ComfyUIで動画生成をしていると、「映像だけでなくセリフや効果音まで一度に作れたら便利なのに」と感じることがあります。
MiniMax H3は、映像とステレオ音声を同時に生成できる動画生成モデルです。
テキストだけでなく、画像、動画、音声を参照素材として読み込み、人物の外見、動作、カメラワーク、声などを新しい動画へ反映できます。
さらに、ComfyUIはMiniMax H3へネイティブ対応しており、公式のTemplate LibraryからT2V、I2V、R2Vのワークフローを試せます。
ただし、ローカル版を動かすには大容量のモデルを扱える環境が必要です。
ローカル生成の基本解像度と2K生成の仕組み、API版との機能差、独自ライセンスも確認しなければなりません。
この記事では、MiniMax H3の特徴、生成モード、必要環境、ComfyUIへの導入方法、プロンプトの書き方、利用時の注意点を順番に解説します。
MiniMax H3が「やばい」と言われる3つの理由
MiniMax H3が注目されている理由は、単に高画質な動画を作れるからではありません。
映像、音声、参照素材を一つの生成工程で扱い、動画制作に必要だった複数の作業をまとめられる点が大きな特徴です。
一方で、2K再生成など、公開ウェイトだけでは完結しない機能もあります。
映像とステレオ音声を一度に生成できる
MiniMax H3は、映像と同時にセリフ、環境音、効果音、音楽を含むステレオ音声を生成できます。
映像を作った後に別の音声生成AIでセリフを作り、効果音を追加し、リップシンクを調整する工程を減らせる可能性があります。
特徴的なのは、完成した映像へ音を後付けするだけでなく、映像と音声の潜在表現を同時に予測する設計になっていることです。
画面内でドアが閉まる瞬間に音を鳴らす、人物の口の動きに合わせてセリフを出すといった、出来事と音の連動が期待できます。
日本語は公式に安定対応する11言語の一つとして記載されています。
ただし、発音の自然さ、感情表現、長い会話での話者の安定性は、プロンプトや生成内容によって変わるため、実際の用途に近い文章で確認が必要です。
画像・動画・音声を参照して人物や動きを引き継げる
MiniMax H3のR2Vでは、画像、動画、音声を組み合わせて、新しい動画の人物、作風、動作、カメラワーク、声を指定できます。
人物画像を外見の参照にし、別の動画を演技やカメラ移動の参照にし、音声ファイルを声の参照として割り当てる使い方が可能です。
ローカルワークフローでは、最大9枚の画像、3本の動画、3本の音声を扱える仕様が案内されています。
ただし、参照素材を入力すれば、元の人物や声を完全に再現できるわけではありません。
参照させたい要素を明確にし、それぞれの素材へ「外見」「動作」「声」などの役割を与えることが重要です。
複数素材を使う具体的なノード設定は、MiniMax H3のR2Vワークフロー実践ガイドで詳しく確認できます。
他人の顔、動画、声を使用する場合は、本人の同意や素材の利用許可も必要です。
オープンウェイト版をComfyUIの公式ワークフローで試せる
MiniMax H3はクラウドサービスだけでなく、公開されたモデルウェイトをComfyUIへ保存してローカル実行できます。
ComfyUIはMiniMax H3へネイティブ対応しており、Template LibraryにはT2V、I2V、R2Vの公式サンプルワークフローが用意されています。
公式案内では、ComfyUI 0.30.0以降へ更新し、Template LibraryのVideoカテゴリからMiniMax H3を選択する流れです。
基本的な公式ワークフローでは、出所が不明なカスタムノードや第三者ワークフローを最初から探す必要はありません。
ただし、ローカル版は大容量モデルのダウンロードと読み込みが必要です。
また、公開されているH3-Baseと、MiniMax APIで提供される完全なシステムでは、利用できる前処理や2K生成の条件が異なります。
テンプレートが表示されない場合は、ComfyUIを最新版へアップデートする方法を先に確認してください。
MiniMax H3とは？最初に押さえたい基本仕様
MiniMax H3は、テキスト、画像、動画、音声を統合して理解し、音声付き動画を生成するオムニモーダルモデルです。
導入前には、公開ウェイトで動くH3-Baseと、APIを含むMiniMax H3全体のシステムを分けて理解する必要があります。
MiniMax H3の位置づけとComfyUI対応状況
MiniMax H3は、MiniMaxが2026年8月に公開した動画生成モデルです。
