HyperFlow H3 Flash 公開：MiniMax-H3 を 9.1GB に軽量化、24GB GPU で動画・音声同時生成

HyperFlow H3 Flash は、Video Rebirth がオープンソースとして公開した動画・音声同時生成モデルです。約 31B パラメータあった MiniMax-H3 を約 14B に蒸留・圧縮し、映像と同期したステレオ音声を一括で出力できます。

最大の特徴は生成速度と軽さです。CFG（Classifier-Free Guidance）を廃止し、わずか 4〜8 ステップ（標準 6 ステップ）で収束します。解像度 1344×768、24 fps で 5.2 秒から 15 秒の映像を 32 kHz ステレオ音声付きで生成可能です。4 基の NVIDIA B200 と SOL-H3 加速器を組み合わせれば動画再生速度と同じ実時間生成が可能で、民生用の RTX 5090 でも 5.2 秒の動画を 92 秒で書き出せます。

24GB GPU で動くサイズまで大幅軽量化

ベースとなった MiniMax-H3 は基本 Transformer だけで 60GB を超えており、一般の開発者がローカル環境で動かすのは困難でした。

HyperFlow H3 Flash は構造のスリム化と低精度量子化により、パラメータ数を 13.7B（キーフレーム用）および 13.9B（リファレンス用）まで半減させました。GGUF 形式の Q4_K_M 版ならファイルサイズはわずか 9.1GB、最小の Q3_K_M は 7.2GB に収まります。

これにより、システムメモリ 16GB と 24GB VRAM を持つ GeForce RTX 3090 や RTX 4090 を搭載した一般的な PC でも、ローカル環境で動画と音声の生成が行えます。

機能面では、テキストからの生成（t2va）、開始フレームや終了フレームを指定するキーフレーム生成（fl2va）、最大 12 個の参照素材（画像最大 9 枚、動画最大 3 本、音声最大 3 個）を組み合わせるリファレンス生成（ref2va）に対応しています。

ローカルでセットアップする方法

コードは GitHub、重みは Hugging Face で配布されています。手持ちのマシンスペックに合わせて 2 つの実行方式から選べます。

システムメモリが 64GB 以下の PC なら GGUF 形式が適しています。ComfyUI（専用ノードあり）、Unsloth Studio、stable-diffusion.cpp に対応しており、16GB や 32GB メモリの PC では --fast-disk オプションを付けることでメモリ不足を防げます。

システムメモリが 69GB 以上あるワークステーションやデータセンター向け GPU では、Python CLI による INT8 convrot 形式が利用可能です。GGUF より 10〜20% 高速で、RTX 4090 を使った場合、5.2 秒のクリップを約 130 秒で出力できます。

なぜ重要か

映像と音声が同期した高品質な生成パイプラインが、ついに個人クリエイターの手元に降りてきた点が大きな意義を持ちます。

従来のオープンソース動画生成は映像と効果音を別々のモデルで作る構成が多く、手間とズレが課題でした。MiniMax-H3 は一体生成が可能でしたが、マシン要件の高さが壁となっていました。今回の軽量化により、高価なクラウドインスタンスを借りなくても、手元の 24GB GPU で短編動画やプロトタイプを量産できるようになります。

ただし注意点もあります。コードと重みは公開されているものの、ライセンスは MiniMax H3 コミュニティ規約に準拠しており、米国や EU、イギリス、韓国など一部地域での利用には事前許可が必要とされています。また、15 秒の長尺生成では 24GB VRAM の上限近くまで負荷がかかるため、運用時のメモリ管理には工夫が必要です。