動画生成AIの進化が、大きな段階に入っています。
GoogleのVeoシリーズやByteDanceのSeedance、Klingなど、ここ数年の高品質な動画生成AIは、基本的にクラウド上の大規模GPUを使うサービスとして提供されてきました。
高品質な動画を作れる一方で、生成するたびにクレジットやAPI料金が必要になります。何度も条件を変えて試す動画生成では、このコストが無視できません。
そこへ登場したのが、MiniMaxの動画生成モデル「MiniMax H3」です。
H3が注目されている理由は、単に新しい高性能モデルだからではありません。
Artificial Analysisの第三者評価ではSeedance 2.0と同じ最上位グループに入り、Text-to-VideoではSeedance 2.0を上回る評価を得ています。
それほどの性能を持つ動画生成モデルでありながら、モデルウェイトが公開され、ComfyUIを使ってローカルPCでも動かせるようになりました。
さらにコミュニティによる量子化や高速化が急速に進み、RTX 3060 TiのVRAM 8GBでも動画を生成した実機報告まで出ています。
今回の記事では、
「Seedance級の動画生成AIが、自分のPCで動き始めた」
という点を中心に、MiniMax H3の特徴、Seedanceとの比較、VRAM 8GBで動く理由、そして高速化で大きな役割を果たしているTurbo LoRAまで整理します。
MiniMax H3をComfyUIへ導入し、Codexに環境構築を任せた流れについては、導入記事で詳しくまとめています。
RTX 3060 Ti 8GBで実際に動画を生成した結果や、生成時間、日本語音声、メモリ使用量については、検証記事で詳しくまとめています。
- MiniMax H3とは
- H3は33B。普通ならVRAM 8GB向けには見えない
- MiniMax H3はSeedance 2.0を超えたのか
- 現在のSeedanceはすでに2.5へ進んでいる
- H3最大のインパクトはSeedanceとの勝ち負けではない
- ComfyUIがH3をネイティブサポート
- RTX 3060 Ti・VRAM 8GBでもH3が動いた
- 高速化LoRA「Turbo LoRA」がかなり重要
- 33BのH3を8GBで動かす仕組み
- H3と他の動画生成AIは何が違う？
- ローカルでSeedance級が動くと何が変わるのか
- 注意：H3の「全部」が完全ローカルになったわけではない
- 「8GBで動く」と「8GBで快適」は別
- 筆者のRTX 3060 Ti 8GBでも近いうちに試したい
- H3のライセンスにも注意
- まとめ：最先端動画AIは「クラウドでしか使えない」時代から変わり始めた
- 今日の注目アイテム
- 公式情報・参照先
MiniMax H3とは
MiniMax H3は、中国のAI企業MiniMaxが2026年7月31日に発表した汎用動画生成モデルです。
その後、2026年8月3日にモデルウェイトが公開されました。
MiniMaxは公式に「Open Source」と表現していますが、一般的なApache 2.0やMIT Licenseではなく独自のMiniMax H3 Community Licenseが適用されています。
そのため本記事では、主に「オープンウェイト」という表現を使います。
H3が扱えるのは、テキストから動画を作るText-to-Videoだけではありません。
テキスト、画像、動画、音声をまとめて理解し、それらを参照しながら新しい動画と音声を生成する「オムニモーダル」の設計になっています。
代表的な生成方法には次のようなものがあります。
- テキストから動画を作るText-to-Video
- 画像を動かすImage-to-Video
- 最初と最後のフレームを指定するFirst / Last Frame
- 画像・動画・音声を参照するReference-to-Video
- 動画を参照した編集
- 音声を含む動画生成
ComfyUIもMiniMax H3をネイティブ対応し、Text-to-Video、Image-to-Video、Reference-to-Videoのワークフローを提供しています。
映像だけではなく音声も一緒に生成する
H3で特に重要なのが、映像と音声を別々に作るのではなく、動画とステレオ音声を一緒に生成する点です。
音声、効果音、音楽を動画生成後に付け足す方式ではなく、映像と音声を同じ生成処理の中で扱います。
