MiniMax H3の使い方：プロンプト、参照、オーディオ、ComfyUI完全ガイド

MiniMax H3を最大限に活用するには、まず適切な生成モードを選択し、次にテキスト、フレーム、リファレンス、動き、オーディオで何を制御するかを決定します。テキストから生成したり、最初または最後のフレームを固定したり、画像、ビデオ、オーディオを使って、アイデンティティ、動き、カメラの動作、音声を指示できます。

H3はマルチモーダルなリファレンスとネイティブなオーディオビジュアル生成を組み合わせているため、長いプロンプトよりも明確な制御が、より良い結果につながります。このガイドでは、最適なワークフローの選択方法、効果的なプロンプトの作成方法、リファレンスの活用方法、ダイアログとサウンドの管理方法、効率的なテスト方法、そしてComfyUIまたはAPIでの作業方法を解説します。

クリエイティブなプロンプトではなく、PDFやプレゼンテーション、SOP、トレーニング資料が起点となる場合、Leaddeは、構造化されたソースコンテンツをビデオワークフローに変換するのに適しています。H3で各シーンを手動で指示する前、またはその代わりとして活用できます。

MiniMax H3の活用法：最適なワークフローの選び方

MiniMax H3を最も速く活用するには、プロンプトを作成する前に生成モードを選択することです。H3はテキスト、最初/最後のフレーム入力、マルチモーダルなリファレンスをサポートしていますが、それぞれの入力は異なる役割を担います。MiniMaxの公式モデルカードでは、オープンウェイトのチェックポイントを、テキストおよびフレームベースの生成にはFL2VA、画像、ビデオ、オーディオによるリファレンス駆動型生成にはRef2VAに分類しています。

あなたの画像はフレームか、それともリファレンスか？

この区別が、多くの制御課題を解決する鍵となります。

フレームは時間的なアンカーです。アップロードした製品画像が視聴者にとって文字通り最初の画像である必要がある場合、それを最初のフレームとして使用します。

リファレンスは再利用可能な情報です。新しい構図を作成する際に、製品デザイン、キャラクターの顔、服装、またはビジュアルスタイルの一貫性を保つ必要があるだけであれば、それをリファレンスとして活用します。

MiniMaxの公式プロンプトガイドでは、この区別を明確に示しています。I2VAは提供された画像を0.00秒から開始し、フルリファレンスモードでは、各アセットが果たす役割に応じて、被写体、画像、ビデオ、オーディオを個別に追跡します。

H3コントロールスタック

プロンプトを作成する前に、ビデオの6つの要素（アイデンティティ、タイムライン、動き、カメラ、オーディオ、結末）を何で制御するかを明確にしましょう。

例えば、コマーシャルビデオでは、製品のアイデンティティにリファレンス画像、製品のアクションにテキスト、カメラの動きにリファレンスビデオ、サウンドデザインにネイティブオーディオ指示、そして最後のヒーローショットに最終フレームを使用できます。

これは、一つの長いテキストプロンプトですべてを制御しようとするという、よくある間違いを防ぎます。

MiniMax H3プロンプトでより高度な制御を実現するには？

効果的なH3プロンプトは、ビデオの再生順序で記述されます。効果的なビデオスクリプトの書き方のベストプラクティスと同様に、形容詞を並べるコピーライターではなく、実際に何が見え、聞こえるかを描写するディレクターのように考えましょう。

実用的な構造は次のとおりです：

シーン → 被写体 → アクション → カメラ → ダイアログ/サウンド → 結末

MiniMaxの公式ベースプロンプト形式も、同じ根底にあるロジックに基づいています。integrated_multimodal_descriptionはショットをシーケンスで記述し、overall_soundscapeとnon_diegetic_musicはそれぞれ物理的なサウンドとサウンドトラックを個別に制御します。

シーンを再生順序で構築する

次のような記述ではなく：

劇的な動きのある、プレミアムなシネマティック・スキンケアコマーシャル。

観察可能なシーケンスを使用します：

暗い石の台座の上にガラスの美容液ボトルが立っている。細い光がラベルを横切る。カメラが近づくにつれて、ボトルはゆっくりと時計回りに回転する。結露が光を捉える。ボトルはロゴがカメラに向く位置で止まる。

後者のバージョンは、H3に実行すべき具体的な状態変化を指示します。

また、複雑さの予算も考慮しましょう。3人のキャラクター、4つのカット、変形、2行のセリフ、移動するカメラ、複数のリファレンスを含む10秒のクリップは、技術的には記述可能かもしれませんが、それらすべてのイベントが10秒間に自然に収まるわけではありません。

カメラの動きとカットを意図的に指示する

カメラの動作は、ショットに貢献する場合にのみ指定します。例えば、プッシュイン、プルバック、パン、トラック、ティルト、アーク、または静止などです。

すべてのフレーミング調整を別のカットに変えるのは避けましょう。ミディアムショットからクローズアップへのゆっくりとした変化は、新しいシーンとしてではなく、カメラの動きとして記述できます。

