MiniMaxがFastH3 v1公開：15秒動画を13秒で生成

FastH3 v1は、テキストから動画と音声を同時に生成できるオープンウェイトの生成モデルです。最大の特徴は圧倒的な処理速度にあります。8基のNVIDIA B200 GPU環境では、15秒の768p動画を13秒未満で生成でき、単一のNVIDIA Blackwell GPU上では最大14倍の推論高速化を実現します。

Hao AI LabとMiniMaxが、NuvaLabやNVIDIA FastGenチームと共同で開発しました。MiniMaxが公開済みのベースモデル「H3-Base」をもとに、1000時間以上のB200 GPUトレーニングを投じて事後学習を実施しています。単一のチェックポイントだけで、解像度やアスペクト比、動画の長さを柔軟に変えられる点も扱いやすい特徴です。

仕組みと高速化の秘密

高速化の肝は、蒸留とスパース（疎）アテンション技術の組み合わせです。推奨されるPreview v1チェックポイントは、わずか4ステップのデータフリー蒸留を採用しています。これは生成目標となる動画データを用意せず、テキストプロンプトのみから学習を進める手法です。

さらに、FastVideoのVSA-H3バックエンドを活用し、90%疎な動画スパースアテンションを適用しています。すべてのトークン間で愚直に計算を行う代わりに計算量を大幅に間引き、品質と音響の同期を保ったまま高速処理を可能にしました。テキストエンコーダーや動画・音声のVAEは元のH3-Baseを再利用し、基幹のトランスフォーマーのみを効率よく蒸留しています。

対応解像度も1344×768に縛られません。縦長、正方形、横長、ウルトラワイドなど、縦横が32の倍数であれば自由にサイズを指定できます。

公開状況と注意点

現在、推奨モデルの完全な重み、抽出済みLoRA、アブレーション用チェックポイント、そして推論コードがすべて公開されています。学習用コードも近日中に提供される予定です。

一方で現時点の制約もあります。今回のPreview v1はテキストからの生成（T2VA）のみに対応しており、元モデルにあった開始フレーム・終了フレーム指定や参照画像からの生成機能は今後のアップデート待ちとなっています。また、公称の速度を出すにはBlackwell GPUと専用のVSAカーネルが必須であり、標準の密なアテンションでは代用できません。

チームは今後、NVFP4対応によるメモリ削減や、RTX GPU、Apple MLXへの最適化を進めるとしています。試したい方はFastVideoのリポジトリから重みと推論コードを取得して実行できます。

なぜ重要か

FastH3は、オープンソースの動画生成モデルが研究段階から「商用インフラで実用に耐える水準」へと進化したことを示す好例だと考えます。動画の再生時間を下回るサブリアルタイム生成がオープンウェイトで実現した意義は小さくありません。

大量の動画生成を低コストで回したい開発者やプラットフォーム運営者なら、今すぐ検証する価値があります。ただし現行版の恩恵をフルに受けるにはBlackwell級のサーバーが必要となるため、一般的なクリエイターは今後のローカルGPU向け最適化を待つのが現実的です。