MiniMax H3 アニメ動画生成器: 15秒、4:3、そしてVeo 3.1が失敗したタイトルカード

この夏、私のフィードは同じ映像がループで流れ続けていた。ワールドカップの選手たちが少年漫画の主人公に描き直されたもの。独裁者。海賊船長。ラスト4秒で現れる老練な mentor。1投稿あたり数百万ビュー、ストーリーはほぼ毎試合後に更新される。

それらを作っている人は、ベンチマーク投稿を書いているわけではない。モデルを選び、クレジットを消費し、次のキックオフまでに公開している。

そこで、アニメのキーフレーム1枚とプロンプト1つを使って、MiniMax H3をアニメ動画生成ツールとしてVeo 3.1と比較した。両方とも同一の入力で最大設定にした。

最初に壊れたのは画質ではなかった。ドロップダウンだった。Veo 3.1は8秒で止まり、アスペクト比は2つしか提供しない。顔を捉えたショット、ボールに合わせたウィップパン、そしてタイトルカードを表示する――これが8秒に収まらない。そもそも画質で失敗する機会がなかった。

重要なポイント

• Veo 3.1のdurationは[4, 6, 8]、aspect_ratioは[16:9, 9:16]。MiniMax H3は4秒から15秒まで任意の整数秒、21:9, 16:9, 4:3, 1:1, 3:4, 9:16を提供。Veoに4:3がないため、レトロOVAフレーミングは不可能。
• H3のモデルカードには、ネイティブで安定した11の会話言語が記載され、日本語も含まれる。音声と映像は32kHzステレオで同時生成され、後から吹き替えられるわけではない。
• リファレンスパックの差は大きい。H3は最大9枚の画像＋最大3本の動画＋3つの音声クリップ（最大12ファイル）を受け付ける。Veo 3.1のリファレンスエンドポイントは画像3枚までで、使用するとdurationが[8]だけになる。
• テストを静かに台無しにする2つの落とし穴：VeoのAPIはgenerate_audioがデフォルトでfalse、resolutionが720p。H3のテキスト・トゥ・ビデオのratioデフォルトは1:1。これらをそのままにしておくと、サイレントの720pクリップと正方形のクリップを比較することになる。
• Veo 3.1にはH3にまったくない機能が2つある：seedとnegative_prompt。2Dアニメでは後者は本当に重要で、その例を示す。

---

MiniMax H3 Anime Video Generator vs Veo 3.1、同一フレームを連続比較

オリジナルキャラクター1人。キーフレーム1枚。プロンプト1つ、両モデルに一字一句同じものをコピー。それ以外は各モデルで最大設定。

MiniMax H3、画像・トゥ・ビデオ、2K、8秒、ネイティブ音声。音声をオンに：観客のざわめき、ボールを蹴る音、日本語の叫び声が映像と同じパスで生成されている。Atlas Cloud上のminimax/h3/image-to-videoで生成。

Veo 3.1、画像・トゥ・ビデオ、1080p、8秒、generate_audioを手動でオン、negative_promptで線画をフラットに維持。同一の最初のフレーム、同じ言葉。Atlas Cloud上のgoogle/veo3.1/image-to-videoで生成。

どちらも美しく描画される。Veoのシュートのワイドショット、手描きのインパクトラインと空中に浮かぶ漫画の効果音は、本当に美しい。それが正直な出発点であり、だからこそこの記事の残りは「雰囲気」ではなく、パラメーターと指示追従についてである。

ほとんどのMiniMax H3 Anime Video Generator vs Veo 3.1テストが間違う理由

この夏、2つのことが同時に起こった。

アニメがAI動画で最もボリュームのあるフォーマットになった。2026年ワールドカップは少年漫画のトーナメントとして書き換えられ、選手は独裁者、海賊船長、海兵隊大将、メンターとしてキャスティングされ、ストーリーは「ほぼ毎試合後に進化」し、TikTok、Instagram、X、YouTubeで拡散された（Complex、2026年7月）。

そしてMiniMax H3がオープンウェイトでリリースされた。初日ComfyUIスレッドは330ポイント、95コメントに達し、数時間以内に実際のローカル数値を投稿する人が現れた（Hacker News、2026年8月）。

