ中に何が変化するか
environment:   # 場所、時間帯、天候
camera:        # アングル＋動き（英語撮影用語推奨）
lighting:      # 方向、色温度、品質
style:         # 美的処理キーワード
sound:         # 聞こえるべき音＋無音区間

プロンプト例：商品広告

Preserve exact bottle shape, label text, cap design,
glass material, colours, and proportions.

Glass perfume bottle on marble surface.
Camera: slow clockwise orbit, 360° over 15 seconds.
Lighting: soft cyan key from left, rim light from behind.
Atmosphere: fine mist drifting through background.
End: clean front-facing hero shot.
Style: premium commercial, shallow DOF.
Sound: soft ambient hum, glass resonance, no music.

プロンプト例：キャラクターアクション

Image 1 = character identity reference.

30s woman, short black hair, white linen shirt.
Walks quickly through narrow rain-soaked alley,
stops at the end, turns to look back.

Camera: low-angle Steadicam tracking, slow push-in.
Lighting: neon reflections on wet pavement.
Style: cinematic, film grain, anamorphic bokeh.
Sound: footsteps on wet concrete, rain, distant traffic.
No music.

サウンド・ディレクティング

H3は映像と同じ推論パスでステレオオーディオを生成する。サウンドを別トラックとしてディレクティングする。

# 良い例
Sound: espresso machine hissing (continuous),
       cup placed on saucer at 0:04,
       café chatter at low volume,
       acoustic guitar 80bpm,
       no percussion.

# 悪い例
Sound: nice café background.

楽器、SFXのタイミング、無音区間を明示するほどオーディオ品質が向上する。

インストラクション編集

再生成なしで既存クリップを部分修正する機能。

# ワークフロー
edit_input = {
    "edit_target": existing_clip,
    "prompt": """
        Change background to rooftop terrace at sunset.
        Warm golden lighting.
        Preserve: product position, camera movement, pacing.
    """
}
# 未言及要素は自動保持

原則：1回のパスで1要素のみ修正。順次的アプローチが最も安定。

プロダクション・パターン

コスト最適化パイプライン

Phase 1: 768p → プロンプト＋リファレンス組み合わせテスト
Phase 2: 方向確定 → 2K最終版レンダリング
Phase 3: インストラクション編集 → 部分修正（再生成回避）

キャラクター一貫性パターン

全生成に同一identity画像を投入
  + プロンプトで外見特徴をテキスト記述（デュアルアンカー）
  = ドリフト防止

画像のみの単一アンカーではドリフトが発生。画像＋テキストのデュアルアンカーが必要。

競合ポジショニング

モデル	強み	H3対比の弱み
Kling 3.0	ネイティブ4K	オムニリファレンス制御なし
Veo 3.1	48kHz対話、T2Vベンチマーク上位	プロプラ、高価格
Seedance 2.0	I2V強し	プロプラ
H3	編集1位、オムニref、オーディオ統合、OW予告、1/3価格	2K上限

注意：H3はリリース直後。独立アリーナスコア未確立。比較は暫定的。

オープンウェイト

MiniMax発表：「数日以内に」法規制に準拠しウェイト公開。日程・ライセンス未確定。実現すればフロンティア級ビデオモデル初のオープン化。