H3 API

MiniMax H3は、MiniMaxが2026年7月31日に発表した33Bパラメータの拡散トランスフォーマーモデルです。H3-Baseコアモデルと前処理・オーケストレーションを担うH3-Context-IRで構成され、テキストエンコーダー、視覚VAE、音声VAE、オムニトランスフォーマーを組み合わせています。RoPEによって空間的・時間的な関係を捉えます。 テキスト・画像・動画・音声の入力を受け取り、それらの関係を理解した上で、映像と音声を単一モデルから生成します。480p・768p・2Kの出力解像度に対応し、24FPSで5〜15秒の映像を生成できます。最初のフレームと最後のフレームの制御、画像から動画への変換、動画から動画へのモーション転送、音声参照からの声質再現が可能です。音声・効果音・音楽を含むネイティブのステレオ音声も生成します。 広告、ブランディング、Eコマース、製品デザイン、UI/UX、ゲームコンテンツ制作、参考素材を用いたショート動画制作、指示ベースのトランジションなどに適しています。自然言語による複雑なマルチモーダル指示に従い、新しい台詞へのリップシンクやBGMの部分再利用といった映像編集タスクも処理します。画面上のテキストやブランド表現も正確に描画します。 オープンソースの映像生成モデルの中でもトップクラスとされ、高性能なトークナイザーによって有効シーケンス長を4倍に拡張し、ネイティブの2K解像度サポートを実現しています。一方で、物理世界の一貫性は課題として残っており、視覚的なもっともらしさが物理的な整合性を保証するわけではありません。マルチモーダル入力が常に効果的なマルチモーダル推論につながるとは限らず、証拠の根拠付けの誤り、事象の実現不足、接触力学や物体形状の違反といった失敗が報告されています。H3-Context-IRはオープンソースリリースには含まれず、API経由でのみ利用できます。

料金は利用するプロバイダーと実際の使用量により決まります。長い入力などは料金が異なる場合があります。内訳をご確認ください。 実際の生成費用に基づく課金です。最終金額は請求明細をご確認ください。

テキスト、画像、動画、音声の入力に対応し、それらの関係を理解します。

480p、768p、2Kの解像度に対応し、24FPSで5〜15秒の映像を生成できます。

はい。音声、効果音、音楽を含むネイティブのステレオ音声を生成します。音声参照から声質を再現することも可能です。

広告、ブランディング、Eコマース、製品デザイン、UI/UX、ゲームコンテンツ制作、参考素材を用いたショート動画制作、指示ベースのトランジションなどに適しています。

MiniMax H3 Maxは、480pまたは768pでの高速・大量生成に特化したバリアントです。

H3-Context-IRはオープンソースリリースには含まれず、API経由でのみ利用できます。