MiniMax、新型H3モデルをリリース：ネイティブステレオ音声付き15秒2K動画を生成する全モーダル動画モデル

MiniMaxは、テキスト、画像、動画、音声を統一コンテキストとして読み取り、ネイティブのステレオ音声付きの動画を返す、汎用マルチモーダル生成モデルMiniMax H3を発表しました。2K解像度をサポートし、動画の長さは4秒から15秒（整数のみ）です。テキストから動画、画像から動画、その他のタスクに別々のモデルを必要とした以前のスタックとは異なり、H3はこれらを単一の事前学習パラダイムに統合し、動画からのカメラ移動の参照や、オーディオへのボーカルのマッチングなど、関係性を自然言語で表現します。このモデルは2026年7月31日にリリースされ、モデルID MiniMax-H3でAPI経由、およびコンシューマー向けアプリHailuo AIで利用可能です。広告、ブランディング、電子商取引、製品デザイン、UI/UX、ゲーム、映画のプリビジュアライゼーション、リテールカタログメディア向けに位置づけられており、広告バリエーション、製品動画、アニメーションポスター、動画間モーショントランスファーなどの用途があります。APIは、テキストから動画、先頭・最終フレーム画像から動画、参照生成の3つの入力モードをサポートし、入力制限には、参照画像最大9枚、参照動画最大3本（各2〜15秒、合計15秒以下）、参照音声クリップ最大3つ（音声には画像または動画の添付が必要）が含まれます。混合入力は最大12ファイル、プロンプトは7,000文字以下、リクエストボディは64MB以下、ファイルサイズは動画50MB以下、画像30MB以下、音声15MB以下です。フォーマットは、動画がH.264/H.265、画像がJPG/PNG/WEBP/HEIC/HEIF、音声がWAV/MP3です。この性能を実現する4つの技術コンポーネントがあります。Contextual Omni Representation（関係性を記述するキャプショニングで、約100Kトークンを約4Kに蒸留）、H3-VAE（4倍の実効シーケンス長ゲインを実現し、ネイティブ2Kを可能にするトークナイザー）、H3-Omni Transformer（理解と生成のワークロードを分離し、トレーニングスループットを約30%向上）、In-Context Regeneration（ベースモデルが超解像を追加するのではなく、コンテキスト内で低解像度出力を再生成）です。価格面では、2Kでは1秒あたりの価格が主流モデルの3分の1未満、768pでは主流の720pの半分未満と主張しています。第三者トラッカーは1秒あたり0.13ドル（15秒クリップあたり約1.95ドル）と報告していますが、MiniMaxの従量課金ページにはまだHailuo 2.3のティアが記載されています。SCMPがArtificial Analysisを引用して報じたところによると、H3は動画編集でリードし、テキストから動画ではGoogleのGemini Omni Flashに遅れを取り、画像から動画ではSeedance 2.0とGemini Omni Flashの後塵を拝しています。オープンウェイトは「近日中に」提供予定とされていますが、まだ公開されていません。