MiniMax H3
音と共に生まれる動画
MiniMax H3は、2K映像と同期したステレオトラックを一度に生成。効果音、ルームトーン、台詞をすべて同時に収録。Popcraftで公開中。
H3で制作された映像
台詞、タイトル、予告編、ブランド、プロダクト、ファッション、ゲームUI、ポスター、エフェクト、マクロ、そして真正のアナモフィックフレーム。スクロールで再生。スピーカーをタップして音声をオン。
実際に話している人物
歩道のカフェでカメラに向かって話すクリエイター。言葉、リップシンク、背後の街並みすべてが1回の生成で出力されました。これはモデル全体の基盤となる能力です。
アイウェア・キャンペーン
SNS向けのネイティブ9:16撮影。ミラーレンズ、彫刻的なシルエット、清潔感のあるスタジオ背景。すべてのカットでアイデンティティが維持されています。
MIDNIGHT LINE
クライム作品のタイトルシーケンス。分割画面、鮮明なカラーブロック、ドラムのビートに合わせたキャストカードの切り替えを、サスペンスジャズのスコアに乗せて展開します。
実用的なゲームメニュー
キャラクター選択、装備カスタマイズ、判読可能なボタンの状態。多くの動画モデルが苦手とする「読めるUI」のレンダリングこそ、このモデルの真骨頂です。
THE STARS WERE LISTENING
高コントラストなSFティーザー。巨大なリングを背景にした小さな人影、闇から浮かび上がるタイトル、そして盛り上がるスコアが一体となっています。
POPUP! Series 001
ポスターとコレクターズアイテムのデザイン。見出しのタイプ、シリーズ番号、印刷に耐えうるほどクリーンにレンダリングされたキャラクターをフラットに捉えています。
炎とレザー
フルコントラストのエディトリアル・ファッション。背後に炎、前面にパテントレザー。ショットが変わってもモデルの一貫性が保たれています。
LEATHER IN MOTION
夕暮れ、車、そして質感の研究。スローな動き、単一の光源、映像の上にクリーンに配置されたタイポグラフィ。
現実世界への描き込み
実写の路面電車の映像に重ねられた、手書きの発光ラインアニメーション。車両を進むにつれて形を変えながら移動します。
鱗を数えられるほどの距離
極限のマクロで捉えたクレステッドゲッコー。目をなめる舌、皮膚の質感、濡れた光沢、微細な動きが2K解像度で維持されています。
MINIMAX, 2.35:1
2944 x 1248で出力されたブランド映像。16:9のクロップではなく、真正のアナモフィックフレームです。手すりに沿ってワードマークが正確に繰り返し配置されています。
映像を生んだプロンプト
ブリーフ、与えられたボード、そして出力された映像。スコア、カット割り、画面上のタイポグラフィまで、すべてが1回の生成に含まれています。
サスペンス調のクライム映画のための15秒、16:9のタイトルシーケンス。視覚言語：レトロな日本のアニメタイトル、シャープなシルエット、コミックコラージュ、非対称の分割画面、強い幾何学的なカラーブロック、英語のクレジット、わずかなカタカナ、ジャズ・クライムの雰囲気。ムードはサスペンス60%、ジャズ40%：ミステリアスでクール、都会的。ホラーや重苦しい感じではなく、明るいジャズビデオでもない。
動きはモーショングラフィック・コラージュとして解釈：黒背景に線画フレームが描かれ、分割の境界線が飛び出し、カラーブロックとパネルがブロックごとに貼り付けられる。シルエット、小道具のアップ、クレジットは、ドラムのヒットに合わせてスライド、ポップ、マスク表示される。
英語のクレジットはクリーンで判読可能であること。アニメーションさせてもよい：細いフレームが描かれ、名前がスライドし、文字が1つずつ現れ、カラーブロックがマスクして表示、その後静止。中国語の追加、文字化け、スペルミスは不可。各クレジットと役割は一度だけ表示される。役割や名前の重複、1人2役はなし。
トランジション：円形ビニールマスク、垂直な車のドアのワイプ、フレームを掃く長い影、赤いラインのカット、巨大なレターフォームのマスク、分割フレームの再構成、硬いカラーブロックのカット。すべてビートに合わせる。ソフトなディゾルブや流動的なモーフィングは不可。
音楽：オリジナルの15秒タイトルキュー。サスペンス60%、ジャズ40%。持続するベース、緊張感のあるピチカート、冷たいシンセパルス、キック、まばらなブラシ、ウォーキングベースの断片、低いサックスのフレーズ、短いブラスのスタブ。低音とハイハットが2秒かけてビルドアップし、3秒でキック、6秒でジャズベース、10秒で短いサックス/ブラスのリフ、最後の2秒はドラムを伴う緊張したコードでフリーズ。既存のメロディを模倣しないこと。
ブリーフが指定した6つのボード。「これらの画像の視覚言語を参照せよ」という指示です。
1回の生成結果。キャストカード、分割画面、ビニールマスクのトランジション、サスペンスジャズのキューがすべて同時に生成されました。後付けの音楽、文字入れ、編集は一切行っていません。
想定される活用シーン
