MiniMax-H3の物理表現

公開 2026-08-22更新 2026-08-25 01:51

MiniMax-H3を触ってみましたが、物理表現が豊かなモデルだと思いました。今回試したのはi2v(Image to Video)のみです。

ヤクザ vs 熊（640x480 24fps 5秒）

WAN2.2を初めて触ったときに安定性や表現力に感動したんですが、暴力表現が全然作れませんでした（パンチさせても予備動作や反動がない等）。当時はヤクザ映画っぽいシーンを作らせたかったのですが、できないことが意外にも多くてガッカリしていました。このような表現は画像生成でも規制が多くてなかなか厳しいのですが、アクションシーンが作れないと不便なんですよね・・。

MiniMax-H3について

正式名	MiniMax-H3
公開日	2026年7月31日（発表）/ 2026年8月3日（オープンウェイト公開）
開発会社	MiniMax（中国・上海）
ライセンス	MiniMax H3 Community License（商用利用可・地域制限あり）
モデル規模	330億パラメータ(33B)
テキストエンコーダ	Qwen3-VL-32B
出力	最大2K / 24fps / 4〜15秒 / 11言語
音声	32kHz ステレオ（映像と同時に生成）

しばらくWAN2.2の16fpsに慣れていましたが、やはり24fpsは違うと思いました。規制が緩いのもいいですね。WAN2.2の正統な後継モデルのような感じがありますね。

※無規制がいい、というより規制がかかったものを使わされるのが嫌、というスタンスです。

ワークフロー

ComfyUIのプリインストールされているテンプレートを利用。ComfyUI 0.30.0以降が要る。

ファイルの構成

	ファイルと容量	コメント
Diffusion Models	minimax_h3_fl2va_pruned_int8_convrot.safetensors(19.5GB)	拡散モデル本体。動画を描くモデル。
Text Encoder	qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors(14.6GB)	テキスト理解・プロンプト解釈用LLM（言語モデル）。
VAE	minimax_h3_video_vae_fp16.safetensors(4.9GB)	実映像↔潜在表現の変換。
VAE	minimax_h3_audio_vae_fp32.safetensors(0.6GB)	音声用。これを入れ忘れると音が出ない。

VAEを2つ入れるのがこのモデルの特徴。turboワークフローを使う場合は、これに加速用のLoRA（minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors）が加わる。

テンプレートの4ファイルを全部VRAMへ載せると39.6GBになる。

プロンプト

MiniMax特有のプロンプトの書き方があるため、ローカルLLMを利用してつくっています。手動で書くのは難しいので、今後はLLMを使って文章を整えることが当たり前になりそうですね。

ヤクザ vs 熊（640x480 24fps 5秒）

熊は男性を噛んで引きずっていく。

Qwen3-VL-8B に画像を見せ、そこから得た情報と入力プロンプトを合わせる。それを MiniMax-H3 の形へ変換する。シーン、アクション、カメラ、サウンドの順にしている。

scene: Cinematic daylight bathes a zoo enclosure with warm, hazy sunlight filtering through trees.  
action: The bear, its jaws clamped onto the man’s shoulder, begins to drag him backward across the muddy ground, its massive body shifting with slow, relentless force as the man’s legs kick out weakly.  
camera: Fixed shot holds the wide frame as the bear drags the man, emphasizing the crowd’s silent observation.  
sound: Crunching mud under paws, the man’s muffled groan, distant crowd murmurs, and a low, ominous bass thump pulses beneath it all.