結論｜日本からは商用で使える。手元に置けるのは 768p の H3-Base まで
MiniMax H3 は、テキスト・画像・動画・音声を入力にして、ステレオ音声つきの動画を生成するモデルです。2026 年 8 月に重みが公開されましたが、公式資料を読むと「オープン」の範囲は限られています。
- 日本はライセンスの適用地域です。重みの対象外は EU・英国・韓国・米国で、API は全世界で提供されています
- 重みで手に入るのは 768p の H3-Base だけです。入力を整える H3-Context-IR と、2K に仕上げる H3-Regenerate-2K は API でしか使えません
- TaoMate-H3 は 4 か 8 GPU の単一ノード (検証済みは 8×H20) で動かす実行環境で、公開済みの LoRA はテキストから生成する T2AV 版だけです
動画制作を発注するなら、「重みか API か」「出力をどの国で配信するか」を制作側に確認してください。ライセンス上の扱いがこの 2 点で変わります。
数値は公式資料と出典を明記した第三者の測定値で、FIXIT の計測ではありません。LLM で同じ判断をした記事は オープンウェイト 3 モデル比較 です。
MiniMax H3 とは何か
MiniMax は 2026 年 7 月 31 日に公式ブログで H3 を発表し、ライセンス文書の日付は 8 月 2 日です。Hugging Face のモデルカードによると、H3 は 3 つのモジュールでできています。
- H3-Context-IR は、複数の入力の関係を読み取って H3-Base が扱いやすい表現に変換する前処理です。複数のホスト型サービスを組み合わせているため公開対象外で、API と自前で組むための手引きが提供されています
- H3-Base は、768p の動画と音声を生成します。重みが公開されたのはこの部分です
- H3-Regenerate-2K は、768p の結果と元の入力から 2K で再生成します。「準備ができたら公開する」とされ、API だけで提供されています
モデルカードは、最終品質に大きく関わるとして H3-Context-IR の利用を強く推奨しています。重みだけで手元に完結させると、公式の品質を再現する前提から外れます。 生成の中核は 33B パラメータの dense な Transformer で、公開チェックポイントは CFG 蒸留済みです。
| 項目 | 仕様 |
|---|---|
| 出力の長さ | 4〜15 秒 |
| 出力の解像度 | 短辺 768px が既定。2K は H3-Regenerate-2K で生成 |
| フレームレート・音声 | 24FPS・32kHz ステレオ |
| 会話の言語 | 日本語を含む 11 言語を安定してサポート |
| アスペクト比 | 21:9・16:9・4:3・1:1・3:4・9:16 など |
チェックポイントは、テキストや先頭・末尾フレームから生成する FL2VA と、複数素材を参照する Ref2VA (画像 9 枚・動画 3 本・音声 3 本、合計 12 ファイルまで) の 2 つです。
発表ブログとモデルカードにはベンチマークの数値がなく、発表ブログは GPU 要件にも触れていません。価格は「2K の秒単価は主流モデルの 3 分の 1 未満」と主張していますが、比較対象のモデル名は示していません。第三者の集計では、上位の解説記事でも引用されている Artificial Analysis が General Quality の Elo を 1302.19 と表示していました (2026 年 9 月 17 日の取得時点の値で、変動します)。
ライセンス — 必須と推奨を条文で分ける
重みの利用条件は「MiniMax H3 Community License Agreement」(許諾者は Nanonoble Pte. Ltd.) で定められています。
注意
以下はライセンス文書を読んだ整理で、法的助言ではありません。案件ごとに法務の確認を取ってください。
日本は適用地域。API は全世界で提供
ライセンスの適用地域は全世界から EU・英国・韓国・米国を除いた範囲で、日本は含まれます (I.3・I.5)。ライセンスの Q&A によると、地域を絞ったのは重みの配布だけで、API は MiniMax が安全対策をかけられるため全世界で提供しています。
必ず守ること
| 条項 | 内容 |
|---|---|
| IV.1 | 商用製品・サービスの年間売上が 2,000 万米ドルを超えるなら、事前の書面許諾を得る |
| IV.2 | 商用製品・サービスの UI に「MiniMax H3」を目立つ形で表示する |
| V.3 | H3 やその出力を、H3 とその派生モデル以外の AI モデルの改善に使わない |
| AUP 12 | 公開環境に出すコンテンツは、機械生成であることを明確かつ目立つ形で開示する |
| AUP | 軍事利用、同意のないなりすまし、重要分野での高リスクな自動意思決定などの禁止 |
出力で学習して H3 に似た振る舞いになったモデルは、定義 (I.11) 上 H3 の派生モデルとして扱われ、このライセンスの条件がかかります。扱いは法務に確認してください。
重みを第三者に配布する場合は、重みを受け取る第三者と、関連する製品・サービスの利用者にライセンスの写しを渡すこと (III.1)、改変したファイルへの明示 (III.2)、NOTICE ファイルの添付 (III.4。ホスト型サービスは対象外) も条件です。
推奨にとどまること
