MiniMaxは2026年7月31日、汎用のマルチモーダル生成モデル「MiniMax H3」を公開しました。
同社はH3を、テキスト、画像、動画、音声を1つの統一コンテキストとして読み込み、ネイティブのステレオ音声付き動画を返すモデルだと説明しています。
出力仕様は2K解像度で、長さは4〜15秒の整数秒に限定されます。
従来の動画生成はテキストから動画、画像から動画、参照フレーム、主題参照、モーション参照、編集などを別モデルで組み合わせることが多かったとし、H3はそれらを自然言語で関係付ける事前学習パラダイムに統合したとしています。
提供形態は、API経由では利用可能で、ユーザーの手元の環境での自前実行は現時点では不可とされています。
モデルIDは「MiniMax-H3」で、APIと消費者向けアプリ「Hailuo AI」で利用できます。
APIではテキストからの生成、最初・最後のフレームを用いた画像からの生成、参照生成の3つの入口が用意され、非同期の3段階フローでタスク作成後に結果URLを取得します。
参照入力は画像最大9枚、動画最大3本（各2〜15秒、合計15秒以下）、音声最大3本で、音声単独は受け付けません。
ファイルは動画50MB以下、画像30MB以下、音声15MB以下で、動画形式はH.264/H.265、画像はJPG/PNG/WEBP/HEIC/HEIF、音声はWAV/MP3に対応しています。
同社はH3の技術として、関係性を記述するコンテキスト表現、H3-VAEによる有効シーケンス長の4倍向上、生成と理解を分けたOmni Transformer、低解像度出力を文脈内で再生成する仕組みを挙げています。
広告、ブランディング、EC、プロダクトデザイン、UI/UX、ゲーム、映画の事前可視化、リテール向けカタログ制作などへの活用を想定しています。
参照元：2026/08/01 「MiniMax Releases MiniMax H3: An Omni-Modal Video Model That Generates 15-Second 2K Clips With Native Stereo Audio」 https://www.marktechpost.com/2026/08/01/minimax-releases-minimax-h3-an-omni-modal-video-model-that-generates-15-second-2k-clips-with-native-stereo-audio/
この記事へのリアクション
このニュースをどう受け止めましたか？
コメント