8月以降みんなのタイムラインを席巻したモデルの正体
数か月に一度、クリエイターのタイムラインを埋め尽くすほど話題になる動画モデルが現れます。8月以降、それがMiniMax H3——旧名のHailuo 3.0としても知られるモデルです。なぜここまで話題なのかはクリップを見れば一目瞭然です。映像と同時に生成されているからこそアクションにぴったり乗る音、15秒のマルチショットの中でもデザインを保ち続けるキャラクター、そしてフルスクリーンで見ても崩れない2K出力。
デモの裏側にあるのは、根本的に発想の違う設計です。画像、動画クリップ、音声を一つの対話として扱うオムニモーダルモデルであり、オープンウェイトでの公開によってこのシーズン最も研究された動画モデルにもなりました。そして8月下旬からは2つのバリエーションが存在します——オリジナルのH3と、イテレーションの感覚そのものを変えたほぼリアルタイムなティア、H3 Maxです。
本記事は、専門用語を避けたやさしい入門です。H3とは何か、各ティアが何をするのか、何を作れるのか、そしてクレジットを無駄にしない使い方を解説します。
H3の設計思想：なぜ「すべてが参照」なのか
H3は、たった一つの考え方を軸に組み立てられた動画生成モデルです。すべてがリファレンスになる、というものです。ほとんどのモデルがプロンプトと、あってもせいぜい1枚の画像しか受け付けないのに対し、H3は作業用のセット一式を受け付けます——
- 被写体・衣装・スタイル用のリファレンス画像 最大9枚
- モーションとペーシング用のリファレンス動画クリップ 最大3本
- サウンドとリズムを制御する音声クリップ 最大3つ（それぞれ映像に紐づけ）
——これらをプロンプトの中で順番通りに指定します。まるでムードボードを使ってアニメーターに指示を出すような感覚です。モデルは、参照したモーションに沿い、固定した被写体を保ったまま4〜15秒のクリップを組み立て、映像と同時に生成されたネイティブ32kHzステレオ音声を返します。環境音、フォーリー、リップシンクされたセリフまでもが同じパスの中で、しかも最初から同期した状態で出力されます。別途アフレコ工程をスケジュールしたり、費用を払ったりする必要はありません。
解像度は2段階です。ベースモデルは768pでレンダリングし、ホスト型の再生成ステージが最終結果を**2K（2560×1440）**まで引き上げます。この分離には実務上重要な理由があります。MiniMaxはベースウェイトをオープンソース化しており、研究者やツール開発者はH3の上に構築できますが、2Kの仕上げステージはホスト側にとどまります。セルフホストは実際に可能ですが、768pが上限です。
コアの生成機能に加えて、このファミリーは精密な動画編集と音声・映像の連続生成——既存のクリップを映像と音声を一緒に延長する機能——もカバーしています。これがあるからこそ、単発のループだけでなく、シーケンス制作にも使えるのです。
H3 Max：師匠モデルを超えた高速ティア
8月27日、2つ目のティアが登場しました。H3 Maxです。falがMiniMaxと提携し、H3のオープンウェイトをベースに追加学習したモデルで、プロンプトへの忠実さ、美しさ、そして純粋なスループットのためにチューニングされています。
何より目を引くのは、作業のリズムそのものを変えるスピードです。公式発表では5秒のクリップが3秒未満で生成され、実際の利用では10秒のクリップが再生時間とほぼ同じ時間で返ってきます。価格はおおよそ480pで1秒あたり0.05ドル、768pで0.08ドル。ローンチから数日のうちに、ベースモデルと同じ複合リファレンス生成——画像・クリップ・音声——にも対応し、従量課金の中で最初の数枚のリファレンス画像は無料になっています。
驚くべきことに、この高速ティアは「粗いティア」ではありません。公開されている画像→動画のリーダーボードでは、H3 Maxは現在1位——学習元であるベースのH3を上回っています。唯一の本当の上限は解像度です。2Kステージはオープンウェイトから継承できないため、Maxは構造上768pが上限になっています。
このファミリーをシンプルに整理すると、こうなります。
| MiniMax H3 | H3 Max | |
|---|---|---|
| 得意なこと | 仕上げのショット | イテレーションの速さ |
| 解像度 | ホスト版で最大2K | 480p / 768p |
| リファレンス | 画像9枚 / クリップ3本 / 音声3つ | 同じ、ローンチ数日後に追加 |
| ネイティブ音声 | あり | あり |
| 作業リズム | キューに入れて確認する | 画像の再生成に近い感覚 |
2つのティアで下書きと仕上げを分けるワークフローのロジックをさらに深く知りたい方は、H3 Maxワークフローガイドを参照してください。
クリエイターが実際に作っているもの
デモリールを見ると、H3の設計が得意とする仕事に自然と集まっているのが分かります。
アニメPVと音楽主導のオープニング。 映像と一緒にネイティブ音声が生成されるということは、編集者の手を借りずにビートシンクしたカットが作れるということです。トラックのエネルギーを説明し、音声クリップを参照するだけで、ヒットポイントがモーションにぴったり乗ります。これは、アニメクリエイターの間でH3が最初に火が付いた使い方です。