これらを組み合わせれば、アニメの比較が大量に出てきそうなものだ。しかしほとんどない。なぜなら、ほとんどのテストは以下の4つの方法で間違って構築されているからだ。

「絵」ではなく「制約」を比較している。 アニメのショットはタイミングが重要。ウィップパンからタイトルカードへの移行は、レンダリングの問題以前に、時間の問題である。

VeoのAPIがデフォルトで無音であることを忘れている。 APIではgenerate_audioはfalse、resolutionは720p。多くの「Veoはアニメで音声が出ない」という投稿は、単に誰かがブール値を切り替えなかっただけである。

H3のテキスト・トゥ・ビデオがデフォルトで正方形であることを忘れている。 ratioのデフォルトは1:1であり、16:9ではない。アニメのt2vプロンプトを設定せずに実行すると、正方形のクリップと混乱した結論が得られる。

フォトリアルなプロンプトでテストしている。 「シネマティック、ボリューメトリックライト、浅い被写界深度」はまさに、2Dモデルを3Dレンダリングシェーディングに引きずり込む語彙である。アニメでの失敗モードはぼやけではなく、プラスチック感である。

実行前にアニメテストを決定づける3つの設定

何よりもまず、両側でこれらを設定しないと比較は無効である。

MiniMax H3 vs Veo 3.1 アニメ仕様書：長さ、比率、音声、リファレンス

私は両モデルの実際の入力スキーマを確認した。以下の値はすべて、モデルページで自分で確認できる列挙型であり、印象ではない。

表1：MiniMax H3 vs Veo 3.1、アニメショットを決めるパラメーター

長さ、比率、解像度、音声、リファレンス制限は、MiniMax H3 image-to-video、H3 text-to-video、H3 reference-to-video、Veo 3.1 image-to-videoおよびVeo 3.1 reference-to-videoのライブスキーマから読み取ったもの。9画像・12ファイルのリファレンス上限と11言語の会話リストは、MiniMax H3 model card（Hugging Face、2026年8月）から。

今度はスコアボード。仕様書とは異なることを示しており、両方とも重要である。

表2：群衆投票Eloと1分あたりのリスト価格、2026年8月7日時点

Eloと価格はArtificial Analysis Video Arena（Artificial Analysis、2026年8月）から。これらは変動する群衆投票である。$/分の列は正規化されたモデル推定値であり、実際の請求額ではない。

145ポイントのElo差は大きいが、これは汎用投票であり、アニメ投票ではない。そしてここで率直に言わなければならないことがある。MiniMaxはH3をアニメモデルとしてマーケティングしていない。内部の一次フィードバックでは、映画、アニメーション、コメディドラマはH3が対象としない分野として挙げられている。したがって、興味深い質問は「どちらがアニメモデルか」ではない。なぜアニメを売りにしていないモデルがショットで勝つのか、そしてGoogleがまだどこでラウンドを取るのか、である。

チュートリアルの前に実用的な注意点。以下のすべてのモデルは同じコンソールと同一のAPIキーで実行されており、これが唯一パラメーターを比較可能にしている理由である。同じキュー、同じ認証、1つの請求書。もしGPT Image 2をあるサービスで、Veoを別のサービスでセットアップしたら、見つける差異の半分は配管であり、モデルではない。

ショットを構築する：MiniMax H3 vs Veo 3.1、ステップバイステップ

1つの実行例を最初から最後まで。「ラストホイッスル」：オリジナルの10代のストライカー、赤い髪、白と紺の背番号9のユニフォーム、フラッドライト、シュートのウィップパン、そして最後の2秒で着地して安定しなければならない日本語のタイトルカード。

実在の選手も、公式キャラクターも、既存のアニメIPも使用しない。スタイルとオマージュのみ。その理由は後ほど。

ステップ1：GPT Image 2でアニメキーフレームをデザインする

キーフレームがアートディレクションを担うため、動画モデルはそれを発明する必要がない。左3分の1のネガティブスペースに注意。これは意図的である。動画モデルがそこにタイトルカードを書き込み、これがテキスト安定性テストとなる。

