要点
MiniMaxが公開している内容
MiniMaxの発表記事は、H3を、テキスト・画像・動画・音声にまたがる統合されたコンテキストを理解するオープンなモデルで、ネイティブのステレオ音声付きで動画を生成し、2K解像度で最長15秒を出力する、と説明しています。低価格の段階として768pがあります。同社は、2Kの1秒あたり価格が主流モデルの3分の1未満、768pが主流の720pの半額未満だとしています。参照のプロンプトは会話調です：“reference the camera movement from Video 1, have the character in Image 2 sing with vocals matching Audio 3”（動画1のカメラの動きを参照し、画像2のキャラクターに音声3に合わせた歌声で歌わせる）。この参照の文法がこのモデルの特徴です。
Studioで設定できる項目
解像度は768Pまたは2K、尺は4〜15秒、比率はテキストから動画で7種類（アダプティブ、16:9、4:3、1:1、3:4、9:16、21:9）、画像から動画ではアダプティブです。画像から動画は開始フレーム1枚を受け付けます。参照から動画は、参照画像9枚、動画クリップ3本、音声クリップ3本、合計12点まで受け付けます。審査時点のデフォルトの見積もりは1,110クレジットでした。MiniMaxは入力と出力の動画秒数を選択した解像度の料金で請求し、最初の5枚の参照画像は含まれるため、長い参照クリップは見積もりを押し上げます。
成人向けコンテンツの初期データ（そのまま記載）
2026年9月9日までの60日間：3人のクリエイターによるMiniMax H3参照から動画7件のジョブのうち、完了2件、コンテンツ安全性の応答で停止4件、その他の失敗1件。7件のジョブは比率を公表するにはあまりに少ないため公表しませんが、上流のルートが成人向けコンテンツを審査しており、その一部を拒否したと言うには十分です。比較として、Wan 3.0の参照から動画は6,901件のジョブの94%を完了し、Wan 2.2 Spicyは16,059件で停止0件でした。H3の実行数が数百件に達したら、このセクションを更新します。
バージョンと選択肢
MiniMax H3のテキストから動画、画像から動画、参照から動画は、現在Makeartly Studioで利用可能です。ライブカタログでモデルIDが確認できた場合、ボタンはH3をあらかじめ選択します。
根拠とガイド
今、H3を選ぶ価値がある場面
セリフ主導のクリップ：H3のステレオ音声は同じパスで生成され、参照の文法により「音声1の声に合わせる」が1行の指示になります。音楽やリズムに同期した動き。テクスチャが重要な2Kでの、示唆的で着衣のキャラクター作品と、21:9のシネマティックな構図。成人向けの内容がH3の審査には露骨すぎる場合、同じ案件をより高い段階のWan 3.0でレンダリングする前に、768Pの段階は音声付きでアイデアを安く試行錯誤する方法になります。
導入先でのフィルタリングと成人向けコンテンツの境界
Makeartlyは、年齢確認済みの成人クリエイター向けに、一般的な成人向けコンテンツの拒否レイヤーを独自に追加していません。ただし、この導入レベルの記載は、上流の公式モデルが無検閲であることを意味するものではなく、プロンプトが受け付けられることを保証するものでもありません。成人向けワークフローは成人専用です。CSAMおよび18歳未満が関わるあらゆる性的コンテンツは禁止されています。同意と肖像の使用許諾が必須であり、非同意の親密なコンテンツ、無許可の実在人物ディープフェイク、性的ななりすましは禁止されています。
相性の良い組み合わせ
プロジェクトの中で、音声と2Kのテクスチャに頼り、暗示的または着衣のままの部分にはH3を使います。露骨な複数参照のシーンにはWan 3.0、露骨な静止画1枚のクリップにはWan 2.2または2.7 Spicyです。H3とWan 3.0はどちらも、デフォルトのクリップで1,100クレジット前後です。つまり選択は、案件がどちらの審査を通るか、そして30秒が必要か（Wan）、2Kのステレオ音声が必要か（H3）によって決まります。
利用場面と判断
彼女がカメラに向かって2つのセリフをステレオで話す12秒のクリップ
これにはMiniMax H3がプラットフォームで最も強力なツールです。参照は着衣のままにして、セリフを引用してください。
露骨な複数参照のシーン
Wan 3.0の参照から動画を使います。H3の上流の審査は、最初の数週間ですでに成人向けの試行を拒否しています。
- StudioでMiniMax H3を開き、テキスト、画像、参照のモードを選びます。
- セリフの場合は、台詞を引用して話し手を指定します。声を合わせるなら、使用する権利のある音声クリップを用意します。
- まず768Pで5秒をレンダリングします。見積もりは出力と参照の秒数に応じて増えます。
- 成人向けの通過率がまだ計測途中であるため、アップロードする参照は着衣または暗示的なものにとどめます。
- H3がクリップを停止した場合は、言い換えずに、その案件をWan 3.0に移します。
制限とリスク
H3を着衣の参照と768Pで受け入れテストする
5秒・768Pのクリップを1本、受け入れテストとして実行し、声と2K段階のテクスチャを、同じ案件のWan 3.0のレンダリングと比較します。最初の審査による拒否が出た時点で停止し、プロジェクトの露骨な残りの部分にはWan 3.0を選びます。
このページのH3の成人向けデータは7件のジョブに基づきます。当社のものも含め、H3の寛容さについてのあらゆる主張は暫定的なものとして扱ってください。参照の秒数も請求されます：MiniMaxは出力だけでなく入力動画の秒数も請求するため、15秒の参照クリップは、15秒のレンダリングの見積もりをおよそ2倍にします。