モデルカードでは33Bパラメータのモデルとして公開されており、ローカル向けにはT2VとFirst／Last Frameを扱うFL2VA、参照生成を扱うRef2VAの2系統が提供されています。
従来のHailuoシリーズと同じMiniMaxの動画生成分野に位置しますが、H3では映像と音声の同時生成や、複数形式の参照素材を統一的に扱う機能が強化されています。
ComfyUIでは専用のコアノードと公式テンプレートが用意されているため、基本的な操作は通常のComfyUIワークフローと同じです。
公開直後のモデルであり、テンプレート、モデル形式、対応ノードが短期間で更新される可能性があります。
導入時には、古い解説記事だけで判断せず、ComfyUI公式ドキュメントと配布ページのファイル名を確認してください。
動画の長さ・フレームレート・音声・解像度
MiniMax H3の公式仕様では、出力時間は4～15秒、フレームレートは24fps、音声は32kHzのステレオです。
日本語を含む11言語が、安定して対応する会話言語として記載されています。
ローカル公開版のH3-Baseは、短辺768ピクセルを基本とする動画を生成します。
ComfyUIの公式テンプレートでは、16対9の場合、約1344×768がネイティブキャンバスの目安として案内されています。
「最大2K対応」という情報も事実ですが、H3-Baseだけで直接2K動画を出すという意味ではありません。
公式システムでは、まずH3-Baseで768pを生成し、その結果と元の入力情報をH3-Regenerate-2Kへ渡して2K動画を再生成します。
2026年8月6日時点でH3-Regenerate-2Kは公開ウェイトに含まれておらず、APIを利用する構成が案内されています。
T2V・I2V・R2Vの違いとワークフローの選び方
MiniMax H3には、入力素材と目的が異なる複数の生成モードがあります。
最初に用途を決めてからテンプレートを選ぶと、不要なモデルや参照素材を読み込まずに済みます。
| 生成モード | 主な入力 | 向いている用途 | 初心者向けの順番 |
|---|---|---|---|
| T2V | テキスト | アイデア確認、短い音声付き動画 | 1番目 |
| I2V | テキスト、画像1枚 | イラスト、人物、商品のアニメーション | 2番目 |
| First／Last Frame | テキスト、開始画像、終了画像 | 始点と着地点を指定した映像 | 3番目 |
| R2V | テキスト、画像、動画、音声 | 人物、作風、動作、声の参照 | 4番目 |
T2Vはテキストだけで映像と音声を生成する
T2Vは、テキストプロンプトだけで映像とステレオ音声を生成する最も基本的なモードです。
事前に画像や動画を用意する必要がないため、アイデア出しやComfyUIでの初回動作確認に向いています。
例えば、場所、人物、動作、短いセリフ、環境音を指定すれば、一つのMP4として映像と音声を出力できます。
一方で、人物の顔や衣装を厳密に固定したい用途には向いていません。
最初は短い1シーンと軽い解像度を指定し、モデルが正常に読み込まれるか、生成時間がどの程度かを確認しましょう。
プロンプトの具体例は、MiniMax H3のプロンプト例文集で用途別に確認できます。
I2VとFirst/Last Frameは画像を起点に動画を作る
I2Vは、1枚の画像を起点として動きと音声を加える生成方法です。
イラストのキャラクターを動かす、人物写真へ演技を付ける、商品画像から短い紹介動画を作るといった用途に向いています。
First／Last Frameでは、開始画像と終了画像の両方を指定できます。
動画の最初と最後をある程度コントロールできるため、商品が閉じた状態から開いた状態へ変化する映像や、人物が特定のポーズへ移る映像を作りたい場合に便利です。
ローカル版では、同じMiniMaxH3ImageToVideoノードのfirst_frameとlast_frameへ画像を接続して利用できます。
開始画像と終了画像の構図、人物、背景が大きく異なると、その間を補完する動きが不自然になる可能性があります。
最初は似た構図の2枚を使い、変化させる要素を一つに絞る方法が安全です。
R2Vは画像・動画・音声から人物や演技を参照する
R2Vは、画像、動画、音声を参照して新しい動画を生成する高度なモードです。
画像から人物や作風を参照し、動画から動作、演技、編集リズム、カメラワークを参照し、音声から声や話し方を参照できます。
参照素材はプロンプト内でPicture 1、Video 1、Audio 1など、接続順に対応するタグで指定します。
公式ドキュメントでは、各素材へ担当させる役割を明確に書くほど、意図が反映されやすいと案内されています。
