VIBEPAPER JOURNAL / AI CREATION

VibePaper で使う MiniMax H3:混在する参照素材に役割を与え、音を映像と一緒に設計し、まだ崩れるところを知る

VibePaper · 更新日

MiniMax H3 は、テキスト、画像、動画、音声をひとつの創作コンテキストとして受け取り、映像と音が同期したシーンを生成します。テキストから動画を作るだけのエンドポイントとの実際的な違いは、追加するファイルの一つひとつが判断になるという点です。どのファイルもショットについての問いにひとつ答えなければ、ノイズになります。この記事では、H3 が混在する参照素材をどう読むか、役割をどう割り当てるか、音を映像と並べてどう設計するか、MiniMax が 768p と 2K の処理について何を公表しているか、そして Paper Gen で実際に生成しようとして何が起きたかを扱います。MiniMax の説明に基づく内容は、その旨を明記しています。

  • MiniMax H3
  • AI動画生成
  • 混在する参照素材
  • 音声と映像の同時生成
  • VibePaper
MiniMax H3 の動画の一場面
MiniMax H3 の1フレーム。以下の手順は VibePaper の Paper Gen の画面に沿っています。

概要

MiniMax が公表している MiniMax H3 の仕様と、ジョブを左右する Paper Gen の設定
機能公表値・挙動Paper Gen での意味
クリップの長さ1回の生成で4〜15秒Paper Gen の初期値は5秒です。ジョブの内容を決める設定なので、送信前に設定しましょう。
解像度基本生成は 768p、再生成処理で最大 2KPaper Gen の初期値は 768p です。試行錯誤は 768p で行い、高解像度は承認した結果のために取っておきましょう。
フレームと音声24 FPS の映像、ネイティブの 32 kHz ステレオ音声、1回の処理セリフや環境音は、それが属する映像の描写と並べてプロンプトに書きましょう。
混在する参照素材画像最大9件、動画3件、音声3件、合計12ファイル参照モードから追加し、1ファイルにひとつの役割を持たせます。
フレームの制御開始フレーム、終了フレーム、またはその両方最初または最後の画像がすでに決まっているときは「開始・終了フレーム」を使います。
縦横比横長、正方形、縦長Paper Gen の初期値は 16:9 です。送信前にフレームの形を選びましょう。

ひとつのコンテキスト、複数のソース

多くの動画モデルは、プロンプトを読んでクリップを返します。H3 は素材の一式を読み込み、そこからひとつのシーンを組み立てようとします。MiniMax はこの入力をひとつの創作コンテキストと説明しています。そのため、被写体、動き、カメラの文法、声、環境音、リズムを、入力した一文からではなく、それぞれ別のファイルから取り込めます。

これが H3 の最大の違いであり、作業の進め方も変わります。何かを追加する前に、各ファイルを何のために使うのかを決めましょう。ショットについての問いに答えない参照素材はノイズになり、本来担ってほしかった役割から結果を引き離してしまうことがあります。

参照素材ごとに役割を割り当てる

以下の役割は、それぞれの入力の種類が何を伝えられるかから導いたものです。Paper Gen を開く前に私たちがジョブを計画するときの考え方であり、画面にあるスイッチの一覧ではありません。

参照素材の種類と、それが制御すべきショットの要素の対応
参照素材の種類答える問いショットでの役割の例
画像フレームに誰または何が映り、どう見えるかキャラクターの顔と衣装、または部屋の素材感
動画何がどう動き、カメラがどう動くかカメラのプッシュイン、手の動き、振り向く速さ
音声シーンがどう聞こえ、誰が話すか声、部屋の空気音、カットのリズム
開始・終了フレームショットがどう始まり、どう終わるかクリップの最初と最後のフレームの構図

音を映像と一緒に設計する

H3 は映像と音を一緒に生成します。MiniMax によると、映像と音声の潜在空間は別々ですが、生成は同じシステムの中で行われます。音声は左右のチャンネルを個別に処理して再結合したステレオとして出力されます。実際には、音はあとから足すレイヤーではなく、ショットの一部だということです。

ですから、音はそれが属する映像と同じ区切りの中に書きましょう。「手の動きがゆるむにつれて、ろくろがうなる」と書けば、モデルが同期させるべき出来事がひとつ伝わります。「環境音を加える」では、何も伝わりません。

始める前に知っておきたい制約がひとつあります。音声の参照素材だけを入力にすることはできません。音声は画像か動画の参照素材と組み合わせる必要があります。また、動画と音声のファイルはそれぞれ2〜15秒で、種類ごとの合計も15秒までです。

768p で試行錯誤し、2K で再生成する

MiniMax は2段階の処理を説明しています。H3-Base が 768p の映像と音声のシーケンスを作り、H3-Regenerate-2K がその結果と元のコンテキストを H3 に戻して、より高い解像度で再生成します。単純なアップスケールではありません。モデルが元の指示や参照素材を参照し直せるため、ピクセルを拡大するだけでは取り戻せないディテールを復元できると MiniMax は述べています。

実際の進め方もここから決まります。768p で構図、動き、音を試し、うまくいったテイクが出たら、そのテイクだけを高解像度で再生成します。768p で失敗していたショットを、2K 処理が直してくれるとは期待しないでください。

モデルを支える2つのチェックポイント

MiniMax は H3-Base を2つのチェックポイントとして公開しています。H3-Base-FL2VA はテキストから動画への生成に対応し、開始フレーム、終了フレーム、またはその両方による制御を任意で使えます。H3-Base-Ref2VA は混在する参照素材を扱います。どちらもデプロイとファインチューニング向けに公開されています。