MiniMaxが公開している仕様では、32kHzのステレオ音声、24fps、4〜15秒の動画生成に対応しています。日本語を含む11言語の会話もサポートされています。
単なる「映像生成AI」ではなく、
映像・会話・効果音・音楽までまとめて生成する動画制作モデル
と捉えた方がH3の特徴を理解しやすくなります。
H3は33B。普通ならVRAM 8GB向けには見えない
ここで不思議なのがモデルサイズです。
MiniMax H3の中心となるH3-Omni-Transformerは、330億パラメータのDense Transformerです。
さらに、テキストや画像などを理解するH3-EncoderにはQwen3-VL-32Bの学習済みウェイトが使われています。
数字だけを見ると、VRAM 8GBのGPUで気軽に動かすモデルには見えません。
それにもかかわらず、RTX 3060 Ti 8GBでH3を動かした実例が出ています。
ここが今回のH3で特に面白い部分です。
MiniMax H3はSeedance 2.0を超えたのか
H3について注目されているのが、
「Seedance 2.0を超えたのではないか」
という点です。
第三者ベンチマークを見る限り、少なくともH3はSeedance 2.0と同じ最上位グループに入っています。
Artificial Analysisでは、同じ入力条件から生成された2本の動画を、どのモデルが作ったか分からない状態で比較し、その投票結果からEloレーティングを算出しています。
2026年8月11日時点の評価は次の通りです。
| 評価項目 | MiniMax H3 | Seedance 2.0 |
|---|---|---|
| Text-to-Video＋音声 | 1237 | 1223 |
| Text-to-Video・音声なし | 1303 | 1265 |
| Image-to-Video＋音声 | 1194 | 1198 |
| Image-to-Video・音声なし | 1351 | 1338 |
Text-to-Videoでは、音声あり・なしの両方でH3がSeedance 2.0を上回っています。
Image-to-Videoの音声ありではSeedance 2.0が1198、H3が1194です。
差は4ポイントしかなく、95％信頼区間も重なっています。この条件では優劣を付けるより、ほぼ同じグループと見るのが適切です。
音声なしのImage-to-VideoではH3が1351、Seedance 2.0が1338となり、H3が上回っています。
動画編集でもトップグループ
Artificial AnalysisのVideo Editing評価では、2026年8月11日時点で、
MiniMax H3：1127 Gemini Omni Flash：1123 Seedance 2.0：1029
となっています。
H3とGemini Omni Flashは信頼区間が重なっているため、明確にH3が上とは断定できません。
それでも、H3が動画編集でも最上位グループに位置していることは確認できます。
つまり、
「H3がSeedance 2.0をすべての条件で圧倒した」
という状態ではありません。
一方で、
Text-to-VideoではSeedance 2.0を上回り、Image-to-Videoでは互角級、動画編集でもトップグループに入っている
という評価はできます。
本記事でH3を「Seedance 2.0級」と表現している理由はここにあります。
現在のSeedanceはすでに2.5へ進んでいる
H3と比較されることが多いSeedance 2.0は、すでにByteDanceの最新モデルではありません。
ByteDanceは2026年7月31日にSeedance 2.5を発表しています。
Seedance 2.5では、単に画質を上げるだけではなく、動画制作全体を意識した機能強化が行われました。
1回で最大30秒の音声付き動画を生成でき、複数回の延長にも対応しています。
参照素材として最大30枚の画像、10本の動画、10本の音声を入力でき、タイムスタンプ単位の編集、カメラ視点の変更、グリーンスクリーン処理などにも対応しています。
そのため、
H3とSeedance 2.0の性能比較
と、
H3と現在のSeedanceシリーズの比較
は分けて考える必要があります。
Artificial AnalysisではH3とSeedance 2.0を同条件で比較できますが、Seedance 2.5については、この記事執筆時点で同様に判断できるだけの第三者データが十分にそろっていません。