素材を増やせば必ず品質が上がるわけではありません。
顔を参照したいのか、衣装を参照したいのか、動きを参照したいのかを決め、必要な素材だけを使いましょう。
R2VではT2VやI2Vとは異なるref2va用のDiffusion Modelが必要です。
詳しい接続方法は、MiniMax H3のR2Vワークフロー実践ガイドへ分けて解説しています。
初心者はT2Vから順番に試すと失敗しにくい
初めてMiniMax H3を使う場合は、T2V、I2V、First／Last Frame、R2Vの順番で試すと原因を切り分けやすくなります。
最初にT2Vでモデルの読み込みと音声出力を確認し、次に画像1枚を使ったI2Vへ進みます。
その後、開始画像と終了画像を指定し、最後に複数の参照素材を使うR2Vを試しましょう。
初回から15秒、最大解像度、複数の参照動画、長い会話を組み合わせると、処理負荷だけでなく失敗原因も増えてしまいます。
まずは1人、1シーン、短いセリフで生成し、自分の環境における基準を作ることが大切です。
自分の環境で使える？ローカル版・API版・必要スペック
MiniMax H3を使う方法は、ローカル実行だけではありません。
GPU、保存容量、予算、利用したい機能に合わせて、ローカル版、Comfy Cloud、MiniMax APIを選択できます。
ローカル版・Comfy Cloud・MiniMax APIの違い
ローカル版は、モデルを自分のPCへ保存し、ComfyUI上で推論する方法です。
生成設定を細かく管理しやすく、APIの生成料金を気にせず繰り返し試せますが、大容量モデルを保存して動かせるPCが必要になります。
Comfy Cloudは、ローカルGPUの性能やストレージが不足している場合に、クラウド上のComfyUI環境を利用する選択肢です。
利用できるGPU、料金、モデルの準備状況はサービス側の最新情報を確認する必要があります。
MiniMax APIはMiniMaxのサーバー上で生成する方法で、ローカルGPUやモデルのダウンロードは不要です。
ComfyUIのPartner Nodesを利用するAPIワークフローも用意されており、生成した動画の秒数などに応じて料金が発生します。
| 実行方法 | メリット | 確認したい点 |
|---|---|---|
| ローカル版 | 設定の自由度が高く、モデルを手元で管理できる | GPU、RAM、ストレージ、ライセンス |
| Comfy Cloud | 高性能なローカルGPUがなくても試しやすい | 利用料金、対応モデル、保存データ |
| MiniMax API | モデルの保存やローカルGPUが不要 | 従量料金、通信、API側の仕様 |
ローカル版とAPI版は、同じMiniMax H3という名称でも、利用できる前処理、2K出力、データの扱いが異なります。
必要なGPU・VRAM・システムRAM・ストレージ
MiniMax H3の必要スペックは、GPUのVRAMだけでは判断できません。
公式ComfyUIテンプレートでは、Diffusion Model、32B規模のText Encoder、Video VAE、Audio VAEを読み込みます。
配布されている軽量化済みのDiffusion Modelだけでも約21GBのファイルがあり、Video VAEは約5.21GB、Audio VAEは約605MBです。
モデルを保存するストレージ容量に加え、読み込み時のシステムRAM、ページファイルやスワップ領域にも余裕が必要です。
必要VRAMは、モデル形式、解像度、動画秒数、オフロード設定、Attention実装、同時に読み込むモデルによって変わります。
そのため、「RTX 3060なら快適に動く」「VRAM 8GBで問題なく使える」といった一律の判断はできません。
低VRAM環境で起動できても、モデルの入れ替えやCPUオフロードによって生成時間が大幅に延びる場合があります。
自分のGPUで動画生成モデルを扱えるか判断したい場合は、動画生成AI向けGPU・VRAMの選び方も確認してください。
実測結果を比較するときは、GPU名だけでなく、VRAM、システムRAM、モデル形式、解像度、動画秒数、ステップ数、生成時間をセットで見ることが重要です。
768pのローカル生成と2K対応は分けて考える
MiniMax H3のローカル公開版であるH3-Baseは、短辺768ピクセルを基本として映像と音声を生成します。
2K生成では、H3-Baseが作った768p動画と元の入力情報を使い、H3-Regenerate-2Kで映像を再生成します。
一般的な超解像処理で単純に画素数を増やすのではなく、元の文脈を使って細部を作り直す仕組みです。