III.3 は「encouraged」、つまり推奨です。「Powered by MiniMax H3」の表示、ファイルへの AI 生成識別子の付与、技術ブログなどでの発信の 3 つで、国内にはこれらを義務と紹介する解説記事もあります。
FIXIT「Powered by」を付けておけば、表示の義務は済むってこと？
DodaiPowered by は推奨の III.3 です。UI の表示義務は IV.2 で、根拠が違います。
FIXITじゃあ、AI で作ったって表示もそれで済むの？
Dodai足りません。公開する動画には、AUP 12 の機械生成の開示が別に要ります。
生成機能を社外に提供する場合と、海外で使う出力
自社サービスに H3 の生成機能を組み込み、利用者に使わせる場合は、IV 章の義務に加えて、V.2 と V.5 の義務がかかります。
- V.2: 使わせる前に、V 章と利用規定と同等以上の制限を課す規約で利用者を拘束し、制限を通知する
- V.5: 違反や権利侵害を防ぐ対策を提供前から実装・維持・見直しし、通報窓口を設け、通報があれば調査して止める
V.4 は、適用地域の外で MiniMax H3 Works やその出力を使用・複製・改変・配布・表示してはならないと定め、そうした利用はライセンスで許諾されないと明記しています。日本で生成した広告動画を米国や EU の配信面に出すことが「適用地域外での表示」に当たるかは、条文だけでは判断できず、公式の Q&A も触れていません。完成動画だけを納品する使い方に IV.2 の UI 表示義務が及ぶかも、条文からは読み取れません。
法務に確認するときは、次の点を並べて渡すと話が早く進みます。
- 重みを自社で動かすのか、API を使うのか
- 出力を配信・表示する国と地域
- 生成機能を社外の利用者に提供するか
- 生成物を他の AI モデルの学習に使う予定があるか
- 準拠法は香港特別行政区法で、紛争は香港の裁判所の専属管轄 (IX)
MiniMax は、生成された出力に権利を主張しないとしています (VI.4)。なお、出力とその利用の責任は利用者が負います。
手元で動かすのに必要な GPU とディスク
FL2VA のチェックポイントは合計約 144.1GB (134.2GiB) で、テキストエンコーダ (Qwen3-VL-32B、Apache 2.0) と transformer がそれぞれ約 66GB です。Ref2VA を使うなら別途ダウンロードします。
モデルカードの起動例は SGLang で 4 GPU を使う構成で、型番の指定はありません。SGLang の手順書は、B200・B300・H200・H100 などの GPU ごとに検証済みの起動設定を載せています。モデルカードは推論フレームワークとして SGLang・vLLM・diffusers・ComfyUI を案内しています。
コンシューマ GPU はオフロードで動く
SGLang の手順書によると、61.7GB の DiT はコンシューマ GPU 1 枚に常駐できず、レイヤー単位でホストのメモリやストレージとやり取りするオフロード実行になります。
実測では、RTX 5090 (32GB)・ホスト RAM 60GB の実機で、864x480・124 フレーム (約 5 秒)・20 ステップが 1 リクエスト約 112 秒でした (同条件の ComfyUI は 140.9〜145.9 秒)。VRAM を 16GiB に制限すると約 250 秒、12GiB に制限すると約 235 秒で、1 ステップの時間は RTX 40 シリーズでの測定です。
これらはすべて 480P 基準で、768P では常駐レイヤーをさらに減らす必要があるとされ、768P・15 秒の生成時間は公式資料からは読み取れません。
第三者の報告では、ASCII.jp の新清士氏の記事 (2026 年 8 月 17 日) が、筆者の RTX 4090 で 1248×832・15 秒の動画に約 20 分かかり、SageAttention と Turbo LoRA でステップ数を 8 に減らすと 9 分 45 秒ほどに縮んだと書いています。
API で使う場合の料金
MiniMax Open Platform の従量課金 (Pay as You Go) の定価です。いずれも米ドル建てで、2026 年 9 月 17 日に確認しました。
| 区分 | 定価 |
|---|---|
| H3 の 768P / 2K 出力 | 1 秒 $0.08 / $0.13 |
| H3-Max の 480P / 768P 出力 | 1 秒 $0.05 / $0.08 |
| Regeneration (768P → 2K) | 1 秒 $0.05 (元の入力素材も再課金) |
| Context-IR | 100 万トークンあたり入力 $0.90・出力 $3.60 |
H3 の入力素材は、音声が無料、画像は 6 枚目から 1 枚 $0.04、参照動画は秒数 × 出力の単価です。H3-Max は fal.ai が H3 を追加学習したモデルで、MiniMax の API ドキュメントは、H3 より速く生成すると説明しています。
| ケース | 計算 | 金額 |
|---|---|---|
| 15 秒・768P | 15 秒 × $0.08 | $1.20 |
| 15 秒・2K | 15 秒 × $0.13 | $1.95 |
| 15 秒・768P → 2K 化 | $1.20 + 15 秒 × $0.05 | $1.95 |
入力素材が無料枠内なら、2K 化の経路も直接 2K で作るのと同額です。H3-Context-IR は、モデルカードの 10 秒の作例で約 $0.016 と小さい額です。料金は改定されうるため、見積もりの前に公式の料金ページを確認してください。
