MiniMax-H3の物理表現
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, 生成時間：80秒(RTX PRO 5000 Blackwell)）
WAN2.2を初めて触ったときに安定性や表現力に感動したのですが、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）。当時はヤクザ映画のような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多くて残念な気持ちになっていました。このような表現は画像生成でも規制が多くて厳しいのですが、アクションシーンが作れないと不便なのですよね・・。
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LoRAのminimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors(1.82GB)が加わる。
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, 生成時間：80秒(RTX PRO 5000 Blackwell)）
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.作例
ゾンビ動画 （640x480 24fps 5秒, 生成時間：80秒(RTX PRO 5000 Blackwell)）
B級が好きなのでこういうものは必ず試作してしまう。
戦闘員 vs ゾンビ （640x480 24fps 5秒, 生成時間：80秒(RTX PRO 5000 Blackwell)）
これも発砲と反応を調べるために生成してみました。撃った弾の数に対しての反応等、整合性が取れないことが多いですね。
まだ試せていないことが多いですが、物理表現だけでもかなりうれしいです。振り子やラグドール、落下の表現なんかもよいです（ちょっと残酷なので載せられない・・）。やれることがまだまだたくさんありそうですね。