アクションだけでなく、結末も定義する

アクションの終了地点を説明することで、プロンプトはより制御しやすくなります。

「キャラクターが窓に向かって歩く」で終わらせるのではなく、最終状態を定義します。例えば、キャラクターが窓のそばで立ち止まり、カメラの方を向き、スカイラインを背景にフレーム内に留まる、といった具合です。

これは、製品デモビデオ、ロゴショット、トランジション、そして最初/最後のフレームワークフローにとって特に重要です。

MiniMax H3で画像、ビデオ、絵コンテ、音声リファレンスをどのように活用するか？

リファレンス・トゥ・ビデオは、H3が従来の画像からビデオへのツールを超え、その真価を発揮する領域です。公式のRef2VAモデルはマルチモーダルなリファレンスを受け入れ、それらを使用してアイデンティティ、動き、カメラの動作、スタイル、オーディオに影響を与えることができます。MiniMaxは現在、最大9枚の画像、3つのリファレンスビデオ、3つのオーディオクリップ、合計12個の混合ファイルをサポートしています。

すべてのリファレンスに明確な役割を与える

効果的なリファレンス設定では、次のように割り当てます：

画像1 → キャラクターのアイデンティティ；画像2 → 服装；ビデオ1 → 身体の動き；ビデオ2 → カメラの動き；オーディオ1 → 音声。

ComfyUIの公式H3ドキュメントも同じ原則を推奨しています。各入力を接続順に参照し、どの資産がアイデンティティ、スタイル、動き、カメラ、または音声を制御するかを明示的に指定します。

リファレンスを増やしても、自動的に制御が向上するわけではありません。むしろ、H3が解決すべき関係性が増えるだけです。2つの画像が異なる服装を示唆し、さらにリファレンスビデオに別のキャラクターの外見が含まれている場合、プロンプトがそれらの役割を明確にしない限り、モデルはどのシグナルが最も重要かを判断しなければなりません。

<Subject> と <Picture>

MiniMaxのフルリファレンス形式では、<Subject N>は、人物、オブジェクト、環境、またはリファレンスアセットから抽象化された要素など、再利用可能な視覚コンテンツを表します。<Picture N>は、フレームまたは構図のアンカーとして使用される具体的な画像を表します。<Video N>と<Audio N>は、時間的またはオーディオのリファレンスを追跡します。

これは、1つの被写体が必ずしも1つのファイルとイコールではありません。キャラクターは、ある画像からの顔のアイデンティティと、別のソースからの服装や動きの情報を組み合わせることができます。

絵コンテはいつ使用すべきか？

空間的な関係性を言葉で説明するよりも視覚的に示す方が難しい場合、絵コンテは視覚的な計画レイヤーとして機能します。これは、マルチショットシーケンス、製品発表、キャラクターの配置、または繰り返し登場する構図に特に役立ちます。

AIビデオワークフローの観点から見ると、絵コンテの利点は、すべてのフレームを保証することではありません。それは、空間情報やショット計画情報を文章だけで伝える必要性を減らすことです。

MiniMax H3でダイアログ、効果音、音楽を制御する方法

H3は、オーディオをポストプロダクションの別レイヤーとして扱うのではなく、ビデオと同時にネイティブなステレオオーディオを生成します。MiniMaxは32 kHzのステレオ出力を指定しており、そのプロンプトシステムは、ダイアログ、物理的なサウンド、非ダイジェティック音楽を別々の概念としてサポートしています。

ダイアログをショットの一部として記述する

ダイアログは、誰が、何を、いつ、どれくらいの尺で話すのか、という4つの問いに答えるべきです。

MiniMaxの構造化された形式では、(S1)のような永続的な話者IDや、<d>[English]...</d>のようなダイアログタグを使用できます。しかし、初心者は構文から始める必要はありません。より重要な原則はタイミングです。

ダイアログの予算を立てる

ダイアログは実際の時間を消費します。

話者が4秒間登場する場合、現実的に8秒かかるようなセリフを書くのは避けましょう。さもなければ、モデルは音声を圧縮、早送り、切り詰め、または歪ませる必要があります。

これは実用上重要です。なぜなら、H3のローカルユーザーは、音声を独立したレイヤーとして扱うのではなく、視覚的なプロンプトと並行してショットのタイミングやダイアログを反復的に調整しているからです。ある報告されたRTX 5080のテストでは、構造化されたマルチショットプロンプトが使用され、生成自体が計算コストが高いにもかかわらず、プロンプトの繰り返し調整が必要でした。

サウンドスケープとBGMを区別する

シーンに物理的に存在するサウンドには、サウンドスケープを使用します。例えば、足音、エンジン音、風、ドア、群衆、布の動き、機械音などです。

登場人物には聞こえず、視聴者にのみ聞こえる音楽には、非ダイジェティック音楽を使用します。

この2つを区別することで、「映画のようなオーディオを追加」といった曖昧な指示よりも、H3にとってより有用な指示を与えることができます。MiniMaxの公式プロンプト形式は、これら2つのオーディオレイヤーを意図的に分離しています。

