MiniMax、動画生成モデル「H3」の重みを公開——2K・最長15秒の映像とステレオ音声を一括生成、日本は利用可能地域

MiniMax が8月3日、動画生成モデル「MiniMax-H3」の重みを Hugging Face で公開しました。
これまで API と自社アプリからしか触れなかったモデルが、手元の環境に降りてきたことになります。
同じ日に ComfyUI 本体へ対応が入り、音声と映像をまとめて生成するためのノードと公式ワークフローが追加されました。
試すまでの段取りが、公開初日でほぼ整った形です。

モデルは330億パラメータの単一構成で、テキスト・画像・動画・音声をそのまま入力に取れます。
画像は最大9枚、動画と音声はそれぞれ最大3クリップまで。
出力は4〜15秒、フレームレートは24fps、解像度は標準768pで最大2Kまで対応し、21:9 から 9:16 までの比率を選べます。
そして映像と一緒に、32kHz のステレオ音声が出てきます。
映像を先に作って音を後から当てる、という手順が一段減るわけです。

ライセンスは MiniMax 独自の「MiniMax H3 Community License Agreement」です。
年商2,000万ドル以下であれば商用での利用・改変・再配布まで認められていて、そのかわり使った製品やサービスの画面に「MiniMax H3」を目立つ形で表示することが求められます。
これを超える規模の場合は、事前に書面で許諾を取る必要があります。
気をつけたいのは適用地域で、EU・英国・韓国・米国は除外地域として条文に名指しされています。
日本はそこに入っていないので、国内で使うぶんには通常の条件が当てはまります。

運営する側から見ると、これは短い動画素材の作り方に効いてくる話だと思う。
サイトの紹介動画、SNS 向けの十数秒、サービスの操作イメージ。
そのまま外へ出すには足りなくても、社内で構成を詰めるための叩き台としてなら間に合う場面がある。
ただ、表示義務のあるライセンスを実際の商用画面へ持ち込むかどうかは別の判断になるので、使いどころの線は先に引いておいたほうが安全です。