現時点で確認できるのは、
H3はSeedance 2.0級であり、分野によってはSeedance 2.0を上回っている
というところまでです。
Seedance 2.5との勝敗については、比較材料がそろってから判断する必要があります。
H3最大のインパクトはSeedanceとの勝ち負けではない
ここまで性能を比較してきましたが、H3でより重要なのはベンチマークの順位ではありません。
本記事で最も注目しているのは、
この性能を持つモデルのウェイトが公開されたこと
です。
Artificial AnalysisのText-to-Video＋音声部門では、H3はGemini Omni Flashに続く総合2位に位置しています。
さらにOpen Weightsモデルだけに絞るとH3が1位です。
次に続くLTX-2.3 Fastとは大きな差があり、従来のオープンウェイト動画モデルとは異なる位置まで性能が上がっています。
Image-to-Video＋音声でも、H3はオープンウェイトモデルの最上位に位置しています。
これまで、
クラウド最高峰の動画AI
と、
自分のPCで動かせる動画AI
には大きな性能差がありました。
H3は、その境界を大きく縮めています。
ComfyUIがH3をネイティブサポート
H3のローカル利用を大きく後押ししているのがComfyUIです。
ComfyUIはH3の公式ワークフローを提供しており、Text-to-Video、Image-to-Video、Reference-to-Videoをローカル環境で利用できます。
さらに公式ワークフローでは、巨大なモデルをそのまま使うだけではなく、
minimax_h3_fl2va_pruned_int8_convrot
や、
qwen3vl_32b_minimax_h3_nvfp4_awq
といった量子化モデルも用意されています。
モデルを低精度化して必要なメモリを減らし、ComfyUI側のオフロード機能によってGPUのVRAMに載り切らない部分をシステムRAM側へ逃がすことで、小容量VRAMでも巨大モデルを動かせるようになっています。
VRAMが少なければ生成速度には不利です。
それでも、
「VRAMに収まらないから起動できない」
から、
「時間はかかっても生成できる」
へ変わった意味は大きくあります。
RTX 3060 Ti・VRAM 8GBでもH3が動いた
実際にどこまで小さいGPUで動くのか。
ASCII.jpで新清士氏が行った実機検証では、
RTX 3060 Ti VRAM 8GB 864×480 5秒動画 高速化LoRA使用
という条件で、約15分で動画を生成しています。
RTX 3060 Tiは2020年末に登場したGPUです。
2026年現在の最新ハイエンドGPUではありません。
それでも、Seedance 2.0と競えるクラスの33B動画生成モデルから、ローカルで動画を出力できています。
同記事では、H3公開直後から急速に高速化が進み、別の高性能GPU環境では1248×832・5秒の生成時間が374秒から59秒まで短縮された事例も紹介されています。
H3については、モデル本体の性能だけでなく、
公開後にコミュニティがどこまで高速化・軽量化していくか
まで含めて追う価値があります。
高速化LoRA「Turbo LoRA」がかなり重要
H3の高速化で大きな役割を果たしているのが、コミュニティ開発者larryvrh氏が公開しているMiniMax-H3 Turbo LoRAです。
通常のH3では約20ステップのサンプリングを行うところ、Turbo LoRAでは最短4ステップまで削減できます。
作者は、4ステップの場合、サンプリング部分だけを比較すると約5倍の高速化になると説明しています。
しかも高速化するのは映像だけではありません。
H3の特徴である同期ステレオ音声付き動画を維持したまま、必要なサンプリング回数を減らします。
4ステップより6〜8ステップが現実的
「4ステップで約5倍」と聞くと4ステップを選びたくなりますが、現在のTurbo LoRAでは6〜8ステップが重要です。
最新のv4チェックポイントでは、静止シーンや小さな動き、顔・指・細かな質感などが改善されています。
一方、4ステップで大きく高速な動きを生成すると、残像のようなモーションスメアが発生する場合があります。
作者はv4について6〜8ステップを推奨しています。
現時点の使い分けは、