ただし、2026年8月6日時点ではH3-Regenerate-2Kはオープンウェイトとして公開されていません。
公式の2Kワークフローは、ローカルのH3-BaseとMiniMax側のAPIを組み合わせる構成を含みます。
「MiniMax H3が2Kに対応している」という説明と、「ComfyUIだけで完全ローカルの2K生成ができる」という説明は同じ意味ではありません。
PC環境に合わせたおすすめの始め方
十分なGPU、システムRAM、ストレージがあり、ローカルで設定を管理したい人は、ComfyUIのオープンウェイト版が候補になります。
GPUや保存容量に不安がある人は、モデル一式をダウンロードする前にComfy CloudやMiniMax APIを検討した方が負担を抑えられます。
2K出力やAPI側の前処理を使いたい人は、最初からMiniMax APIの利用条件を確認しましょう。
判断が難しい場合は、公式T2Vテンプレートのプレビュー設定で、短い動画を1本生成して負荷を測定する方法が現実的です。
| PC環境 | おすすめの始め方 |
|---|---|
| 大容量モデルを扱えるGPUと十分な保存容量がある | ローカル版のT2Vから開始 |
| VRAMやシステムRAMに不安がある | Comfy Cloudを検討 |
| モデルを保存したくない | MiniMax APIを検討 |
| 2KやAPI側の機能を使いたい | APIの最新仕様を確認 |
ローカル環境での実行が難しい場合は、Comfy Cloudの料金・使い方で費用と利用条件を確認し、MiniMax APIと比較して選びましょう。
MiniMax H3をComfyUIへ導入する方法
MiniMax H3の導入では、ComfyUIの更新、テンプレートの選択、モデルの配置、初回生成の順番を守ることが重要です。
最初からワークフローを改造せず、公式テンプレートが正常に動く状態を作りましょう。
手順1｜ComfyUIを更新して公式テンプレートを確認する
最初にComfyUIを0.30.0以降へ更新します。
既存のカスタムノードや設定が多い場合は、更新前にComfyUIフォルダやワークフローをバックアップしておくと安全です。
更新後にComfyUIを起動し、Template Libraryを開きます。
Videoカテゴリから「MiniMax H3 T2V」「MiniMax H3 I2V」「MiniMax H3 R2V」のいずれかを探してください。
公式ドキュメントでは、ComfyUIを更新してテンプレートを選び、表示される案内に従ってモデルをダウンロードする手順が示されています。
テンプレートが表示されない場合は、ComfyUI本体またはフロントエンドが古い可能性があります。
安定版への反映が遅れている場合は、利用中のバージョンと公式ドキュメントの対応状況も確認してください。
詳しい更新操作は、ComfyUIを最新版へアップデートする方法で解説しています。
最初の動作確認では、出所が分からない第三者ワークフローよりも、ComfyUI公式テンプレートを優先しましょう。
手順2｜T2V・I2V・R2Vから使用するテンプレートを選ぶ
初回は、テキストだけで試せるMiniMax H3 T2Vテンプレートがおすすめです。
画像を動かしたい場合はI2V、開始画像と終了画像を指定したい場合はI2Vテンプレート内のFirst／Last Frame入力を使います。
人物、動作、カメラワーク、声を参照したい場合はR2Vを選択してください。
| 作りたい動画 | 選ぶテンプレート |
|---|---|
| 文章だけで音声付き動画を作りたい | MiniMax H3 T2V |
| 1枚の画像を動かしたい | MiniMax H3 I2V |
| 開始と終了の画像を指定したい | MiniMax H3 I2VのFirst／Last Frame |
| 人物、動作、声を参照したい | MiniMax H3 R2V |
ワークフローを開くと、不足しているモデルがある場合はダウンロード案内やモデル未検出の表示が出ます。
T2VとI2Vはfl2va用モデルを共有できますが、R2Vにはref2va用の別モデルが必要です。
すべてのモデルを最初にダウンロードする必要はありません。
まずT2VとI2Vに必要なファイルだけを用意し、R2Vを使う段階でref2vaモデルを追加すると、ストレージの消費を抑えられます。
手順3｜必要なモデルをダウンロードして指定フォルダへ配置する
公式テンプレートを開いたら、各ローダーノードに表示されているファイル名を確認します。
T2VとI2Vの公式テンプレートでは、fl2va用Diffusion Model、Text Encoder、Video VAE、Audio VAEが必要です。
