生成コストを抑えつつワンカットのような映像を作るには、まず単一のキャラクターと同一のシーンで MiniMax H3 の動画延長（クリップの継続生成）を試すのが効果的です。最初に人物とシーンの開始画面を決めて1本目の動画を生成し、その最終フレームを抽出して次の動画の先頭フレーム（開始フレーム）として続きを生成します。先頭フレームを指定することで、人物の外見や服装、現在の環境が次のセグメントへ引き継がれ、前後の映像のおおまかな一貫性を保ちやすくなります。
H3 の1回あたりの生成時間は最大15秒のため、それ以上の長尺動画は複数回に分けて生成してから結合する必要があります。最終フレームから継続生成する場合は、キャラクターの数を減らし、動きとカメラワークを連続させるのが理想的です。複数のキャラクターを次々に登場させたり、カメラ位置やショットのサイズを頻繁に切り替えたりするのは避けましょう。画面の変化が多いほど人物や背景が崩れやすくなり、確認や作り直しの手間も増えてしまいます。
最終フレームを使って同じカットを繋ぐ
まずは、こちらの約13.2秒の実写作例をご覧ください。男子学生がノートを持って教室のドアの前まで歩き、立ち止まってから手を伸ばしてドアを開けます。再生する際は、ドアの前まで歩く動作と手を伸ばしてドアを開ける動作の間に、目立った繋ぎ目がないか注目してみてください。
全体を通して見ると動きが比較的スムーズで、一見しただけでは2本の動画を繋ぎ合わせたものだとは気づきにくい仕上がりです。それでは前半部分に戻り、どのように作られたのかを見ていきましょう。
前半のクリップはテキストから動画生成（Text-to-Video）で作られており、長さは約6.58秒です。男性が教室のドアの前まで歩いて立ち止まり、まだドアノブには手を触れていません。
前半部分で実際に使用したプロンプト：
Photorealistic live-action cinema, natural human movement, 16:9. A young adult East Asian man with short black hair wears a charcoal zip-up hoodie over a light gray T-shirt and dark trousers. He holds a small black notebook in his LEFT hand throughout. His empty RIGHT hand remains relaxed beside his body. A closed wooden classroom door with a brass lever handle is on screen right. Over six seconds he takes two unhurried steps from screen left toward the door, then stops within reach of the handle. He does not touch or open the door yet. Hold his final standing pose briefly. Fixed medium-wide three-quarter side view from his right side, both hands and the handle clearly visible, warm afternoon sunlight from screen left. One uninterrupted shot, no cuts, no camera movement. Audio: natural footsteps, subtle clothing rustle and quiet empty-school ambience. No speech, music, titles or subtitles.
彼に続けてドアを開けさせるため、プログラムを使ってこの動画の最終フレームを抽出し、次の動画の先頭フレームとして使用します。下の画像が、2つの動画の繋ぎ目となるフレームです。
続くプロンプトには、その後の動作だけを記述します。男性が右手を上げ、ドアノブを握り、ドアを押して開けるという流れです。前半のプロンプトではもともとレバー式のハンドルを指定していましたが、実際の映像では丸い銀色のドアノブが生成されたため、続きを生成する際も映像内のノブに合わせて記述し、人物の服装や左手のノート、廊下の光線を維持するように指定しています。
最終フレームからの継続生成で実際に使用したプロンプト：
Photorealistic live-action continuation from the supplied first-frame image. Preserve the same adult man, face, charcoal hoodie, gray T-shirt, wooden double door, round silver doorknobs, and warm afternoon light. Over six seconds he raises his empty RIGHT hand, reaches for the round silver knob closest to him on the left door leaf, turns it and gently pushes that door leaf inward into the classroom. The other door leaf stays closed. His LEFT hand keeps holding the same small black notebook beside his torso. He stays beside the doorway. Keep the camera fixed with the same framing and perspective. One uninterrupted shot, no cuts. Audio: subtle sleeve rustle, one soft latch click, a brief natural hinge creak and quiet school ambience. No speech, music, titles or subtitles.