4ステップ：速度最優先 6ステップ：速度と品質のバランス 8ステップ：品質重視
と整理すると分かりやすくなります。
Turbo LoRA自体もまだPreview段階で、音声や激しい動きなどには改善の余地が残っています。
ここで重要なのは、Turbo LoRAがMiniMax公式の高速化機能ではないことです。
H3のモデルウェイトが公開されたことで、第三者がこうした高速化技術を作り、ユーザーがすぐ利用できる状態になっています。
H3のオープンウェイト化が、モデル公開後の高速化まで加速させています。
33BのH3を8GBで動かす仕組み
ここまでを整理すると、RTX 3060 Ti 8GBでH3が動くのは、H3自体が軽量だからではありません。
H3は33Bという巨大モデルです。
それを、
モデルの量子化 ↓ ComfyUIによるモデルオフロード ↓ VRAMに載らない部分をRAM側で処理 ↓ Turbo LoRAで必要ステップ数を削減
という複数の技術で、小容量VRAM環境まで持ってきています。
Turbo LoRAにはlow_vramモードも用意されています。
通常はLoRAを実行時に適用しますが、low_vramを有効にするとウェイト側へマージし、ピークVRAMをさらに抑えられます。
量子化モデルでは画質への影響が出る可能性があるため、作者はVRAM不足時の利用を推奨しています。
H3と他の動画生成AIは何が違う？
H3を単純に「最強の動画生成AI」と捉えるより、クラウドモデルとローカルモデルの中でどこに位置するかを見る方が分かりやすくなります。
| モデル | 主な位置付け | ローカル利用 | 音声 | 特徴 |
|---|---|---|---|---|
| MiniMax H3 | 最上位級 | ○ | ○ | Seedance級の品質＋オープンウェイト |
| Seedance 2.0 | 最上位級 | × | ○ | H3と第三者評価で拮抗 |
| Seedance 2.5 | 最新世代 | × | ○ | 最大30秒・高度な参照と編集 |
| Wan 2.2 5B | 軽量ローカル | ○ | 用途による | 8GB VRAMでも扱いやすい |
| LTX-2.3 | 高機能ローカル | ○ | ○ | 高速化・制御系ワークフローが豊富 |
VRAM 8GBで扱いやすさを重視するならWan 2.2
Wan 2.2には5Bの軽量モデルがあり、ComfyUI公式もネイティブオフロードを使えば8GB VRAMで動作可能と案内しています。
5Bなので、33BのH3とはモデル規模から大きく異なります。
最上位クラスの品質よりも、
ローカルでの扱いやすさや軽さを優先する
ならWan 2.2は有力な選択肢です。
高速な音声動画生成や制御ならLTX-2.3
LTX-2.3は22Bのオープンな音声・動画生成モデルで、ComfyUIでは複数のネイティブワークフローが提供されています。
Text-to-Video、Image-to-Video、First / Last Frame、音声駆動、IC-LoRA、ID-LoRAなど、制御系の選択肢が豊富です。
Artificial Analysisの品質評価ではH3が上位に位置しますが、LTX系は速度や制御、扱いやすさという別の強みを持っています。
H3は「ローカルなのにクラウド最上位へ食い込む」のが特殊
H3は、
軽量だからローカルで動くモデル
ではありません。
33Bという巨大モデルを量子化やオフロードで一般GPUまで持ってきて、それでも第三者評価ではSeedance 2.0やGoogleの上位モデルと競っています。
ここがWanやLTXとは大きく異なる部分です。
ローカルでSeedance級が動くと何が変わるのか
動画生成では、1回生成して完成するケースばかりではありません。
人物の手がおかしい。
動きが想定と違う。
カメラが意図しない方向へ動く。
途中でキャラクターが変わる。
音声のタイミングが合わない。
こうした問題があれば、条件やプロンプトを変えて生成し直します。
クラウド型サービスでは、そのたびにクレジットやAPI料金を消費します。
ローカル生成ならGPUを動かす時間と電気代は必要ですが、生成回数ごとにサービスへ料金を支払う必要はありません。
H3のような高性能モデルがローカルで使えることで、
生成回数を気にせず、時間を使って何度も試す
という使い方が可能になります。
さらに、自分の画像や動画を外部サービスへアップロードせず、ローカル環境内で処理できることも用途によっては大きなメリットです。