API かセルフホストか
オープンウェイトでも、自社の GPU に置くほうが得とは限りません。
| 判断軸 | API が向く | セルフホストを検討する |
|---|---|---|
| 2K が要るか | 2K で納品する | 768p で足りる |
| 出力をどこで使うか | 除外地域の組織が使う | 適用地域内で完結し、法務と確認済み |
| 素材を外部に出せるか | 外部送信に制約がない | 未発表の製品写真など、出せない素材を使う |
| 生成量 | 月ごとに大きく変わる、試作段階 | 大量の生成が継続して見込める |
セルフホストでも公式品質に近づけるには、H3-Context-IR の API を使うか前処理を自前で組む必要があり、API を使えば入力は MiniMax に送られます。
どちらを選ぶ場合も、次の使い方には向きません。
- 15 秒を超える動画を 1 回で生成する
- 2K をセルフホストだけで作る
- 生成物を他の AI モデルの学習データに使う
海外の配信面に出す広告は、この一覧に入れていません。海外の配信面への掲載が適用地域外での表示に当たるかを、公式が示していないためです。試作の前に、どちらで動かすか、出力を誰がどこで使うか、生成機能を社外に開くかを決めておくと、後からの手戻りを減らせます。
TaoMate-H3 — MiniMax H3 上のストリーミング実行環境
TaoMate-H3 は、Alibaba の TaoLive AIGC チームが公開した、MiniMax H3 と 3 ステップの LoRA による低遅延のストリーミング音声・映像生成の実行環境です。公開済みは T2AV の LoRA とコードで、FL2AV 版は 2026 年 10 月 15 日より前に公開予定、Ref2AV 版は未定です。
H3 の FL2VA チェックポイントを使い、ライセンスも H3 本体と同じです。実行環境は 4 か 8 GPU の単一ノード (検証済みは 8×H20 96GB) 向けです。
速さの数字はどの条件か
README の性能表は、開発チームが 8×H20 の 1 ノード (TP2 × Ulysses4)、480x864・10 秒の出力で素の MiniMax H3 と比べた値です。
| 指標 | TaoMate-H3 | MiniMax H3 |
|---|---|---|
| 最初に再生できる動画まで | 17.3 秒 | 183.3 秒 |
| DiT の処理時間 | 14.8 秒 | 169.6 秒 |
「最初に再生できる動画まで」は VAE のデコードと H.264 の書き出しを含み、DiT の処理時間は読み込みやデコードを含みません。いずれも Stage3 の生成経路の値で、コマンド内部の音声準備は含みません。4 GPU 構成の値は載っていません。
注意
「35 FPS」「30 分超」を TaoMate-H3 の特徴として紹介する記事がありますが、TaoMate-H3 の README と Hugging Face のモデルカードには書かれていません。出どころは TaoMate 本体のプロジェクトページ で、TaoMate 本体は LTX-2.3 の重みを使う 22.1B パラメータの別の構成です。
家庭の GPU で使う場合
README の実行環境は、--gpus に 4 か 8 しか指定できません。テクノエッジの松尾公也氏の記事 (2026 年 9 月 14 日) は、LoRA だけを ComfyUI で読める形式に変換し、RTX 5090 1 枚で使った第三者の 1 例です。832×480・5 秒の生成は、4 ステップの FastH3 が 22〜25 秒、TaoMate-H3 の LoRA が 15〜19 秒でした。アバター対話は応答まで約 14 秒で、リアルタイムには届かなかったと報告しています。
FIXITライブ配信のアバターに、すぐ使えるってこと？
Dodaiまだです。公開済みはテキストからの生成だけで、実行環境は複数 GPU が前提です。
FIXITじゃあ今は何を見ておけばいいの？
DodaiFL2AV 版の公開と、4 GPU での性能値です。出てから判断しても遅くありません。
まとめ
試す順番は、API で自社の用途の品質を確かめるのが先で、セルフホストは素材を外に出せない、生成量が多いといった理由がはっきりしてからで十分です。768P で候補を作り、選んだものだけを 2K にすれば、2K 化の費用を選んだ本数分に限れます。
FIXIT への相談
業務に組み込む AI エージェントの設計と実装は AI エージェント開発 で、生成 AI の利用ガイドライン整備は 情報セキュリティコンサル で支援しています。MiniMax H3 のような生成モデルの組み込み方を整理したい場合は、お問い合わせ からご相談ください。
参考リンク
いずれも 2026 年 9 月 17 日に確認しました。
- MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities (MiniMax 公式ブログ)
- MiniMaxAI/MiniMax-H3 (Hugging Face モデルカード)
- MiniMax H3 Community License Agreement
- Q&A About License
- MiniMax Pay as You Go Pricing
- MiniMax Video Generation
- SGLang Cookbook MiniMax-H3
- TaoLiveAIGC/TaoMate-H3 (GitHub)