PlainCopy
1A single frame from a modern shonen sports anime. Cel-shaded 2D animation, hand-inked
2line art with consistent line weight, flat colour fills, hard-edged graphic shadows,
3absolutely no 3D shading and no photoreal skin. Close-up on an original teenage striker:
4messy dark-red hair, white-and-navy kit with the number 9, sweat and grass streaks across
5one cheek, eyes wide with exhausted determination, mouth open mid-shout. Behind him,
6stadium floodlights blaze into a wall of blurred crowd colour; radial speed lines burst
7from the centre of frame; one blade of grass hangs frozen in the air. Saturated palette,
8deep cyan shadows, warm orange rim light. 16:9 composition, the character framed right of
9centre, clean negative space on the left third. No text anywhere in the image.

設定：モデル openai/gpt-image-2/text-to-image、品質 high、サイズ 16:9 (2048x1152)。それ以外はなし。

Atlas Cloud上のGPT Image 2プレイグラウンド。ラストホイッスルのキーフレームプロンプトと、出力パネル内の完成したアニメフレーム。

Atlas Cloud上のGPT Image 2：品質をhighに設定、右側に完成したキーフレーム。

ベースとなるアニメキーフレーム：スタジアムのフラッドライトの下で叫ぶオリジナルの赤い髪のストライカー、セルシェーディング、フラットカラー、スピード線。

両モデルが受け取るキーフレーム。フラットカラー、硬い影、タイトルカードを待つ空の左3分の1。

ステップ2：MiniMax H3画像・トゥ・ビデオ、すべて最大設定

同じ画像を入力、2K出力。ここではH3を8秒に制限している。これはVeoの上限に合わせるためであり、H3の限界ではない。ステップ4で制限を外す。

PlainCopy
1Cel-shaded 2D anime, hand-inked line weight, flat colour, no 3D shading. Hold on the
2striker's face for one beat, then a violent whip pan follows the ball as he strikes it,
3the pan smearing the frame into streaked sakuga motion trails. One frame of total silence
4at impact. Over the final two seconds, bold white Japanese title lettering reading
5ラストホイッスル punches onto the left third of frame and holds rock-steady, no warping,
6no flicker, no drift. The striker shouts one line in Japanese: 「まだ終わってない！」
7Audio: stadium roar swelling, a single sharp ball-strike impact, a low taiko hit under the
8title card.

設定：モデル minimax/h3/image-to-video、resolution: 2K、duration: 8、ratio: adaptive（画像・トゥ・ビデオは入力画像からフレーム形状を取得）、image＝ステップ1の出力。

テキスト・トゥ・ビデオに分岐する場合の注意：ratio: 16:9を明示的に記述すること。デフォルトは1:1であり、喜んで正方形のアニメカットを渡す。

Atlas Cloud上のMiniMax H3画像・トゥ・ビデオプレイグラウンド。ラストホイッスルのプロンプト、キーフレームを読み込み、出力パネルに完成したクリップ。

Atlas Cloud上のMiniMax H3画像・トゥ・ビデオ：左側にステップ1のキーフレームを読み込み、右側で完成したクリップを再生。

ステップ3：Veo 3.1画像・トゥ・ビデオ、音声を手動でオン

プロンプトは同一、一字一句同じ。形容詞を1つでも変えると比較ではなくなる。変わるのは、Veoが提供しH3にはない追加フィールドである。

negative_prompt。2Dアニメでは、このリストで最も有用なコントロールである。

PlainCopy
13D render, CGI, plastic shading, photorealistic skin, live action footage, motion blur
2soup, warped lettering, gibberish text, extra fingers, subtitle bar

設定：モデル google/veo3.1/image-to-video、resolution: 1080p（変更する、デフォルトは720p）、duration: 8（これが上限）、aspect_ratio: 16:9、generate_audio: true（APIデフォルトはfalse、これが無音クリップの罠）、seed: 20260807、image＝同じステップ1の出力。

Atlas Cloud上のVeo 3.1画像・トゥ・ビデオプレイグラウンド。Generate Audioを有効にし、アニメキーフレームを読み込み、出力パネルに完成したクリップ。

