ハクソク

世界を動かす技術を、日本語で。

ComfyUIにおけるMiniMax H3のDay-0サポート：オープンウェイト、ネイティブオーディオ、2Kビデオ

2026年8月3日原文(blog.comfy.org)

概要

MiniMax H3は、オープンウェイトで公開された次世代ビデオ生成モデル。 ComfyUIで即日ネイティブ対応し、テキスト・画像・動画・音声入力に対応。 最大2K解像度・15秒・ステレオ音声付き動画生成を実現。 モーション転送やクロスモーダル処理も可能。 省メモリ化・高効率化でRTX 3060など一般GPUでも動作可能。

MiniMax H3の特徴

  • MiniMax H3 は、 オープンウェイト でリリースされた 次世代ビデオ生成モデル
  • テキスト・画像・動画・音声を入力し、 最大2K解像度・15秒・ステレオ音声付き動画 を生成
  • ComfyUI が即日ネイティブ対応、 Comfy Cloud でも利用可能
  • MiniMaxの第三世代モデルで、 Hailuo 01/02 の後継
  • オープンウェイト での初公開モデル

利用可能な生成モード

  • Text-to-video （T2V）：テキストプロンプトのみで動画生成
  • Image-to-video （I2V）：画像を動かして動画化
  • First-and-last-frame ：開始・終了フレームを指定し、間を自動生成
  • Reference-to-video （R2V）：リファレンス画像・動画・音声を使い、動きや声を引き継いだ動画生成

技術的な強み

  • ステレオ音声 を動画と同時生成し、後付け処理不要
  • 1つのモデルで 複数モダリティ（画像・音声・動画） を統合処理
  • モーション転送機能により、リファレンス動画の動きや演技・カメラワークを新しい動画に適用
  • インプレース編集 によるショットの反復的な編集が可能

メモリ効率化・ローカル動作

  • モデルの モジュレーション重み約40% を ルックアップテーブル 化し、大幅なメモリ削減
  • int8 convrot量子化 とカスタムカーネルで推論時のVRAM使用量を最適化
  • 全精度123.6GB→最小構成42.5GB までフットプリントを削減（約66%削減）
  • RTX 3060 クラスの一般的なGPUでもローカル動作が可能

導入・利用方法

  • ComfyUI 0.30.0 以降へアップデート、または Comfy Cloud を利用
  • 公式ワークフロー （I2V, R2V, T2V）をダウンロードし、テンプレートライブラリからも取得可能
  • ワークフロー内の指示に従い、モデルを正しいディレクトリに保存
  • プロンプト記入、フレームやリファレンス入力を接続して実行
  • モデルウェイトは 🤗 Comfy-Org/MiniMax-H3 で配布

まとめ

  • MiniMax H3 は、マルチモーダル・高効率・高精度な オープンビデオ生成モデル
  • クリエイティブ制作 や 研究開発、 プロトタイピング 用途で強力な新ツール
  • コミュニティ・オープンソース の発展を後押しする画期的なリリース

Hackerたちの意見

投稿されているサンプルを見たけど、すぐにLTX2とWANのフォルダを削除したよ。もう完全に無価値だね。アメリカ、イギリス、EUのライセンスについては議論があるけど…サンプルについては「ふぅ、すごいね！」以外にコメントはないな。

└

「EU、UK、韓国、アメリカなどの地域では、生成ビデオモデルに特定の影響を与える可能性のあるAI関連の規制を現在開発または施行しています。」ディズニーを怒らせないって約束さえすれば、ライセンスを送ってくれるよ。 https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/Q...

結果として、メモリの使用量が66%削減され、フル精度で123.6GBから最小モデルのバリエーションで42.5GBになりました。これをダイナミックVRAMオフロードと組み合わせることで、RTX 3060のようなGPUでローカルに次世代の2Kビデオモデルを動かせるようになります。すごいね。でも、16GBの3060を持っているとして、15秒のクリップを生成するのにどれくらい時間がかかるんだろう？

└

大体10分くらい。

マウスのレンダリングが意外と良いね。そのクリップのいくつかは、現在のSOTAモデルに比べてかなりの進歩を感じさせる。唯一「おかしい」と思うのは、缶を開けるクリップの飲料広告動画で、まだ「AIのスムージング」効果が残ってる。でも、伝統的なレンダリングを使えばかなりうまくできると思う。しばらくの間、伝統的な「クローズアップ」レンダリング/ショットとAI生成のワイドショットやクイックカットを組み合わせたプロセスに移行していく気がする。ワクワクするけど、ちょっと心配でもあるね。オープンウェイトなのはコミュニティにとって大きな勝利だね。

└

これはまだSeedance 2.0/2.5から約1年半遅れてるけど、リーディングファウンデーションモデルが直面する価格圧力を示してる。オープンソースがコストの暴走を防ぐし、プラットフォームの安全チェックがクリエイティブな作業を止めるのを防いでくれる。動画モデルは大量のリクエストを処理するのが苦手だからね。クリエイターはクラウドやプライベートGPUクラスターで作業するのを好むよ。480pの数秒待つのは耐えられない。趣味でやる人は楽しむだろうけど、実際のプロダクション作業はクラウドで進んでる。アーティストの時間はお金に値するし、同時に何十個も生成を回して、生成状態空間を早く探って作業を進めたいんだ。

└

その前に、誰かが皿を登って「息をしている」シーンがあって、口から出る水蒸気が息と合ってないんだけど、開発者さん、これ直してほしいな。

俺は4070tiスーパー（16GB VRAM）でこれを動かしてるけど、10秒の480p動画を作るのに10分かかる。でも、結果は素晴らしいよ。

└

1分で1秒の映像が作れるなんて、すごいね！シェアしてくれてありがとう。

└

もしよければ、これのためのComfyワークフローを教えてくれない？同じビデオカードのセットアップを持ってるから、挑戦してみたいんだ。

└

参考までに、5080の16GBで10秒の480p動画を処理するのに3分かかるよ（マウス動画のワークフローで、長さを5秒から10秒に変更した場合）。

└

マルチモーダルモデルが、テキスト以外の知識にどう対応するのか特に興味がある。例えば、最新のLLMは電子機器、特にアナログ電子機器が本当に苦手なんだよね。MiniMax H3は論理的・技術的な推論ができるのか、それとも純粋にアート志向なのか？

Hacker Newsで議論の続きを見る