後半部分も同じく約6.58秒で、この2本をそのまま結合したものが冒頭の動画です。この作例では人物が立ち止まったタイミングで繋いでいるため、前後の動きが比較的自然に繋がりやすくなっています。結合した後は通して再生し、繋ぎ目で不自然な間（一時停止）が生じていないか確認しましょう。
フレームの抽出はプログラムで自動化することをおすすめします。元動画のフレームシーケンスを読み込み、元の解像度のまま PNG として書き出し、出力サイズがデコードされた画面と一致しているか検証することで、手動のスクリーンショットによる拡大縮小やトリミング、余計な圧縮を避けることができます。今回の作例で書き出した画像は 1344 × 768 を維持しており、ピクセル単位で元動画の該当デコードフレームと一致しています。ただし、フレーム抽出自体に映像の歪みを修復する機能はありません。末尾にモーションブラーや手足の崩れが見られる場合は、プログラムで少し手前の鮮明なフレームを抽出し、結合時に元動画のそのフレーム以降をカットすることで、動作の重複を防げます。
今回の作例では、先頭フレーム指定による生成とリファレンス（参照画像）生成の両方を試しました。先頭フレーム指定を使う場合、人物やシーンのリファレンス画像を同時に追加することはできません。リファレンスを追加したい場合は、リファレンス生成に切り替える必要があります。リファレンス画像は人物、服装、環境、構図の情報を提供してくれますが、動画の最初のフレームを固定するものではありません。
リファレンス生成での繋がり具合は？
リファレンス生成の結果と比較するため、次は同じ最終フレームの画像を H3 の画像リファレンスとして使用し、同じドアを開ける動作の指示、解像度、時間設定を引き継ぎました。ここでは先頭フレームを固定せず、他のリファレンス画像も追加していません。両方のモードで1回ずつ生成し、映像の繋がり具合を直接比較します。
前半部分とリファレンス生成版をそのまま結合した結果：
リファレンス生成版も長さは約6.58秒です。人物やパーカー、ドアの外の環境はおおむね維持されていますが、開始時の立ち姿や肩・腕の位置、カメラの構図が前のクリップの末尾と完全には一致しておらず、そのまま繋ぎ合わせると明らかな画面のジャンプ（位置ズレ）が見て取れます。
カット割りのトランジションで繋ぎ目のジャンプを解消する
リファレンス生成した動画を近いカメラアングルのまま直接繋いでジャンプが生じてしまう場合は、必要な箇所にクローズアップを挿入してトランジション（場面転換）として機能させることができます。ここでは最小限のカット割りだけで繋ぎ目を処理し、映像自体は同じ「ドアを開ける動作」を中心に展開させます。ドアを開ける動画の約2.5秒付近から、右手がすでに丸い銀色のドアノブを握っているフレームをプログラムで抽出し、その画像全体を H3 のリファレンス生成に入力しました。環境や袖、手元のリファレンスとして利用しつつ、ドアノブのタイトなクローズアップを直接生成するよう指示しています。この工程では、新しい絵コンテ用の静止画を別途描き起こすことも、この画像を先頭フレームとして設定することもしていません。
ドアノブのクローズアップで実際に使用したプロンプト：
Photorealistic live-action close-up insert. Use <Picture 1> as the reference for the SAME right hand already gripping the SAME round silver doorknob, the charcoal hoodie sleeve, wooden door and afternoon sunlight. Reframe to a TIGHT CLOSE-UP from the same corridor side. Show ONLY the hand-covered knob on the IMAGE-LEFT door leaf, to the LEFT of the vertical center seam. The other knob on the image-right door leaf must remain completely outside the frame. Start already close on his RIGHT hand gripping this knob exactly as in the reference. Over four seconds, the fingers tighten naturally and the wrist makes one small turn to release the latch. Keep the wooden door closed; hold the turned knob at the end, ready for the next opening shot. Show one anatomically natural right hand and one knob only. Locked camera, no zoom, no cuts, no face or full body. Audio: faint sleeve rustle, a quiet metallic turn and one latch click over quiet school ambience. No speech, music or text.