範囲には注意が必要です。ホスティング型の Context-IR オーケストレーション層、H3-Regenerate-2K、ネイティブのスパースアテンション実装は公開対象に含まれていないため、公式の 2K パイプライン全体は依然として MiniMax のサービスに依存します。Paper Gen で使えるのはホスティング型のワークフローで、生のチェックポイントではありません。

VibePaper で MiniMax H3 のクリップを作る方法

  1. 01動画モードを開いて MiniMax H3 を選ぶPaper Gen で「画像」から「動画」に切り替え、モデル選択を開き、Minimax のグループから MiniMax H3 を選びます。同じグループには Hailuo 2.3 Fast も並んでいます。
  2. 02縦横比・解像度・長さを設定するH3 の初期値は 16:9、768p、5秒です。ジョブの内容を決める設定なので、プロンプトを書く前に3つとも確認しましょう。
  3. 03ファイルごとに役割を割り当てるどの参照素材がキャラクター、動き、音、構図を制御するのかを決めます。ショットについての問いに答えないファイルは外しましょう。
  4. 04プロンプトは音つきのショットとして書く被写体、ひとつの動作、ひとつのカメラワーク、光、そして環境音とセリフを、それぞれ起きる瞬間と結びつけて書きます。
  5. 05生成して、結果またはエラーを確認する開始したジョブは「あなたの作品」に表示されます。失敗したジョブは設定行の下に理由が表示されるので、サポートに伝えるときはそのメッセージをそのままコピーできます。
Paper Gen での手順です。H3 を選ぶところから、返ってきた結果を確認するところまで。

各設定の場所

H3 のジョブを左右する設定は2か所にあります。プロンプト欄の上にある入力モードの切り替えと、その下の設定行です。

画面の見た目

まずはモデルです。モデル選択では MiniMax に専用のグループがあり、H3 が一番上、その横に Hailuo 2.3 Fast が並んでいます。縦横比、長さ、参照素材のルールはモデルによって決まるので、ほかの設定より先にモデルを選びましょう。

実際にぶつかった制限と失敗

公表されている機能一覧からわかるのは、モデルが何をするために設計されたかです。自分の仕事に合うかどうかを決めるのは制限のほうなので、私たちが実際にぶつかったことと、まだ検証できていないことを紹介します。

  • テストした日は生成に失敗しました。16:9、768p、5秒の H3 ジョブは「Could not start generation. Please try again. Nexra API returned HTTP 404」というエラーを返しました。少し待ってから再試行しても同じエラーでした。この問題は報告済みです。実際に得られなかった H3 の結果を載せることはしません。
  • 私たちが確認した時点では、H3 の「生成」ボタンに料金が表示されていなかったため、送信前にコストを確認できませんでした。ほかのモデルの料金から推測せず、ジョブのたびに「生成」ボタンの表示を確認しましょう。
  • 参照素材の長さは厳密です。動画と音声の参照素材はそれぞれ2〜15秒でなければならず、音声の参照素材だけを入力にすることもできません。アップロードする前に長さを確認しましょう。
  • 権利の問題は変わりません。アップロードする肖像、声、ロゴ、著作物は、どのモデルを使う場合でも許諾が必要です。

最初の1本のためのプロンプト・チェックリスト

ミディアムクローズアップ:日の差すアトリエで、陶芸家の濡れた手が回転するろくろの上で粘土の器を形づくる。ゆっくりとしたプッシュイン、浅い被写界深度。窓からのやわらかな光、光の筋の中を漂うほこり。音:手の動きがゆるむにつれてろくろがうなり、金属のバケツに水が滴る。セリフなし、文字なし、ロゴなし。

MiniMax H3 についてよくいただく質問

MiniMax H3 のクリップはどのくらいの長さにできますか?

MiniMax の公表値は、1回の生成で4〜15秒です。Paper Gen の初期値は5秒です。もっと長いシーケンスにしたい場合は、複数のクリップに分け、それぞれにショットリストを用意して計画しましょう。

H3 は映像だけでなく音も生成しますか?

はい。MiniMax の公表によると、ネイティブの 32 kHz ステレオ音声が映像と1回の処理で一緒に生成されます。音は、それが属する映像と同じ区切りの中に書きましょう。

参照素材なしで H3 を使えますか?

使えます。テキストから動画への生成に対応しており、開始フレームや終了フレームによる制御は任意です。特定のキャラクター、動き、声、リズムをクリップ全体で保ちたいときに、参照素材が役に立ちます。

H3 のジョブが失敗したのはなぜですか?

Paper Gen では、設定行の下に理由が表示されます。私たちのテスト日の理由は「Nexra API returned HTTP 404」で、プロンプトの問題ではなくサービス側のエラーでした。メッセージをそのままコピーして、時間をおいて再試行するか、サポートに送ってください。

参考資料と本記事の範囲

技術的な説明は、以下に挙げた公式資料と一次情報に基づいています。ワークフローの提案や作例は編集部の分析であり、結果を保証するものではありません。

  1. MiniMax-H3 model card, MiniMax on Hugging FaceH3-Base-FL2VA と H3-Base-Ref2VA のチェックポイント、動画・音声の参照素材の長さ(2〜15秒)、そして公開対象外の部分(Context-IR、H3-Regenerate-2K、スパースアテンション実装)についての出典。