R2Vでは、Diffusion Modelだけref2va用へ変わります。
| モデルの種類 | 公式テンプレートのファイル名 | 容量の目安 | 保存先 |
|---|---|---|---|
| T2V・I2V用Diffusion Model | minimax_h3_fl2va_pruned_int8_convrot.safetensors | 約21GB | ComfyUI/models/diffusion_models/ |
| R2V用Diffusion Model | minimax_h3_ref2va_pruned_int8_convrot.safetensors | 約21GB | ComfyUI/models/diffusion_models/ |
| Text Encoder | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 大容量のため配布ページで確認 | ComfyUI/models/text_encoders/ |
| Video VAE | minimax_h3_video_vae_fp16.safetensors | 約5.21GB | ComfyUI/models/vae/ |
| Audio VAE | minimax_h3_audio_vae_fp32.safetensors | 約605MB | ComfyUI/models/vae/ |
ファイルの容量や配布形式は更新される可能性があるため、ダウンロード前にHugging Face上のComfy-Org公式配布ページを確認してください。
量子化モデルや第三者が作成した軽量モデルを使う場合は、公式テンプレートのローダーがその形式に対応しているか確認が必要です。
ファイル名やフォルダ階層を独自に変更すると、テンプレートの初期設定からモデルを選べなくなる場合があります。
モデル配置後は、ComfyUIのモデル一覧を更新するか、ComfyUIを再起動してください。
モデルの種類ごとの保存先が分からない場合は、ComfyUIのモデルファイル保存場所一覧を確認しましょう。
手順4｜プロンプトと生成条件を設定してQueueを実行する
モデルを配置したら、最初はT2Vテンプレートで生成します。
プロンプト入力欄へ、場面、人物、動作、カメラ、セリフ、環境音を簡潔に入力してください。
次に、Resolution Selectorでアスペクト比、Megapixels、Multipleを確認します。
公式テンプレートは軽いプレビュー設定で始められるようになっており、品質を上げる場合は16対9で約1.0メガピクセルにすると、1344×768前後の出力になります。
初回は短い動画と低めのMegapixelsを使い、モデルの読み込みと音声出力を確認しましょう。
設定が完了したらQueue Promptを実行します。
生成中は、コンソールのエラー、VRAM使用量、システムRAMの使用量を確認してください。
正常に完了した動画は、通常のComfyUIと同様にoutputフォルダへ保存されます。
モデルが見つからない場合は保存先とファイル名を確認し、ノードが赤い場合はComfyUIの更新状況を確認します。
Out of Memoryが表示された場合は、解像度、動画秒数、同時に読み込むモデルを減らしてください。
詳しい確認項目は、ComfyUIでよくあるエラーと対処法で解説しています。
T2Vが成功してからI2VやR2Vへ進むと、モデルの問題と参照素材の問題を分けて考えられます。
音声付き動画を生成するプロンプトの書き方
MiniMax H3のプロンプトでは、映像と音声の関係が分かる構造にすることが重要です。
場面、人物、動作、カメラ、セリフ、効果音を一文へ無理に詰め込まず、時間の流れに沿って整理しましょう。
場面・人物・動作・カメラ・音声の順に整理する
最初に動画全体の場所、時間帯、雰囲気を書きます。
次に登場人物の外見と位置を示し、人物や物体が何をするのかを指定してください。
その後にカメラの距離や動きを書き、セリフの話者、効果音、環境音、BGMを加えます。
複数ショットを含む場合は、「0～3秒」「3～6秒」のように時間を区切ると、映像と音声の対応関係を伝えやすくなります。
公式ガイドでも、全体の場面を先に説明し、時間ごとのショット、カメラ、セリフ、効果音、音楽を一つのプロンプト内で整理する方法が案内されています。
短い例文は次のように書けます。
夕方の小さな喫茶店。
窓際に座る若い女性が雨を見つめている。
カメラは女性の横顔へゆっくり近づく。
女性が小さな声で「もうすぐ晴れるよ」と日本語で話す。
窓を打つ雨音と静かなピアノのBGMが聞こえる。