Atlas Cloud上のVeo 3.1画像・トゥ・ビデオ、Generate Audioをオンにし、右側に完成したクリップ。

ステップ4：アニメ固有の5つの軸でスコアリング

ここで生成するものはない。ただ、アニメが実際に壊れる点で見るだけである。両クリップはこの記事の上部近くに埋め込まれているので、私の言葉を鵜呑みにせず自分でスコアリングできる。

両クリップの最終フレームを並べて比較。左がMiniMax H3でクリーンな日本語タイトル文字、右がVeo 3.1で判読不明な縦書き文字。

各クリップの最後のフレーム。左側、H3は「ラストホイッスル」と8文字すべて正しく、非常に安定している。右側、Veo 3.1は要求された単語でもなく、単語を形成しない3文字を表示。

タイトルカードがラウンドを決定した場所であり、接戦ではなかった。H3は要求されたカタカナを正確に、硬いエッジで安定して、ゴール前のスミアパンに重ねてレンダリングした。Veo 3.1は、要求された単語でも単語でもない3文字の縦書きスタックを生成した。同じフレームで、キャラクターをショットから外し、背景を半フォトリアルなスタジアムプレートに滑らせた。photorealistic skinと3D renderがネガティブプロンプトにあるにもかかわらず。

表3：アニメカットを決定する5つの軸（これら2つの実行から）

最後の行は、これまでのH3に対する最も声高な批判であり、まさにそれを両方のプロンプトに書いた理由である。初日ComfyUIスレッドで、ユーザーfwipは公式デモプロンプトでさえ無視されたと不満を述べた：「屋上からの激しいウィップパンで浮遊する言葉を一緒にスミアし、モーショントレイルを残す。そして動画はそのトランジションをまったく実行せず、単にカットに置き換えた。」

この実行では、パンをカットに置き換えたのはVeoであり、スミアしたのはH3だった。各1回ずつでは結論ではないし、そう主張するつもりもない。しかし、批判がH3固有ではないことを意味する。ウィップパンはこのテスト全体で最も信頼性の低い指示であり、どちら側でも同じである。もしストーリーボードがウィップパンに依存しているなら、それを通り抜けるのではなく、それを回避するようにストーリーボードを組むこと。

ステップ5：Veo 3.1が構造的に出力できない4:3レトロOVAカット

これは品質の好みではない。壁である。Veoのaspect_ratio列挙型には2つの値しかなく、4:3はない。またduration列挙型には12はない。90年代OVAのルックは単純に到達不可能である。

PlainCopy
1A 1990s OVA anime cut, 4:3 full-frame. Hand-painted background art with visible brush
2texture, cel-paint characters with thick uneven ink lines, heavy halation glow around the
3floodlights, 16mm film grain and faint gate weave. The same red-haired striker in a
4white-and-navy number 9 kit walks off a rain-soaked pitch as the crowd noise fades to a
5single ringing tone. Camera pushes in slowly on his face. He says quietly in Japanese:
6「次は、勝つ」. Retro palette: muted teal, dusty amber, deep maroon shadows. Audio:
7distant rain, a lone analogue synth pad, one reverb-heavy whistle in the far distance.

設定：モデル minimax/h3/text-to-video、resolution: 2K、duration: 12、ratio: 4:3。この比率は手動で設定する。デフォルトを忘れずに。

Atlas Cloud上のMiniMax H3テキスト・トゥ・ビデオプレイグラウンド。OVAプロンプトを入力し、出力パネルに完成したレトロクリップ。

Atlas Cloud上のMiniMax H3テキスト・トゥ・ビデオ、OVAプロンプトを入力、クリップ完成。正直に言うと、この特定の実行ではAspect Ratioを16:9、Durationを8のままにしたため、右側に表示されているのはワイドスクリーンの短いバージョンである。以下の4:3の12秒カットは、ratio: 4:3とduration: 12を明示的に設定したAPI呼び出しからのもの。

4:3レトロOVAカット：雨に濡れたピッチを歩く同じストライカー、90年代アニメスタイル。

H3テキスト・トゥ・ビデオ、4:3、12秒。配信されたファイルは1920x1440（ピクセル単位で4:3）で、32 kHzステレオトラック付き。ここではページを軽くするため、フレームレートを落とした無音GIFとして表示。Atlas Cloud上のminimax/h3/text-to-videoで生成。