MiniMax H3でより良い結果を得るための設定とテストワークフロー

MiniMaxは、H3の出力が4～15秒、24 FPS、複数のアスペクト比に対応し、オープンなH3-Baseワークフローではデフォルトで短辺が768ピクセルであると記載しています。その完全なシステムは、H3-Regenerate-2Kを通じて2K出力を生成できます。

ショットに基づいて期間、アスペクト比、解像度を選択する

自動的に最長の時間を選択しないでください。意味のあるイベントの数に合わせて期間を調整しましょう。

ほとんどの横長コンテンツには16:9を、縦型ソーシャルビデオには9:16を、そして正方形の構図が配信チャネルに適している場合は1:1を使用します。ComfyUIでは、公式H3ワークフローが「Resolution Selector」を通じてアスペクト比とメガピクセル制御を公開しており、ピクセル数が多いほど生成コストが増加します。

プレビュー忠実度ラダーを活用する

低コストのプレビューは有用ですが、適切な質問に対してのみです。

初期テストは、構図、主要な動き、カメラの方向、カット、おおよそのタイミングの確認に適しています。しかし、小さなテキスト、遠くの顔、ロゴ、または細かい製品の詳細の評価には信頼性が劣ります。

したがって、目標は単に「常に低解像度で最初に生成する」ことではありません。より安価な生成を構造的な決定に利用し、高忠実度で初めて視認できる詳細に計算リソースを費やすことです。

一度に一つの変数のみをテストする

実用的な制作シーケンスとしては、まずシーンを検証し、次に動きとカメラ、次にダイアログ/オーディオ、次にその他のリファレンスやカット、そして最後に高品質な生成を行うことです。

これは、AIビデオの真のコストが「生成コスト × イテレーション回数」であることが多いため重要です。あるコミュニティテストでは、RTX 5080システムが15秒、0.4MP、10ステップのH3生成を約11分で完了させましたが、ビデオの長さが増加するにつれてステップごとの時間は大幅に増加しました。ユーザーはまた、メモリ不足による失敗を回避するための回避策が必要だったと報告しています。これは単一の現実世界の事例として扱い、普遍的なベンチマークとは見なさないでください。

ComfyUI、APIワークフローでMiniMax H3を活用し、一般的な問題を解決する方法

ComfyUIは現在、Text-to-Video、Image-to-Video、Reference-to-Videoの公式H3テンプレートを提供しています。そのネイティブノードは、テキスト/フレームワークフローにはFL2VAファミリーを、マルチモーダルなリファレンスにはRef2VAを使用します。

MiniMax APIは異なるアプローチを取ります。H3タスクは非同期です。生成、Context-IR、または再生成タスクを送信し、task_idを受け取った後、そのタスクの結果を照会します。成功した生成タスクはcontent.urlを通じてビデオを返し、Context-IRはcontent.promptを通じて強化されたプロンプトを返します。

完全なH3システムは、オープンなH3-Baseウェイトと混同すべきではありません。MiniMaxは3つのモジュールを記述しています：H3-Context-IR → H3-Base → H3-Regenerate-2K。ローカルのH3-Baseは768pの生成を検証し、完全な2Kワークフローは元のコンテキストと768pの結果を組み合わせて再生成を行います。

失敗を3つのレベルで診断する

プロンプトを書き直す前に、失敗のレイヤーを特定します。

すべての視覚的な欠陥がプロンプトの問題ではないため、これは有用な区別です。

MiniMax H3の一般的な問題と実用的な解決策

アイデンティティがぶれる場合は、競合するリファレンスを単純化し、どのソースがアイデンティティを制御するかを明確に定義します。製品やロゴが変化する場合は、保持すべき属性とモデルが再設計してもよい要素を明確に区別します。

ビデオが急ぎすぎていると感じる場合は、プロンプトの詳細を追加するのではなく、アクション、カット、またはダイアログを減らします。音声が圧縮されているように聞こえる場合は、ダイアログを短くするか、話者に時間を与えます。

最初/最後のフレームの歪みについては、2つの終点だけを指定するのではなく、中間的な物理的遷移を記述します。R2Vリファレンスの影響が少ない場合は、単に添付するのではなく、その正確な役割を明記します。

ローカルユーザーは、パフォーマンスチューニングも慎重に行う必要があります。ComfyUIはオプションのSage Attentionを公式に文書化しており、そのサンプルワークフローでは品質の低下を最小限に抑えつつ生成速度が約2倍になる可能性があると述べていますが、他のキャッシング、量子化、実験的な最適化技術には異なるトレードオフが伴う場合があります。

まとめ

MiniMax H3は、ビデオ生成をプロンプトの長さ競争ではなく、プロダクションワークフローとして扱うことで、より制御しやすくなります。適切なモードを選択し、各リファレンスに特定の役割を割り当て、利用可能な時間内でアクションとダイアログの予算を立て、最終品質のレンダリング前に構造的な決定をテストし、失敗をプロンプト、リファレンス、またはレンダリングの問題として診断しましょう。このアプローチは、シンプルなテキストからビデオへのクリップから複雑なマルチモーダル設定まで対応可能であり、今日のAIビデオがこれほど高速に作成されている理由を反映しています。