生成された音声と「1テイク内でのカット割り」が、ワークフローそのものを変える業務。
初見で完成形が見える垂直広告
9:16のカットに環境音、フォーリー、台詞が最初から含まれているため、ステークホルダーが最初に目にするバージョンが無音のアニマティクスではなくなります。
動き出す商品写真
商品の静止画を最初と最後のフレームとして指定すれば、モデルがその間の動きを補完します。同じ瓶、同じ光のなかで「蓋が開く」様子などを生成できます。
シリーズを通して同一の顔を維持
リファレンス画像によって、テイク間や1テイク内のカットをまたいでアイデンティティや衣装を維持。シリーズ化された登場キャラクターに不可欠な機能です。
カメラワークが書き込まれたアニマティクス
カメラの動きを特定の用語セットから文章として記述。モデルの気分に任せるのではなく、「プッシュイン」を正確なプッシュインとして実行します。
編集なしのカットダウン
プロンプトにカット割りを記述することで、1つのクリップ内に複数のショットを含め、その間を環境音が途切れることなく流れる映像を生成できます。
際立った特徴
3つのポイント。特に1つ目は、極めて稀な機能です。
映像と同時に生成される音声
効果音、環境音、リップシンクされた台詞が同じファイルに含まれます。音声を4回書き起こして検証しましたが、スクリプト通りのセリフが毎回完全に同期して出力されました。
1回の生成内でのカット割り
プロンプトで指定した通りの位置で、3つのショットと2つのハードカットを配置。意図しない不自然なつなぎ目もなく、環境音は全体を通して流れます。
5〜15秒、1秒単位の指定
リファレンスモードでは、長さがフレーム単位で遵守されます。11秒のカットを要求すれば、15秒に切り上げられることなく、正確に11秒で出力されます。
H3とSeedance 2.0の比較
同一のプロンプトとリファレンス画像を使用し、モデルのみを唯一の変数とした社内テストの結果です。これはベンチマークではなく、1つのプロンプト例です。H3はリファレンス画像がある場合に特定のアスペクト比指定を拒否するため、1つの項目（比率）のみモデルに合わせて調整しました。
| 測定項目 | MiniMax H3 | Seedance 2.0 |
|---|---|---|
| 出力映像 | 1440 × 2560 · 24 fps | 1248 × 1664 · 24 fps |
| 台詞の書き起こし精度 | 逐語的かつ同期（4回中4回） | 判読不能、同期ズレ |
| 指定時間 → 出力時間 | 8秒 → 8.000秒 | 8秒 → 8.08秒 |
| 構図指示の遵守 | いいえ — 瓶が小さく流れた | はい |
| 全フレームでのロゴの判読性 | 134 / 192 フレーム | 159 / 193 フレーム |
映像は同等、音声は明らかに優位、指示の遵守は劣る。 どちらのプロンプトも台詞を1語も書いておらず、静かな環境音のみを求めましたが、H3は放置すると勝手に台詞を書くということがわかりました。
プロンプトの書き方
構成は3つのパート。各添付ファイルの用途を説明し、核となるクリエイティブを1文で書き、最後に各ショット（カットの時間、構図、カメラの動き、台詞、アクションに伴う音）を記述します。
「不要なもの」を明示する
否定的な指示は、それ自体を独立した指示にする必要があります。無音にしたい場合は、非ダイジェスティック・ミュージックの項目に N/A と指定してください（"non_diegetic_music": N/A）。項目自体を省略しても、「無音」の要求とはみなされません。
これは必須です。静かなルームトーンのみを求め、台詞を書かなかったプロンプトに対し、入力していない製品の宣伝文句をリップシンク付きで勝手に話し出したケースがありました。
サウンドスケープ専用の項目
環境音やアクション音はショットの説明には入れず、クリップ全体を説明する overall_soundscape に1〜4文で記述します。登場人物に聞こえないBGMは non_diegetic_music に。台詞だけをショットの説明に残します。
テキストを引用し、ショットに台詞を合わせる
画面に表示させたい文字は、そのままの表記で引用符に入れてください。台詞はそのショットの秒数に収まる長さにする必要があります。また、対象のショット名を指定すれば、カットをまたいで話させることも可能です。
プロンプト記入例
