MiniMaxがH3を発表：立体音響付き2K動画を生成、重みもオープン化へ

AI動画を作ったことがある人なら、その作業がいかに細切れだったか身に染みているはずです。画像生成モデルでカットを作り、それを動画モデルに読み込ませて動きをつけ、さらに別の音声モデルでBGMや効果音を用意する。途中で演出を変えようとすれば、最初からやり直すしかありませんでした。

MiniMaxはこうした分断を解消する汎用オムニモーダル生成モデル「H3」を発表しました。高品質な動画AI「Hailuo」を手がけてきた同社ですが、今回はテキスト、画像、動画、音声をすべて単一の文脈で処理できる設計を採用しました。さらに注目すべきは、主要な動画モデルがクローズド一色となるなか、数日中に重みをオープン化すると予告した点です。

4つのモーダルを1つの文脈に統合する

H3の最大の特徴は、テキスト、画像、動画、音声を統合して理解し、最大2K解像度、最長15秒の動画をネイティブ立体音響付きで出力できる点です。

従来の動画生成AIは、テキストからの動画生成、画像からの動画生成、動作の参照、音声の付与など、タスクごとに専門モデルが分かれていました。H3はこれを改め、自然言語をすべての橋渡し役に据えることでタスク間の境界を取り払いました。

例えば「動画1のヒッチコック風カメラワークを参照し、画像2の人物に歌わせ、声は音声3のトラックと一致させる」といった指示を与えるだけで、モデル自身が各素材の関係性を読み解いて1本の動画にまとめ上げます。

海外クリエイターによる初期検証でも、2枚の画像から映画の予告風映像を仕上げたり、グリーンバックの素材と背景画像をきれいに合成したりと、高い指示追従性が確認されています。オープンソースの音源と人物画像を入力したテストでは、曲のビートに合わせた3秒以内のハードカット編集までこなしてみせました。

独自の超解像アプローチと低コスト化

この統合を実現するため、MiniMaxはアーキテクチャの根本的な見直しを行いました。

マルチモーダルな文脈をそのまま読み込むとトークン数が膨大になりますが、H3は専用の理解パイプラインにより、約10万トークンの推論を平均約4000トークンに圧縮して処理します。

モデル構造には「H3-Omni Transformer」を採用しました。理解処理と生成処理で計算の負荷特性が異なる点に着目し、ハードウェアの利用効率を個別に最適化することで、学習のスループットを約30％引き上げました。

さらに2K出力の手法も独特です。通常は低解像度で生成したあとに独立した超解像モジュールを重ねますが、これでは文字やロゴの細部がぼやけたり破綻したりしがちです。H3は「コンテキスト内再生成（In-Context Regeneration）」を用い、ベースモデル自身が元のマルチモーダル文脈を参照しながら高解像度化を行います。そのため、微小なテキストの再現度も大きく向上しています。

コスト面でも強気です。MiniMaxは2K生成の単価が主要モデルの3分の1未満だと主張しています。レビュアーの検証によると、Webプラットフォームで10秒の動画を生成する費用は約1.2ドルで、同等クラスの商用サービスと比較して約3倍安価だったと報告されています。

なぜ重要か

クリエイターや開発者にとって、高品質な動画モデルの重みがオープンになる意義は極めて大きいです。2K解像度でネイティブな立体音響を備え、複雑な指示に従える動画生成は、これまで大手プラットフォームの独占領域でした。重みが公開されれば、広告やEC、ゲーム制作などの現場で、外部APIの従量課金や利用規約に縛られず、独自のパイプラインに組み込む道が開けます。

業界全体にとっても、動画・音声・テキストを切り離さず一括で扱うオムニモーダル路線への移行を促す一手となります。複数の専用モデルをつなぎ合わせるアプローチに対し、単一モデルで最初から音と映像を同期させるほうが運用の無駄が少ないことを示しています。

自然言語をタスク統合の共通言語に据えたMiniMaxの設計思想は、非常に筋が良いと評価できます。もっとも、同社自身も認めているように、複雑な構図における視覚的な細部表現にはまだ改善の余地が残されています。数日中に行われるとされる重み公開が、一般の開発者やオンプレミスの計算機環境でどこまで現実的に扱えるものになるかが、今後の成否を分けるポイントになりそうです。