このクローズアップの元動画は約4.46秒です。編集では、前半部分を約3.75秒残し、そこにドアノブのクローズアップを約2.5秒繋げ、そこから先ほどのリファレンス生成版のドアを開ける動画へとカットを戻します。その際、手を伸ばしてドアノブを回す重複した過程はトリミングし、ドアが押し開けられる位置から直接繋ぎました。3本の動画はカット割りと尺のトリミングのみを行い、フレーム補間や速度変更、ディゾルブなどのトランジションは使わず、合計約9.83秒にまとめています。
寄り（クローズアップ）のカットを挟んだことで、2回のカット切り替えによってドアを開ける一連の動作が繋がり、前後のミディアムショットの間にも自然な橋渡しができました。この方法で繋ぎ目を処理する際は、具体的なディテールが前後で一致しているかを重点的に確認します。同じ手であるか、ドアノブが同じ側にあるか、袖の色や廊下の光線に明らかな変化がないか、そしてミディアムショットに戻った際に手を伸ばす動作がもう一度繰り返されていないかといった点です。新しいカメラアングルを頻繁に増やすと前後の映像の一貫性を保つのが難しくなるため、ここでは動作を前に進めるために必要なクローズアップだけを残しています。
30秒の長尺動画
同じ最終フレームからの継続生成手法を使って、より長いストーリー性のあるクリップを作ることも可能です。実写の夜の怪談『ドアの外には誰もいない』は、3つのセグメントに分けて生成しました。男性がノックの音を聞いて歩いていき、ドアを開けるが外には誰もいない。しかし彼が振り返ると、すでに部屋の中に女性が立っている、という流れです。1本目はテキストから動画生成で作成し、続く2本目と3本目はプログラムで前の動画の最終フレームを抽出して次の先頭フレームとして継続生成しており、各セグメントは約10秒です。
1本目の末尾は右手でドアノブを握った状態で止まり、2本目はドアを開けるところから始まって末尾は人物が振り返ろうとするところで止まり、3本目で振り返る動作を完了して部屋の中の女性を映し出します。プロンプトでは、まず前のセグメントが終わった時点での人物の状態を説明し、続けて次のセグメントで起こる動作を記述することで、継続生成時の開始点がより明確になります。
以下に示すのは、MiniMax H3 の 768p で生成した26秒の編集版です。3本の元動画をまず結合して30秒にした後、冒頭の余分な4秒間をカットしています。冒頭の映像をトリミングした際、元々のノックの音も一緒に切り落とされてしまったため、編集時にこのノックの音だけを元動画から別途取り出し、完成版の冒頭に再度繋ぎ直すことで、「まずノックの音を聞き、それから立ち上がってドアを開ける」という順序を保っています。
この作例では最終フレームを次の先頭フレームに繋ぐ処理を連続して行い、男性主人公の服装や部屋の中のカーテン、ソファ、テーブルランプを引き継ぎました。最後のセグメントではテキストの記述だけで女性を登場させており、彼女のキャラクターリファレンス画像は別途提供していません。この女性はラストにしか登場しないため、後続のカットで彼女の一貫性を維持できるかどうかはここでは検証していません。また、完成版の音声にも個別の編集が加えられており、モデルが1回の生成でそのまま出力した完全な結果として扱うことはできません。
人物・シーン・音声の一貫性
画面外の人物や小道具が再びフレーム内に入ってくる場合、前のセグメントの最終フレームだけでは情報が足りないことがあります。H3 の動画延長に関する Reddit の議論では、あるコメンターが次のような例を挙げていました。1本目のセグメントに3人のキャラクターがいるものの、末尾の画面には2人しか映っていない場合、次のセグメントで3人目のリファレンス情報を補わないと、そのキャラクターが再び画面に入った際に外見が変わってしまう可能性があるというものです。このような状況に遭遇したら、リファレンス生成で元のキャラクター画像を追加するか、まずそれらのリファレンスを使って次の絵コンテ画像（キーフレーム）を作成しておくとよいでしょう。
また、何サイクルも連続して生成を重ねると、色味のズレや顔のディテールの変化、画面のノイズが徐々に蓄積していくこともあります。Reddit コミュニティの経験談では、キーフレームを使って画面を制約しようと試みるクリエイターもいれば、複数回の継続生成を繰り返すとやはり映像が崩れる可能性があると注意を促す人もいます。1つのセグメントを生成し終えるごとに、まず人物や服装、光線を確認するのがベストです。もし最終フレームがすでにぼやけていたり歪んでいたりする場合は、その前の鮮明なフレームまで戻って現在のクリップを調整し直しましょう。問題を次のセグメントへ持ち越さないことが大切です。
Tips：音声の一貫性にはポスプロ（編集処理）が必要
先頭フレームが提供するのは主に視覚情報であり、それだけで複数の動画セグメント間の音声の一貫性を維持するのは困難です。モデルが生成したネイティブの音声をそのまま残したとしても、前後のクリップが自然に繋がるとは限りません。繋ぎ目で音量の変化や環境音の違い、音楽のリズムの途切れ、あるいは話し声の声質の変化が生じることがあります。Reddit の動画延長に関する質問スレッドでも、数セグメント連続で生成した後に音声が徐々に崩れていくと言及しているユーザーがいました。
編集時に繋ぎ目で短いオーディオのフェードイン・フェードアウトをかけたり、前後の環境音を少し重ねたり（オーバーラップ）、あるいはベースとして統一した背景環境音を1本敷いたりする処理は、不自然さをある程度和らげることはできても、音声の連続性の問題を完全に解決するのは難しいのが実情です。セリフの重複や明らかな声質の変化、BGMが繋がらないといった状況に直面した場合は、やはり再生成を行うか、別途アフレコや環境音・音楽の差し替えが必要になることがあります。