モデルが読み取るフィールド形式での3つの構成要素integrated_multimodal_description: [Shot 1] A barista sets a mug on the marble counter shown in <Picture 1>, keeping the counter, the light and the mug's position. The camera pushes in with small amplitude at slow speed. The barista with a warm, low voice (S1) says: <d>[English] Yours.</d> [Shot 2] At 00:05.000, the shot cuts to an overhead close-up of steam rising from the mug while her last word carries over. overall_soundscape: Ceramic meets stone with one soft knock and low room tone continues underneath. An espresso machine hisses two rooms away. non_diegetic_music: N/A
Popcraftでの使い方
H3は動画モデルリストのSeedanceの隣にあります。手順は3つ。3番目が最も忘れられがちなステップです。
MiniMax H3を選択
次に、5秒から15秒の間で秒数を設定し、映像のティアを選択します。
リファレンスを添付し、用途を指定
ラベルのない添付ファイルは失敗の原因になります。1枚なら最初または最後のフレームとして指定し、2枚ならショットを挟む形で指定します。
「無音」を含め、音を演出する
サウンドスケープを記述し、不要なものは除外指示として明記します。指示がない場合、H3は自ら台詞を作成し、読み上げます。
よくある質問
クリップにはすでに効果音、環境音、台詞が含まれているため、音響作業はゼロからの構築ではなく「編集」になります。ただし、最終的なミックス状態ではありません。テイクによって音量レベルが異なるため、公開前にラウドネス調整を行うことを推奨します。
はい、禁止しない限りその可能性があります。これはH3について知っておくべき最も重要な点です。静かな環境音のみを求め台詞を一切書かなかった際、H3は製品の宣伝文句を勝手に作成し、リップシンクまで完璧にこなしました。サウンド項目を空にすることは無音の要求ではありません。毎回、除外指示を書き、サウンドスケープを指定してください。クライアントワークや規制のあるカテゴリーでは、これを必須のレビュー工程として扱ってください。
768p指定は短辺768ピクセル、720pも同様です。1080pを指定すると2K（短辺1440ピクセル）に引き上げられます。これは指定通りに戻らない唯一の値です。低ティアの生成は約40%速く、データ容量も約3分の1になります。その代わり、小さな文字の判読性が犠牲になります。ロゴは768pでも維持されますが、その下のさらに小さな2行目はほぼ潰れてしまいます。
リファレンス画像を添付していない場合に限り可能です。テキスト・トゥ・ビデオでは指定した比率が遵守されます。リファレンスを添付すると、比率は「adaptive（適応的）」に設定しなければなりません。また、これは決定的ではなく、必ずしもリファレンスと同じ比率になるとは限りません。3:4のリファレンスが9:16で出力された例もあります。リクエストではなく、出力されたファイルを正として確認してください。
アイデンティティは維持されますが、構図の信頼性はやや低くなります。リファレンス画像によって同一人物や衣装の維持は良好（マルチショット内も含む）ですが、構図の指示についてはSeedance 2.0の方が正確でした。H3では商品がフレーム内で小さく流れてしまうことがありました。MiniMaxのガイドが推奨するように、カットごとにショットサイズを再指定し、キャラクター名を明記してください。
同じモデルの別名です。MiniMaxはMiniMax H3として公開しており、一部のホストではHailuo 3.0と表記されています。Popcraftのモデル選択画面では Hailuo 3 と表示されます。このページではMiniMax H3で統一しています。
H3は出力の秒数ごとに課金されます。現在の秒単価については料金ページをご覧ください。生成前に知っておくべき点として、768pティアは2Kの約3分の1の容量で、生成速度も約40%速いため、用途に応じて使い分けるのが効率的です。
さらに探索
関連モデル
Seedance 2.5は、1回のジョブで最大30秒の動画を生成できます。最大50個のアセットを参照でき、動画編集の制御、高忠実度の時間軸拡張、0.4から2.5までの任意のアスペクト比、10以上の言語でのネイティブプロンプトに対応しています。Popcraftで公開中。
Popcraft で Seedance 2.0 を使い、テキスト・画像・クリップから映画品質の 4K 動画を生成。ネイティブ同期音声、マルチショットシーケンス、最大 4K (2160p) の極めて精細なディテール。
Seedance 2.0 MiniはByteDanceの最も軽量な動画生成ティアです。標準のSeedance 2.0より最大50%安く、Fastより約2倍高速で、テキスト、画像、動画、音声のプロンプトに対応。Popcraftで公開中。
PopcraftのSeedance 2.0で、画像とプロンプトからシネマティック動画を生成。参照から動画生成、最初/最後のフレーム指定、最大4Kのマルチアスペクト出力に対応。