MiniMax H3完全攻略ガイド｜ComfyUI導入・軽量化・プロンプト・長尺化まで | 「総統、その業務はAIで終わります！」〜 DX推進ブログ〜

Q: 初めてなら、どのモードから始めればいい？

FL2VAで、テキストだけの5秒動画を1本出してから、画像入力、参照素材、長尺化の順に進めます。

Q: VRAMが少ないPCでも試せますか？

軽量モデルとオフロードで動く場合がありますが、解像度と秒数を下げ、空きRAMとSSD容量も確保して試します。

Q: Google Colabだけで量産しても大丈夫？

短い検証には便利ですが、GPU割り当てやセッション時間は固定ではありません。継続利用では料金、保存先、規約を確認します。

※本記事にはアフィリエイト広告を含みます。リンク経由で商品・サービスを購入すると、運営者に報酬が入る場合があります。

この記事でわかること
MiniMax H3が動かない！黒焦団の検証開始
MiniMax H3とは？映像と音をまとめて作る動画生成AI
できることを先に整理｜FL2VAとRef2VA
必要なPCの目安｜Windows MEではなく、GPUとRAMを見る
ComfyUI導入の基本｜まず公式テンプレートで1本出す
最初の設定値｜小さく試す方が結果的に速い
軽量化と高速化｜量子化は魔法ではなく、設定の選択
プロンプト設計｜映像・動き・音を時系列で書く
長尺化の考え方｜15秒を無理に100秒へ伸ばさない
Google Colabは使える？｜ローカルPCが足りない時の選択肢
商用利用・権利・安全性｜生成前に確認する3点
ローカル生成を始めるなら、まずはPC環境を整える
アカネ先生のQ&A
まとめ｜小さく成功させてから、派手にする
参考リンク
関連記事
1. 黒焦団のAI活用ログをもっと読む

この記事でわかること

MiniMax H3でできることと、ローカル版・API版の違い
ComfyUIで最初の1本を生成するための基本構成
VRAM不足を抑える軽量化、プロンプト、長尺化の考え方
Google Colabを使う場合の向き・不向き

MiniMax H3が動かない！黒焦団の検証開始

総統

MiniMax H3が動かんぞ！余のPCに『メモリが足りません』などと表示するとは不敬なのだ！

戦闘員

（心の声：Windows MEでは無理です。そもそも、現代のComfyUIを入れるところから無理です……）

タコゾウ

え、ええと……量子化モデルにして、オフロードを有効にして……あれ、総統のPC、USBメモリを起動ディスクにしてるっす！

総統

当然だ。余は昔から『軽量化』を極めているのだ。不要な機能はすべて消したのだ！

アカネ先生

その軽量化は、動画AIを動かすための軽量化とはちゃいますよ。まずはMiniMax H3が何者か、順番に見ていきましょか。

レイモンド分析官

本記事では、公式情報とComfyUIの配布情報を基準に、ローカルで試す時の現実的な手順を整理します。環境や更新状況によって必要な容量と速度は変わります。

ミラ調査員

設定を急がず、小さい解像度と短い秒数から検証するのが安全です。では、導入から参りましょう。

総統の結論

総統

MiniMax H3は、強いPCと正しいモデル配置があってこそ動くのだ。Windows MEの威厳では動かないのだ！

MiniMax H3とは？映像と音をまとめて作る動画生成AI

総統

H3とは、余が開発した第三世代の映像兵器なのだ。もちろん音まで出るのだ！

レイモンド分析官

名称の由来はさておき、MiniMax H3はテキスト、画像、動画、音声を文脈として扱える動画生成モデルです。公式発表では、最長15秒の動画、ネイティブなステレオ音声、最大2K出力を掲げています。

MiniMax H3の魅力は、映像に音を後から足すだけではなく、台詞、環境音、BGMまで含めた短い映像をまとめて設計しやすい点です。公開されたオープンウェイト版はComfyUI向けのモデルとして配布されており、ローカルPCで試せます。

ただし、ローカル版がいつでも2K・15秒を軽快に作れるわけではありません。最初は768px級、480p前後、5秒程度の小さな検証から始めると失敗原因を切り分けやすくなります。

できることを先に整理｜FL2VAとRef2VA

総統

FL2VAとは『前と後ろから余を撮影する』作戦名なのだ！

ミラ調査員

少し違います。FL2VAはテキストや画像を使う、Text-to-Video・Image-to-Video系の基本モードです。開始と終了のフレームを指定する用途にも使えます。

モード	主な入力	向く用途
FL2VA	テキスト、画像、開始・終了フレーム	テキストから動画、1枚絵を動かす、場面のつなぎ
Ref2VA	テキストと複数の画像・動画・音声参照	人物・商品・音・動きを参照しながら動画を作る

まずはFL2VAで「短い動画が最後まで出力される」ことを確認し、その後にRef2VAで参照素材を増やす順番がおすすめです。最初から多参照・長尺・高解像度を一度に狙うと、どの設定が原因で崩れたか分かりにくくなります。

必要なPCの目安｜Windows MEではなく、GPUとRAMを見る

総統

OSは古いほど歴史があり、歴史があるほど強いのだ！

戦闘員

総統、それは互換性の話ではありません……。

ローカル動画生成では、GPUのVRAM、システムRAM、ストレージ空き容量が特に重要です。ComfyUIとH3のモデル群は大きく、軽量化済み構成でも数十GB単位の保存領域が必要になります。

項目	目安	考え方
GPU	NVIDIA、VRAM 16GB以上が扱いやすい	12GBでも軽量化とオフロードで試せる場合があります
システムRAM	32GB以上推奨	VRAM不足時のオフロードに余裕を持たせます
ストレージ	SSDに100GB以上の空きが安心	モデル、キャッシュ、出力動画が増えます
OS	Windows 10/11またはLinux	Python、GPUドライバー、ComfyUIを安定して使える環境が前提です