ステップ6：9枚のリファレンス画像、1キャラクター、4カット

クロスショットのキャラクター一貫性はAIアニメで最も難しい問題であり、リファレンスボリュームで解決される。まずパックを構築する。ステップ1のプロンプトを、フレーミングを正面、3/4、横顔、背面、笑顔、歯を食いしばった顔、全身立ち姿、キット詳細、ブーツ詳細に変えて再実行する。9枚の画像、合計約8セント。

リファレンスパックとして生成された、同じオリジナルストライカー選手の4つのアングル。2×2のグリッドに配置。

9枚のリファレンスアングルのうち4枚。H3は1つのリファレンスパックに最大9枚の画像と、さらに動画および音声リファレンスを受け付ける。

PlainCopy
1Cel-shaded 2D anime, consistent hand-inked line weight, flat colour, no 3D shading. Keep
2the referenced striker's face, hair silhouette and number 9 kit identical across every cut.
3Four cuts in one continuous take: (1) low-angle push-in on his boots hitting the turf,
4(2) whip-pan up to a tight close-up of his eyes, (3) wide shot of him sprinting past three
5defenders drawn as blurred silhouettes, (4) freeze on a mid-air header, speed lines
6exploding outward. Audio: crowd roar, breath, boot-on-turf impacts, one taiko hit on the
7freeze.

設定：モデル minimax/h3/reference-to-video、refers＝あなたの画像をtype: imageで、resolution: 2K、duration: 8以上、ratio: adaptiveまたは16:9。

Veo 3.1の同等機能はこれらの設定では実行できず、試す必要もない理由がわかる。そのリファレンスエンドポイントは最大3枚の画像を受け付け、そのエンドポイントを選択するとdurationは唯一の有効値である8に縮小される。9枚の画像パックと10秒のテイクはどちらも範囲外である。

Atlas Cloud上のMiniMax H3リファレンス・トゥ・ビデオプレイグラウンド。リファレンスカウンターが4/9を示し、出力パネルに最初のカット。

Atlas Cloud上のMiniMax H3リファレンス・トゥ・ビデオ。カウンターはReference Materials (4/9)と表示され、その下にMAX:9。これはインターフェースの上限であり、仕様書の主張ではない。出力はカット1、ブーツへのローアングルプッシュイン。

さらに試す価値のある4つのMiniMax H3 Anime Video Generator実行

ラストホイッスルのショットは、違いのうち4つだけを強調している。以下の4つは残りを強調する。すべてH3で実行可能。ノートではVeo 3.1がどれに一致できるかを示す。

1. ウルトラワイド作画バトル、21:9、10秒。 Veoは21:9をまったく出力できない。

PlainCopy
1Cel-shaded 2D anime action, thick tapered ink lines, flat colour, hard-edged shadows,
2no 3D shading. Two original masked duelists on a windswept temple roof at dusk. Blade
3clash, the frame shudders, both fighters break apart in a burst of hand-drawn impact
4frames and radial speed lines. Camera: low-angle push-in, then a lateral track, then a
5snap to a wide silhouette against the orange sky. Audio: two sharp metal clashes, cloth
6snap, a low taiko hit on the final freeze, no music.

1. ビート同期AMVカット、音声リファレンス付きリファレンス・トゥ・ビデオ。 H3は最大3つの音声クリップをリファレンス入力として受け付ける。Veo 3.1には音声入力がなく、音声出力のみ。

PlainCopy
1Cel-shaded 2D anime montage cut to the referenced audio track. Five short beats: rain on
2a window, a hand tightening a bandage, a city skyline flashing past a train window, a
3sprint start, a freeze on an outstretched hand. Every cut lands exactly on a downbeat of
4the referenced audio. Flat colour, thick ink lines, high-contrast night palette of deep
5indigo and neon magenta.

