Fast H3 Omni公開：MiniMax H3動画生成を最大12倍高速化、サンプリングを8歩に短縮

Fast H3 Omniは、オープンソースの動画生成モデルMiniMax H3に向けた推論高速化ソリューションだ。これまで長時間の計算が必要だった動画生成プロセスを大幅に短縮する。

本ツールの最大の特徴は、一般的なText-to-Videoだけでなく、素材を参照して生成する「Reference-to-Video」に特化して最適化されている点にある。人物や背景の参照画像を渡すだけで、シーン全体を通して人物の容姿や世界観の一貫性を保ったまま動画を書き出せる。

高速化の仕組み

FastVideoとNuva Labが共同開発し、NVIDIAのFastGenチームも協力した本手法は、ベースモデルで通常50ステップ必要だったサンプリングをわずか8ステップまで圧縮している。

計算ステップを極限まで減らしたことで、GB200 GPUを8基使用した環境テストでは、推論レイテンシが最大12倍削減された。参照素材の量に応じた実測値でも、参照画像を3枚入力した場合は約5.8倍、参照動画を入力した場合は約6.98倍の高速化を達成している。

また、専用のオーディオVAEを組み合わせることで、プロンプト内で画像や動画、音声の参照タグを指定しながら、映像と同期した音声付き動画を一度に出力できる点も実用的だ。

導入方法と対応環境

モデルの重みファイルはすでにHugging Face上で公開されており、MiniMax-H3 Community Licenseに基づいて利用できる。

配布形式はBF16をはじめ、INT8 ConvRot、FP8、NVFP4 QAD、さらにはApple Silicon向けに最適化されたバージョンまで幅広く用意されている。

個人のクリエイターなら、ComfyUI経由での利用が最も手軽だ。公式リポジトリから対応するテキストエンコーダーとVAEをダウンロードし、ComfyUIのモデルフォルダに配置すれば、8ステップのサンプラーですぐに生成を行える。

本格的なローカル環境であれば、RTX 5090やDGX SparkでNVFP4を活用できるほか、RTX 4090でもFP8モデルとレイヤーオフロードを併用することで無理なく動作させられる。

なぜ重要か

キャラクターや構図の一貫性を維持する作業は、実務の動画制作で最も時間とコストを消費する課題だった。最高峰のオープンモデルであるMiniMax H3を8ステップで実用速度まで引き上げた意義は大きい。

ComfyUI向けワークフローや各種量子化モデル、Apple Silicon版まで初手から揃えて公開した点は非常に親切だ。大がかりなクラスタを持たない個人の映像作家やインディー開発者にとっても、ローカルで試す価値の極めて高いツールと言える。