MiniMax、33Bのオムニモーダル動画モデル「H3」をオープンソース化 ネイティブ音声に対応

MiniMaxは2026年8月3日、汎用のオムニモーダル生成システムと位置づける動画モデル「H3」をオープンソース化したと発表しました。H3はテキスト、画像、動画、音声を入力でき、ネイティブのステレオ音声付き動画を生成します。本記事はMiniMax自身の発表ページに基づいています。公開は部分的で、ベース生成器は公開されましたが、ほかの2つのモジュールは公開されていません。

詳細

• 出力: 4〜15秒、24FPS、32kHzステレオ音声の動画。アスペクト比は21:9、16:9、4:3、1:1、3:4、9:16などに対応します。短辺の既定は768pxで、2K出力には別ステージのH3-Regenerate-2Kが必要です。
• 対話言語: アラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語で安定した対応をうたっています。その他の言語は品質にばらつきがあります。
• 公開チェックポイント: MiniMax-H3 Base FL2VAはテキストからの音声付き動画生成と、最初/最後フレーム入力に対応します。MiniMax-H3 Base Ref2VAは参照入力(画像最大9枚、動画3本、音声3本、合計12ファイルまで)に対応します。どちらもBF16で、CFG蒸留済みです。
• アーキテクチャ: テキスト/視覚エンコーダーにはQwen3-VL-32Bの事前学習済み重みをそのまま使用。中核のH3-Omni-Transformerは33Bパラメータの密なシングルストリームTransformerで、うち約13BはAdaLN分岐にあり、推論時にキャッシュできます。映像と音声はそれぞれ別のVAEで扱います。学習ではスパースアテンションを使いましたが、公開版はフルアテンション推論のみで、スパースアテンションは今後の更新で公開予定とされています。
• 未公開のもの: マルチモーダル指示を解析するホスト型モジュールH3-Context-IRは非公開で、API経由で利用します。768p出力を再実行して2KにするH3-Regenerate-2Kはまだ未公開で、準備でき次第公開するとしています。検証用のAPIはあります。
• 入手先と利用方法: 重みはHugging FaceとModelScopeのMiniMaxAI/MiniMax-H3にあります。対応フレームワークはSGLang、vLLM、Diffusers、ComfyUIです。768pの再現スクリプトと、ローカルのSGLangと公式APIを組み合わせるFull 2K Workflowも含まれます。
• ライセンス: MiniMax H3 Community License Agreement。発表ページにはライセンスとQ&Aへのリンクがありますが、条件の詳細は書かれていないため、商用利用の前に確認してください。
• 安全性: 入力と拡張プロンプトは自動モデレーションを通ります。MiniMaxは誤検知や見逃しが起こりうるとしています。
• ベンチマーク: 発表ページにベンチマークの数値はありません。第三者によるリーダーボード結果の報道はありますが、一次情報での確認はできていません。

その後

今回の公開は、パイプライン全体ではなく中核モデルの重みの公開と捉えるのが適切です。公開部分だけを使うと出力は768pです。2Kや完全な指示解析にはMiniMaxのAPIが必要で、重みがHugging Face、ModelScope、ComfyUIを通じて広がる一方で、商用の収益経路も残されています。

32Bの視覚言語エンコーダーを土台にした33Bの密な動画モデルは大きく、ローカル利用にはマルチGPU環境が必要になります。SGLangの例は4GPUです。10月にはMiniMaxが、ライセンス管理された日本のコンテンツ向けの「H3 IP Edition」に関するニュースも公開しました。予告されているH3-Regenerate-2Kとスパースアテンションの公開が、スタックの開放度を測る目安になりそうです。