MiniMaxのH3は音声つき2K動画を一発生成 参照9枚でキャラも固定できます
- 中国MiniMaxが動画生成モデルの第3世代H3（Hailuo 3.0）を2026年7月31日に公開しました。
- 2K・最長15秒の映像を、セリフや環境音まで含めて1回の生成で作れるのが最大の変化です。
- 参照画像9枚・参照動画3本で登場人物や画風を固定できるため、シリーズものの素材づくりに向きます。
映像と音を、1回の生成で
中国MiniMaxが2026年7月31日、動画生成モデルの第3世代 H3（Hailuo 3.0）を公開しました（Hugging Face Blog）。
いちばんの変化は、音まで一緒に生成することです。
従来の動画生成は「無音の映像を作ってから、音声を別工程で足す」のが普通でした。
H3はセリフ・効果音・環境音をステレオで同時に生成します。
仕様は次のとおりです。
- 解像度: 2K（短辺1440px）・24fps
- 長さ: 4〜15秒
- 画角: 21:9から9:16まで7種類（縦動画にも対応）
- 音声: ステレオをネイティブ生成（後付けの工程なし)
前世代のHailuo 2.3は1080p・約10秒・音なしだったので、解像度・尺・音の3つがまとめて更新された形です。
参照素材でキャラと画風を固定できます
もう1つの実務的なポイントが、参照入力の多さです。
1回の生成に、画像を最大9枚、動画を最大3本（合計15秒まで）、音声を最大3本まで渡せます。
テキストからの生成、画像を動かす生成、指示文での動画編集、声の転写、効果音づけ。
これまで別々のモデルに分かれていた作業を、1つのモデルで自然文の指示として扱う設計です。
第三者評価のArtificial Analysisでは、動画編集で1位、テキストからの生成で2位に入ったとされています。
費用の水準と使い方
料金は従量制で、2K出力が1秒あたり0.13ドル（1分あたり約7.8ドル）とされています。
同じ第三者評価の比較では、Kling 3.0が1080pで1分あたり約20ドル、Seedance 2.0が約22ドルとされており、2Kでこの水準は安い部類です。
ただし料金は変わりやすいので、実際に使う前に各公式サイトで最新の条件を確認してください。
使い方は、Hailuoのアプリ、無料試行つきのMiniMax Hub、従量課金のAPI、OpenRouterなどの第三者ホスティングの4系統があります。
加えて、モデルの重み（ウェイト）自体をCommunity Licenseで公開する計画が示されており、年商2,000万ドル未満の組織はクレジット表記つきで商用利用できる条件とされています。
自分のチャンネルにどう影響するか
15秒・音つき・キャラ固定。
この3点がそろうと、YouTube制作での使い道がかなり具体的になります。
顔出しなしチャンネルの「合間の映像」に一番はまります。
ナレーションの隙間に挟む数秒のイメージ映像を、環境音ごと作れるからです。
素材サイトで探すより、場面をそのまま指示するほうが早いケースが増えます。シリーズものを作っているなら、参照画像9枚でのキャラ固定を試してください。
1本目で当たったキャラの静止画を参照に入れ続ければ、話数をまたいで同じ登場人物を維持できます。
これまで動画生成が使いにくかった最大の理由（毎回顔が変わる）への回答です。音声つき生成といっても、日本語のセリフ品質は未知数です。
まず環境音・効果音だけを使い、セリフは手持ちのナレーション（VOICEVOXやElevenLabs等）を重ねる構成が安全です。
生成映像には、YouTubeの写実的AI開示の要否も確認しておきましょう。
コメント
まだコメントはありません。最初の1件をどうぞ。