1. 2行の日本語会話シーン、12秒。 これがリップシンクのストレステストであり、12秒はすでにVeoの範囲外である。

PlainCopy
1Cel-shaded 2D anime, flat colour, no 3D shading. Two original characters on a rooftop at
2golden hour, shot reverse shot. First says in Japanese:「本当に行くの？」. The second
3answers, half-smiling, in Japanese:「もう決めた」. Mouths match every syllable. Warm rim
4light, long shadows, gentle wind in hair. Audio: two distinct Japanese voices, distant
5traffic, one cicada.

1. 縦型少年漫画ショート、9:16、8秒。 両モデルとも縦型は可能なので、ここは実際にA/B比較する唯一の場所である。

PlainCopy
1Cel-shaded 2D anime, vertical composition. An original teenage runner bursts through a
2paper banner in slow-motion, then the frame snaps back to full speed as she accelerates
3down a stadium straight. Speed lines, flat colour, hard shadows, bold graphic sky.
4Camera: low-angle follow shot, then a whip up to her face. Audio: banner tear, crowd
5surge, one breath held then released.

これらの背後にあるプロンプト文法については、MiniMax H3 prompt guideが、H3がカメラと音声の指示をどのように解析するかを、ここでできるよりも深くカバーしている。

MiniMax H3 vs Veo 3.1で60秒のアニメOPにかかるコスト

標準的なアニメOPは約90秒。8秒のショットを8カット、64秒の完成動画、各ショットに1枚のキーフレーム（1枚あたり$0.009）とする。

私がごまかすよりも知っておくべき実際の価格差がある。Atlas CloudのカタログはMiniMax H3を1秒あたり$0.10フラットと表示しているが、モデルReadmeは2Kで$0.14/s、768Pで$0.10/sと内訳を示している。Veo 3.1は1秒あたり$0.20と表示されているが、Readmeでは音声あり$0.40/s、音声なし$0.20/sと分かれている。

スクリーンショットの実行ボタンがそれを裏付ける。H3リファレンス・トゥ・ビデオ、8秒、2K、表示されたRun $1.12は正確に$0.14/秒。Veo 3.1画像・トゥ・ビデオ、8秒、1080p、音声オン、表示されたRun $3.2は正確に$0.40/秒。したがって、Readmeのレートが請求されるものであり、カタログの見出しはエントリー層である。念のため、両方の数値を以下に示す。これらは2026年8月時点のリスト価格である。

表4：8秒ショット×8、キーフレーム込み

価格は表1にリンクされているAtlas Cloudモデルページから、2026年8月。これら4つのいずれも現在割引はない。

この表に含まれていないものが2つあり、どちらも秒単位のレートよりも影響が大きい。

リトライ。 アニメショットの最初のテイクをそのまま出荷する人はいない。どんな乗数を想定しても、両方の列に適用すれば同じ割合で差が広がる。

実時間、そしてこれは逆方向に働く。 2026年8月7日に端から端まで計測：H3 2K 8秒は447秒、約7.5分。H3テキスト・トゥ・ビデオ 2K 12秒は334秒。Veo 3.1 1080p 8秒 音声ありは152秒、3分未満。Veoはここで最初のテイクまで約3倍速く、午前2時にショットを反復している場合、これは実際の価値がある。キューは動くので、これらは1回の午後のスナップショットとして扱い、仕様として扱わないこと。しかし、H3 2Kに「2〜3分」と引用している人は、キューではなくReadmeを引用している。 2K vs 768P breakdownは、上位層が追加の数分の価値がある場合をカバーしている。

アニメスタイル、オマージュ、そして実際に公開できるもの

この記事のすべてはスタイルとオマージュである。オリジナルキャラクター、オリジナルユニフォーム、オリジナルタイトル。公式アニメキャラクターは生成も要求もしておらず、実在のサッカー選手の名前や肖像も使用していない。ワールドカップのトレンドは「フォーマット」として参照されている。なぜなら、それが有用な点だからである。

その区別は飾りではない。もしアニメスタイルのコンテンツを商業的に制作しているなら、「90年代OVAのスタイルで」と「この特定の番組のこの特定のキャラクター」は異なる法的対象であり、そのうちの1つだけがビジネスである。