R2Vで参照素材を使う場合は、「Picture 1は人物の外見」「Video 1はカメラワーク」「Audio 1は声」のように担当を明記します。
用途別の完成プロンプトは、MiniMax H3のプロンプト例文集を参照してください。
最初は短いT2Vで映像と音声を確認する
最初のテストでは、1シーン、1人、短いセリフに絞りましょう。
複数人物の長い会話、大きな場面転換、激しいカメラ移動を同時に指定すると、どの指示が原因で失敗したのか判断しにくくなります。
まずT2Vで人物の動き、セリフ、環境音が生成されるか確認します。
次にI2Vで外見を固定し、最後にR2Vで動作や声の参照を追加してください。
修正するときは、プロンプト、解像度、動画秒数、参照素材を一度に変えず、一つずつ変更します。
例えばセリフが不安定な場合は、映像設定を変えず、文章を短くする、固有名詞を言い換える、話者を一人にするといった修正から始めましょう。
導入が完了した後は、プロンプト例文集とR2V実践ガイドを使い、目的に近い設定を一つずつ追加すると品質を改善しやすくなります。
MiniMax H3を使う前に知っておきたいデメリットと注意点
MiniMax H3には、音声同時生成や参照生成という強みがある一方、モデル容量、生成負荷、機能差、独自ライセンスに注意が必要です。
生成した動画を公開または商用利用する場合は、入力素材の権利も確認しましょう。
モデルが重く、生成時間はPC環境に左右される
MiniMax H3は33Bパラメータの大規模モデルであり、Diffusion ModelだけでなくText Encoder、Video VAE、Audio VAEも読み込みます。
ローカルで起動できることと、快適な速度で生成できることは別問題です。
生成時間はGPU性能だけでなく、VRAM容量、システムRAM、ストレージ速度、量子化形式、解像度、動画秒数、オフロード設定によって変わります。
低VRAM環境ではモデルをシステムRAMへ退避できても、モデルの移動に時間がかかる場合があります。
実測値を見るときは、自分の設定と同じ条件かを確認してください。
メモリ不足が続く場合は、設定を下げ続けるだけでなく、Comfy CloudやAPIへ切り替える方法も検討しましょう。
GPU選びと負荷の考え方は、動画生成AI向けGPU・VRAMの選び方で詳しく解説しています。
商用利用はMiniMax H3独自ライセンスを確認する
MiniMax H3の公開ウェイトは、Apache 2.0やMITではなく、MiniMax H3 Community License Agreementで提供されています。
2026年8月2日付のライセンスでは、適用地域、再配布、商用サービス、表示、安全対策などの条件が定められています。
EU、英国、韓国、米国は公開ウェイトの適用地域から除外されており、日本は除外地域として列挙されていません。
また、年間売上が2,000万米ドルを超える商用製品やサービスでは、MiniMaxから事前の書面による承認を得る条件が記載されています。
商用サービスのUIへ「MiniMax H3」を表示する条件や、AI生成物であることを明示する利用制限もあります。
ライセンスは更新される可能性があるため、広告、YouTube、受託制作、生成サービスへ利用する前に最新版を確認してください。
この記事は一般的な確認事項を示すものであり、個別案件の法的判断を行うものではありません。
業務で利用する場合は、AI生成動画の商用利用・著作権・肖像権も併せて確認しましょう。
人物画像・動画・声を参照する場合は権利と同意を確認する
R2Vへ他人の顔、動画、声を入力できることと、それらを自由に利用できることは別です。
素材によっては、著作権、肖像権、パブリシティ権、契約上の利用制限などが関係します。
本人の許可なく、実在人物の顔や声を模倣する動画を作成し、本人が発言したように公開してはいけません。
MiniMax H3の利用制限にも、本人の同意や正当な権利がない状態で他人になりすます用途を禁止する内容が含まれています。
商用案件では、素材提供者から許可を得るだけでなく、広告利用、SNS公開、加工、AIへの入力を許可する範囲を確認しましょう。
同意書、契約書、素材の入手元を記録し、生成物を公開する前に権利関係を再確認することが大切です。
MiniMax H3が向いている動画制作の用途
MiniMax H3は、短い動画の中で映像、セリフ、効果音、音楽をまとめたい用途に向いています。
完成作品だけでなく、企画や撮影前のイメージ確認にも活用できます。
ショートドラマ・商品紹介・MV・キャラクター動画に向いている
