2026年8月3日、MiniMaxは次世代汎用動画生成モデル「MiniMax H3」をオープンソース化したと発表した。テキストや画像、音声など複数の入力に対応し、最大15秒間の動画とステレオ音声を生成できるのが特徴だ。
発表の内容
MiniMaxは、マルチモーダルな文脈の理解と生成を行う「MiniMax H3」をオープンソース化したと発表した。同モデルはテキスト、画像、動画、音声から構成される複合的な入力を統一的に処理できる。
出力仕様として、4〜15秒間の動画を24FPSで生成可能だ。解像度はデフォルトで短辺768ピクセルとなるが、「H3-Regenerate-2K」というモジュールを用いることで2K解像度への生成も対応する。音声は32kHzのステレオ出力に対応し、11言語での対話が安定してサポートされている。
これまでとの違い
MiniMax H3は、タスク一般化を指向したシステム設計を採用している。これにより、事前学習段階から広範なマルチモーダル文脈の理解と生成能力を備えているという。複雑なマルチモーダル指示に従順に実行できる性能を持っている。
実務への影響
今回のオープンソース公開に含まれるのは「H3-Base」と「H3-Context-IR」のAPI提供だ。「H3-Context-IR」は入力された複合的な情報を解析し、生成モデルが理解しやすい形式に変換する前処理・調整システムである。
ただし、「H3-Regenerate-2K」モジュールは今回のリリースに含まれていない。高解像度化には別途対応が必要となるため、詳細な導入手順や動作要件についてはリリース元を参照する必要がある。
残る論点
オープンソース版では「H3-Regenerate-2K」が含まれないため、2K動画生成には別の手順が必要な点が確認できる。また、スパースアテンションの実装は今後のアップデートで公開される予定である。