オープンウェイトについて：H3は実際にダウンロード可能であり、人々は初日に実行した。あるコメンターは、4070 Ti Super 16GBで10秒の480pクリップに10分かかったと報告し、他の人は5080で3分、RTX 6000 Proで68秒と投稿した。しかし、セルフホスティングは768の短辺で実行される。2Kを生成するContext-IRとRegenerate-2KステージはAPI側に残る。

ライセンスには実際の落とし穴がある。コミュニティライセンスは現在、EU、英国、韓国、米国をカバーしておらず、「AI関連規制を現在開発または施行している地域」を挙げている。正式なライセンスリクエストチャネルが開かれており、あるHNコメンターは「あなたはディズニーを怒らせないと小指で約束するだけで、ライセンスを送ってくれる」と要約した。面白いが、これら4つの地域のいずれかにいる場合、スキップできないコンプライアンスステップでもある。open weights write-upに完全な地域リストがある。

よくある質問

MiniMax H3はVeo 3.1と比較して良いアニメ動画生成ツールですか？

ほとんどのアニメ作業では、H3である。そしてその理由は主にレンダリングに関するものではない。H3は4～15秒（Veoは4,6,8）、6つのアスペクト比（4:3と21:9を含む、Veoは2つ）、日本語を含む11のネイティブ安定会話言語、9枚のリファレンス画像（Veoは3枚）を提供する。Veo 3.1が勝る特定の状況は、再現可能なリテイクのためにseedが必要な場合、またはショットが3Dレンダリングシェーディングにドリフトするのを防ぐためにnegative_promptが必要な場合である。H3にはどちらのパラメーターもない。パイプラインがどちらかに依存している場合、それは本当に留まる理由となる。

Veo 3.1は4:3や15秒のクリップを生成できますか？

いいえ、そしてそれはスタイル上の理由ではない。Veo 3.1のaspect_ratio列挙型は16:9と9:16のみ、duration列挙型は4, 6, 8のみ。選択可能な4:3の値はなく、12秒や15秒を要求する方法もない。もしリファレンスが90年代のテレビアニメやOVAなら、フレーミングはVeoでは手の届かない範囲であり、H3では利用可能である。

なぜ私のVeo 3.1アニメクリップは無音で返ってきたのですか？

generate_audioがAPIでデフォルトでfalseだからである。プレイグラウンドのトグルは通常オンになっているので、これはAPIを直接呼び出す人だけが引っかかる。明示的にgenerate_audio: trueを設定すること。ついでにresolutionも設定すること。デフォルトは720pで、おそらく意図した1080pや4Kではない。

MiniMax H3はアニメの日本語の会話とリップシンクに対応していますか？

はい。モデルカードには安定した会話サポートのある11言語がリストされている：アラビア語、中国語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、ロシア語、スペイン語。音声は映像と同時に32kHzステレオで生成され、後から吹き替えられるわけではない。そのため、最初の数音節だけでなく、行全体で口のタイミングが合う。日本語の行はプロンプトに直接日本語で書くこと。

アニメキャラクターの一貫性を保つために、何枚のリファレンス画像を使用できますか？

MiniMax H3は最大9枚の画像、最大3本の動画クリップ、最大3つの音声クリップを受け付け、全タイプで合計12ファイルのハードリミットがある。Veo 3.1のリファレンス・トゥ・ビデオエンドポイントは1～3枚の画像を受け付け、それを選択するとdurationが唯一の有効値である8に縮小される。シリーズ全体で繰り返し登場するアニメキャラクターにとって、この違いはすべてを決める。

MiniMax H3はオープンウェイトなので、アニメパイプラインをローカルで無料で実行できますか？

ダウンロードして実行することは可能だが、3つの注意点がある。セルフホスト推論は768の短辺で実行され、2K出力を生成するContext-IRとRegenerate-2KステージはAPI側に残る。実際のローカル速度はカードによって大きく異なる。初日ComfyUIスレッドによると、4070 Ti Superで10秒の480pクリップに約10分、5080で約3分、RTX 6000 Proで約68秒。そしてコミュニティライセンスは現在、EU、英国、韓国、米国をカバーしていない。これらの地域にいる場合、商用利用には正式なライセンスが必要である。