MiniMax H3は、音声付きショート動画、短いAIドラマ、商品紹介、キャラクターアニメーション、MV、コンセプト映像と相性があります。
人物が商品を紹介する映像では、映像、セリフ、環境音を同時に試せるため、企画段階の確認を短縮できます。
動画を参照して演技やカメラワークを引き継げるため、絵コンテ、プリビズ、撮影前の構図確認にも利用できます。
ただし、生成結果をそのまま完成品として使うのではなく、商品形状、ロゴ、文字、セリフを人の目で確認しましょう。
長尺作品や厳密な人物再現には追加の編集・検証が必要
MiniMax H3で1回に生成できる動画は最大15秒です。
長尺作品を作る場合は、複数のクリップを生成し、動画編集ソフトで接続する必要があります。
R2Vを使っても、人物の顔、衣装、声、背景がすべてのクリップで完全に一致する保証はありません。
連続作品では、参照画像、プロンプト、カメラ、色、音声条件を記録し、クリップごとの差を編集で整える必要があります。
商品紹介やブランド案件では、色、形状、ロゴ、文字が正しいかを必ず確認してください。
MiniMax H3とComfyUIに関するよくある質問
最後に、MiniMax H3をComfyUIへ導入するときに残りやすい疑問へ回答します。
仕様やライセンスは更新される可能性があるため、2026年8月6日時点の情報として確認してください。
MiniMax H3にカスタムノードは必要ですか？
ComfyUI公式のネイティブワークフローを使う場合、基本的にはMiniMax H3専用の第三者カスタムノードを追加する必要はありません。
ComfyUIを0.30.0以降へ更新し、Template Libraryから公式テンプレートを開きます。
ただし、第三者が作成した量子化ワークフローや高速化ワークフローでは、専用ローダーや追加ノードを求められる場合があります。
ワークフローを読み込んだときに赤いノードが表示された場合は、配布元が指定する依存関係を確認してください。
日本語のセリフも生成できますか？
MiniMax H3は、日本語を安定対応する会話言語の一つとして公式モデルカードに記載しています。
ただし、日本語へ対応していることと、すべての文章を自然に発音できることは同じではありません。
固有名詞、専門用語、長文、複数人物の会話は不安定になる可能性があります。
最初は話者を一人にし、短いセリフへ分けて確認してください。
感情を指定する場合も、長い演技指示を重ねず、「落ち着いた声で」「小さな声で」など簡潔に書く方法が適しています。
動画生成にはどれくらい時間がかかりますか？
動画生成に必要な時間は、GPU、VRAM、システムRAM、モデル形式、解像度、秒数、ステップ数によって変わります。
同じGPUでも、モデルをVRAMへ保持できるか、CPUへオフロードするかによって結果が異なります。
そのため、「5秒の動画なら必ず何分」と一律には示せません。
最初は公式テンプレートの軽いプレビュー設定で5秒前後の動画を生成し、自分のPCにおける基準時間を測りましょう。
別の環境と比較するときは、解像度、秒数、モデルファイル、ステップ数をそろえてください。
完全ローカルで2K動画を生成できますか？
2026年8月6日時点では、公式公開ウェイトだけで2K再生成まで完結する構成は提供されていません。
ローカル公開版のH3-Baseは768pを基本とし、2K生成にはH3-Regenerate-2Kを使用します。
H3-Regenerate-2Kは現時点でオープンウェイトとして公開されておらず、公式のフル2KワークフローではAPIを組み合わせます。
そのため、「MiniMax H3は2K対応」と「ComfyUIだけで完全ローカル2K生成ができる」は分けて考えてください。
まとめ｜まずはComfyUIのT2Vテンプレートから試そう
MiniMax H3の注目点は、映像とステレオ音声を同時に生成できること、画像・動画・音声を参照できること、ComfyUI公式テンプレートから試せることです。
一方で、大容量モデルを扱うPC環境が必要であり、ローカルのH3-BaseとAPIを含む完全なシステムでは利用条件が異なります。
特に、768pのローカル生成と2K再生成、オープンウェイトと商用利用の条件は分けて確認してください。
まずはComfyUIを最新版へ更新し、Template Libraryから「MiniMax H3 T2V」を開いてみましょう。
最初は1人、1シーン、短いセリフ、軽い解像度で生成すると、自分の環境における必要VRAMと生成時間を確認しやすくなります。
ローカル実行が難しい場合は、Comfy CloudまたはMiniMax APIを利用する方法もあります。
費用、機能、データの扱いを比較し、自分の制作環境に合う方法を選びましょう。
コメント