レイモンド分析官

コミュニティにはRTX 4060 Ti 16GB、メモリ32GBで480p・5秒を約6分で生成した報告があります。ただしモデル、設定、初回コンパイル、ドライバーで結果は変わるため、性能保証にはなりません。

ComfyUI導入の基本｜まず公式テンプレートで1本出す

総統

ComfyUIとは、座り心地のよい映画館のことだ。余は最前列を予約するのだ！

ミラ調査員

ノードをつないで生成フローを組むアプリです。まずは自作せず、公式テンプレートを読み込む方が早いです。

ComfyUIをMiniMax H3対応版へ更新します。
Hugging FaceのComfy-Org配布ページから、使うモードに必要なモデルを取得します。
Diffusion model、Text encoder、Video VAE、Audio VAEを指定のモデルフォルダに配置します。
Template LibraryからMiniMax H3のT2V、I2V、R2Vテンプレートを読み込みます。
まず480p前後・5秒・標準ステップで1回だけ実行し、モデル読込と出力を確認します。

軽量構成では、FL2VAのdiffusion model、Qwen系のtext encoder、video/audio VAEが基本セットになります。Ref2VAを試す時だけ、追加のdiffusion modelを足すと管理しやすくなります。

最初の設定値｜小さく試す方が結果的に速い

総統

初回から4K・15秒・爆発100回・登場人物50人で、余を主役にするのだ！

アカネ先生

それを一発目にすると、成功した時も失敗した時も原因が分からへんようになります。まずは短く、単純な場面からにしましょ。

解像度：864×480など、最初は480p級
長さ：5秒程度
ステップ数：テンプレートの標準値から開始
入力：まずテキストだけ。画像や音声は動作確認の後に追加
保存：出力先と空き容量を先に確認

画像から動画を作るI2Vでは、幅・高さを32の倍数に合わせる必要があります。縦動画なら、生成前に画像サイズを確認しておくとエラーを避けやすくなります。

軽量化と高速化｜量子化は魔法ではなく、設定の選択

総統

量子化とは、余の威厳を圧縮してGPUへ転送する奥義なのだ！

レイモンド分析官

圧縮の方向性は近いですが、モデルの重みを低精度化して、VRAMやRAMの負荷を抑える技術です。画質・速度との引き換えがあります。

VRAMが限られるPCでは、pruned INT8、NVFP4系のテキストエンコーダ、Turbo LoRA、Dynamic VRAM Offloadingといった軽量化の組み合わせがよく使われます。コミュニティ製のTurbo LoRAやSamplerは、ステップ数を減らして試行回数を増やすのに役立つ場合があります。

ただし、軽量化は「必ず高速・高画質」になる万能策ではありません。モデルの版、ComfyUIの更新状況、GPU、ワークフローによって相性があります。元のテンプレートをコピーしてから変更し、設定を一度に一つずつ変えるのが安全です。

プロンプト設計｜映像・動き・音を時系列で書く

総統

『余を最高に格好よく映せ』で完璧な映画になるのだ！

ミラ調査員

方向性は伝わりますが、カメラ、動作、環境音、台詞を分けると再現性が上がります。

MiniMax H3では、何が映るかだけでなく、いつ何が起きるか、どんな音がするかを具体化すると調整しやすくなります。最初は長文にせず、以下の3要素を足すだけでも十分です。

integrated_multimodal_description:
[Shot 1] 夕暮れの屋上。人物がゆっくり前へ歩く。カメラは低い位置からゆっくり寄る。

overall_soundscape:
遠くの車の走行音、弱い風の音、足音。

non_diegetic_music:
控えめなシンセサイザー、ゆっくりした緊張感のあるリズム。

参照素材を使うRef2VAでは、「どの画像の何を保ちたいか」を明示します。人物の服、商品の形、話者の声など、保持したい要素を絞ると、生成結果を評価しやすくなります。

長尺化の考え方｜15秒を無理に100秒へ伸ばさない

総統

15秒を100回つなげば、余の長編映画が完成するのだ！

タコゾウ

つなげるだけだと、総統の顔……じゃなくて、記号の表情や背景が毎回変わるっす！

長い映像を作る時は、10〜15秒ごとにシーンを分け、次のシーンに渡す要素を決めます。前の出力から最後のフレームやlatentを引き継ぐMotion Context系の拡張、専用の延長ワークフローを使うと、単純な動画結合より連続性を保ちやすくなります。

脚本を10秒前後のショットに分けます。
各ショットで残す要素を決めます。人物、衣装、背景、カメラ方向などです。
前ショットの終端を次ショットの参照として渡します。
音量・色・テンポを編集ソフトで最後に整えます。

Google Colabは使える？｜ローカルPCが足りない時の選択肢

総統

Google Colabとは、雲の上にある余専用の映画館なのだ！

アカネ先生

雲の上のGPUを借りて試せる開発環境、くらいの理解が近いで。便利やけど、ずっと無料で同じGPUが使える場所ではありません。

Google ColabはブラウザからPython環境を使えるサービスです。手元のPCのGPUが弱い場合、ComfyUIや推論スクリプトの検証先として候補になります。Google Driveにモデルや出力を置く運用もできます。

向いている場面	注意点
導入手順の検証、短い生成、コードの試行	GPUの種類・利用時間・接続はプランや混雑状況で変わります
ローカルにGPUがない時の一時的な実験	巨大モデルのダウンロード、保存容量、セッション切断を考慮します
ノートブックとして手順を共有したい時	認証情報や個人データをノートブックへ残さないようにします