そして今回のTurbo LoRAのように、公開されたモデルへ第三者が高速化技術を追加できます。
MiniMaxからのアップデートを待つだけではなく、コミュニティ側でもH3の使い勝手が改善されていきます。
注意：H3の「全部」が完全ローカルになったわけではない
H3を紹介するときに、ここは分けて理解する必要があります。
MiniMaxが公開しているH3の構成は、
H3-Context-IR
H3-Base
H3-Regenerate-2K
という3つのモジュールに分かれています。
このうち、現在ローカルで利用できる中心部分がH3-Baseです。
H3-Baseは基本的に短辺768ピクセルの動画を生成します。
公式の2K化は単純なアップスケールではない
公式の2K出力では、768p動画を一般的なアップスケーラーで拡大するわけではありません。
H3-Regenerate-2Kでは、
生成済みの768p動画 ＋ 元のプロンプトや画像、動画、音声などのコンテキスト
をH3へ再び入力し、2K解像度の動画として再生成します。
一般的な超解像処理では、低解像度の映像から不足している細部を推測して補います。
H3-Regenerate-2Kは元の生成条件も参照できるため、元映像だけから拡大する処理とは仕組みが異なります。
ただし、H3-Regenerate-2Kは現時点ではオープンウェイトとして公開されていません。
そのため、
H3-Baseで768p動画を生成するところまでは完全ローカルで実行できますが、MiniMax公式の方法で2K化するにはMiniMax APIが必要です。
MiniMaxのAPI料金表では、768pから2KへのRegeneration料金も別途設定されています。
つまり、
「MiniMax H3の2Kフル機能までVRAM 8GBで完全ローカル動作する」
という理解は正確ではありません。
H3のインパクトは、
Seedance 2.0と競えるH3-Baseを、量子化・オフロード・Turbo LoRAなどを組み合わせることでVRAM 8GBのGPUでもローカル生成できるようになったこと
にあります。
「8GBで動く」と「8GBで快適」は別
RTX 3060 Ti 8GBで動いたことは大きなニュースですが、先ほどの実機検証では864×480・5秒の動画生成に約15分かかっています。
クラウド型のSeedanceと同じ感覚で、短時間に何本も生成できるわけではありません。
VRAM 8GB環境の価値は、
快適に大量生成できること
ではなく、
これまでなら動かすこと自体が難しかった最上位級の巨大動画モデルを、一般的なGPUでも試せること
にあります。
Turbo LoRAも現在進行形で開発されています。
H3本体にも今後の最適化余地が残されています。
現在確認できている生成速度が、ローカルH3の完成形ではありません。
筆者のRTX 3060 Ti 8GBでも近いうちに試したい
今回H3を調べていて個人的に特に気になったのが、RTX 3060 Ti 8GBでの動作報告です。
筆者が普段使っている自作PCも、
GeForce RTX 3060 Ti VRAM 8GB メモリ32GB
という構成です。
最新のハイエンドPCではなく、数年前に組んだ自作PCです。
今回紹介した実機検証とかなり近い環境なので、このPCにもMiniMax H3＋ComfyUI＋Turbo LoRAの環境を構築する予定です。
まずは5秒程度の短い動画から始め、
- 6ステップと8ステップで生成時間がどこまで変わるか
- VRAM 8GBで安定して生成できるか
- システムメモリをどの程度使用するか
- 音声付き動画を問題なく生成できるか
- この世代のGPUでどこまで高品質な動画を作れるか
を確認したいところです。
ローカル生成環境が整ったら、短い生成動画をXへ直接掲載する使い方も試していきます。
文章で「RTX 3060 Ti 8GBでも動く」と説明するだけでなく、
そのPCで生成した動画そのものを見せる
方が、H3のインパクトは伝わります。
MiniMax H3をComfyUIへ導入し、Codexに環境構築を任せた流れについては、導入記事で詳しくまとめています。
RTX 3060 Ti 8GBで実際に動画を生成した結果や、生成時間、日本語音声、メモリ使用量については、検証記事で詳しくまとめています。
H3のライセンスにも注意
H3はモデルウェイトをダウンロードして利用できますが、Apache 2.0のような一般的なOSSライセンスではありません。