マルチショットのキャラクター作品。 15秒の生成1回で、キャラクター一人の顔、衣装、プロポーションを保ったまま複数のロケーションをカットでつなげます。アニメーションによるストーリーテリングの難所を、リファレンスさえ整っていれば1回のリクエストの中で解決してくれます。
セリフクリップ。 ルームトーンと環境音を伴ったリップシンクのセリフを、複数言語で1パスで生成します。以前は3つのツールが必要だった短いキャラクターの一場面が、今では1つのプロンプトで済みます。
スタイル固定のシーケンス。 パレット、線画、時代感のあるテクスチャといったビジュアル言語を与えれば、クリップ内のすべてのカットでそのルックを保ち続けます。H3のショーケースにスタイライズド作品やレトロ作品が多いのは、これが理由です。
クレジットを無駄にしないH3の使い方
H3はArcLoop内で生成モデルとして利用できます——モードや設定についてはモデルページにまとまっています——そして、デモリールのような結果になるか、思うようにいかない結果になるかを分けるのは、ほとんどの場合プロンプトの言い回しではなく、周辺のリファレンスの規律です。
特に効いてくる習慣が3つあります。
安定したリファレンスを与える。 9枚の画像スロットは一貫性への招待状であると同時に、9枚の画像がキャラクター像で食い違っていれば罠にもなります。キャラクターを、正式なリファレンスを Bind したアセットとして管理し、すべての生成をその一つの情報源から引っ張ってきましょう。ショットの説明の中でアセットを @ で参照する方が、毎回キャラクターを言葉で説明し直すより確実です——しかもこれなら、10本目のH3クリップも1本目と同じアイデンティティを使えます。
1クリップにつき明確なアクションを1つ。 H3の15秒は、始まり・見せ場・終わりのあるショットブリーフに対してこそ報いてくれます。5つのアイデアが同じフレームを奪い合うようなものではありません。カメラの動き、アクション、欲しいサウンドを、順番通りに書きましょう。
プロンプト入力欄ではなく、storyboardから生成する。 ArcLoopでは、episodeを開いて Generate Shots を押せば shot card に分解されます。あとはそれぞれにアセットを添付して card ごとに生成を実行するか、あるいは「Shot 1、2、3の動画を生成して」のような普通の指示で AI Chat Panel からまとめて実行することもできます。H3のクリップはすべて、それが属する shot に紐づいた状態で保存されるので、テイクの比較やカットの組み直しもダウンロードフォルダに散らばることなく整理された状態を保てます。
安く反復し、仕上げは一度だけ。 タイミングやブロッキングはMaxティアや低めの設定で試し、2Kパスはすでにカットの中に居場所を勝ち取ったショットだけに使いましょう。これは、階層型のモデルファミリーすべてに当てはまるコストコントロールのロジックと同じです。H3と同クラスの他の仕上げ用エンジンを比較検討しているなら、H3 vs Seedance 2.0の比較がその判断をきちんと整理してくれます。
よくある質問
MiniMax H3はHailuo 3.0と同じものですか？
はい。H3は、以前Hailuoとして知られていたモデルラインの国際名です。一部のリーダーボードでは、Maxティアが社内名であるMiniMax H3 Turboとして掲載されている場合もあります。
MiniMax H3は無料で使えますか？
ベースモデルのウェイトはオープンで、ホスト版へのアクセスは従量課金です。Maxティアは現在、ホスト元のツールページで1日あたり少数の無料生成枠を提供しています。ArcLoop内のプロジェクトでは、H3はArcLoopのクレジットで動作し、設定は生成モードによって異なります。
H3とH3 Maxの違いは何ですか？
Maxは追加学習された高速ティアです。最大768pでほぼリアルタイムの生成が可能で、現在は画像→動画のリーダーボードで1位、リファレンスモードやネイティブ音声もベースモデルと同じです。一方、ベースのH3はホスト型の2K出力ステージを持ち続けます。「Maxで下書きし、H3で仕上げる」というのが、多くのワークフローが行き着く分け方です。
H3は本当に動画と一緒に音声を生成しているのですか？
はい。音声は後から足すのではなく、映像と一緒に予測されます。だからこそ効果音は衝突の瞬間にぴったり乗り、セリフも編集パスなしで同期します。サウンドスケープは、ショットと同じプロンプトの中で説明できます。
H3の動画はどのくらいの長さにできますか？
1回の生成につき4〜15秒で、音声・映像の連続生成機能を使えば既存のクリップを延長できます。それより長い作品はショット単位で組み立てます——ここで、永続的なキャラクターアセットを使ってstoryboardから作業する方法が、クリップを1本ずつプロンプトで作るやり方に勝ってきます。
モデルは新しくても、規律は変わらない
H3が今の瞬間を勝ち取ったのは当然です。複合リファレンス、ネイティブ音声、オープンウェイト、そして考えながら使えるほど速いMaxティア。ですが、このリストにある能力はどれも、入力がどれだけ安定しているかに比例して初めて報われます——そしてそれはモデルの問題ではなく、ワークフローの問題です。キャラクターをアセットとして構築し、監督のようにショットを指示し、安いティアで反復し、観客が実際に見る部分にだけ2Kを使いましょう。プロジェクトを開き、最初のキャラクターを固定して、H3に認識する価値のあるものを見せてあげてください。