MiniMax H3 Community Licenseには、利用地域や商用利用時の条件などが定められています。
公開環境へ生成物を出す際のAI生成表示についても規定があります。
そのため、
「ウェイトが公開されている＝用途を問わず自由に使える」
とは限りません。
特に商用利用や生成動画の公開を行う場合は、利用時点の最新ライセンスを確認する必要があります。
まとめ：最先端動画AIは「クラウドでしか使えない」時代から変わり始めた
MiniMax H3を、
「Seedance 2.0よりスコアが少し高い新しい動画生成AI」
として見るだけでは、このモデルの重要な部分を見落とします。
H3はText-to-VideoでSeedance 2.0を上回り、Image-to-Videoでも互角級。動画編集でもArtificial Analysisのトップグループに入っています。
その性能を持つモデルのウェイトが公開されました。
ComfyUIがネイティブ対応し、量子化モデルが登場し、コミュニティからTurbo LoRAが公開されています。
その結果、33Bという巨大モデルが、RTX 3060 TiのVRAM 8GBでも動画を生成できるところまで来ました。
もちろんVRAM 8GBでは生成に時間がかかります。
H3の2Kフルシステムがすべてローカル公開されたわけでもありません。
ByteDanceもSeedance 2.5を投入し、クラウド側の動画AIもさらに進化しています。
それでも、
「最高クラスの動画生成AIはクラウドの巨大GPUでしか使えない」
という前提は、H3によって崩れ始めています。
数年前の自作PCに載っているVRAM 8GBのGPUから、Seedance級の音声付き動画を生成できる。
ここがMiniMax H3で最も注目したい変化です。
さらにH3公開直後からTurbo LoRAのような高速化技術が登場しています。
オープンウェイトになったH3は、MiniMaxだけでなくコミュニティによっても軽量化、高速化、ワークフロー改善が進んでいきます。
MiniMax H3は、動画生成AIの競争軸を「どのクラウドAIが一番高品質か」だけでなく、「最上位級の動画AIを自分のPCでどこまで動かせるか」へ広げたモデルです。
今日の注目アイテム
ローカル生成AIをこれから始めるなら候補にしやすい、VRAM 16GB搭載のGeForce RTX 5060 Ti。MiniMax H3のような大規模モデルではVRAM容量が重要になるため、同じRTX 5060 Tiでも8GB版ではなく16GB版を選びたいところです。
VRAM 16GBを確保しながら、動画生成の処理速度も重視したい人向けのGeForce RTX 5080。5060 Ti 16GBとVRAM容量は同じですがGPU自体の性能が高く、ローカル動画生成で待ち時間を減らしたい場合の上位候補になります。
VRAM 32GBを搭載したGeForce RTX 5090。価格は大きく上がりますが、より重いモデルや高負荷なローカル生成AIまで本格的に扱いたい人向けの最上位候補です。VRAM容量そのものに余裕を持たせたい場合に選択肢となります。
※アフィリエイトリンクを含みます。
公式情報・参照先
- MiniMax公式：MiniMax H3 Is Now Open Source
- MiniMax公式：MiniMax H3 発表記事
- MiniMax公式GitHub：MiniMax H3
- ComfyUI公式：MiniMax H3 Workflow Examples
- Artificial Analysis：Text-to-Video Leaderboard
- Artificial Analysis：Image-to-Video Leaderboard
- Artificial Analysis：Video Editing Leaderboard
- ByteDance Seed公式：Introducing Seedance 2.5
- Hugging Face：MiniMax-H3 Turbo LoRA
- ASCII.jp：MiniMax H3をRTX 3060 Ti 8GBで動かした実機検証
- ComfyUI公式：Wan 2.2 Workflow Examples
- ComfyUI公式：LTX-2.3 Workflow Examples
- Hugging Face：MiniMax H3 Community License
- MiniMax公式：API Pricing
