Meta Title: MiniMax H3 ジブリ風 2026年版：3ステップ、サウンド付き

Meta Description: 描かれたキーフレーム、1つの15秒MiniMax H3レンダリング、そして風と蝉が同じファイルに到着。実際のプロンプト、実際の設定、操作されたスクリーンショット。

---

MiniMax H3 ジブリ風：実際に息づく15秒の手描きショットへの3ステップ

あなたは、うまくいかないバージョンを見たことがあるだろう。誰かが描いたポートレートをビデオツールに放り込み、待つと、3秒のLive Photoのような揺れが発生する。髪が震え、雲が凍りつき、音はなく、ループする。

手描きの映画がそんな風に動いたことは一度もない。そして、あんなに静かだったこともない。

そこで、私たちが代わりにやった方法を紹介する。1枚の描かれたキーフレーム、1つのMiniMax H3 ジブリ風レンダリングを15秒で。草が波打ち、路面電車が高架橋を渡り、蝉がすべての下にいて、4つのピアノの音が解決する。これらすべてが1つのジョブから、1つのファイルに、ステレオオーディオが組み込まれて出てくる。

以下は、完成したショットが最初にあり、次に正確なプロンプト、実際にコミットする設定、実際に操作されたプレイグラウンドのスクリーンショット、そしてラインごとの明細が続く。

主要なポイント

• 1つの15秒2Kジョブが、2560x1440、24fps、AACステレオ32kHz、ウォーターマークなしを提供。
• 手描きルックはパレットの問題ではなく、テンポの問題。滑らかさではなく「2コマ打ち」を要求せよ。
• 風、蝉、ピアノはすべて同じレンダリングから生成される。2回目のスコアリングパスは不要。
• 3ステップ：キーフレームを描き、アニメートし、参照動画で2ショット目を合わせる。
• スタジオ名や監督名はプロンプトに入れない。代わりに技法を説明せよ。

これが完成したショット。理論の前に。

音声をオンにしてください。MiniMax H3、2Kでの1つの連続15秒の画像→動画ジョブ。カットなし、後処理なし。草の突風、路面電車のベル、蝉の音、ピアノがすべてこの1つのmp4に収まっています。

ここで動画を再生できない場合、以下に重要な4つのビートを示す。上記のファイルから直接抜き出したもの。

MiniMax H3ジブリ風の丘の斜面レンダリングから、0秒、5秒、10秒、15秒の4フレーム。最初の草の突風、高架橋を渡る路面電車、2回目の突風、保持された最後のビートを示す。

同じレンダリングを0秒、5秒、10秒、15秒でサンプリング。最後のカードを見てほしい。意図的に新しい要素はフレームに入っていない。

ほとんどのMiniMax H3ジブリ風の試みがフィルターのように見える理由

結論から言うと：フィルターっぽく見えるのは、ほぼ常に色ではない。タイミング、音、長さである。

証拠を示す。セル画のアニメーションは、1秒間に24枚のユニークな絵でアニメートされていない。宮崎駿の走るサイクルの1つを分解したAnimation Obsessiveは、それを「2コマ打ちで描かれた走り」で「1秒間に12枚の絵」であり、「各絵は2フレームの間画面に留まる」と呼んでいる。（Animation Obsessive、2023年3月）

では、動画モデルがデフォルトで何をするかを考えてみよう。補間する。滑らかに。シルキーに。フルフレームレートで。

それがすべての原因だ。あなたのパレットは問題なかった。動きが良すぎたのだ。

問題は、モデルが描かれたレイヤーを15秒間完全に保持できるかどうかだ。答えはイエスで、これがその結果である。

手描きの金魚と海藻が、実際の日当たりの良いキッチンカウンターの上でアニメーション。MiniMax H3の15秒レンダリングから。

MiniMax H3のサンプル実行：実際のライブアクションのキッチン映像の上に描かれた、クレヨンで輪郭を取った金魚と緑の海藻のストローク。15.08秒の全長にわたって線画がにじむことなく保持。ここでは無音の GIF で表示；配信されたファイルは24 fps の動画と32kHzのステレオオーディオを搭載。

2番目の死因：スタイルの約束の混在。「フォトリアリスティックなアニメ水彩」と書くと、モデルは3つの契約を同時に満たそうとし、結果は人々が「AIスロップ」と呼ぶドロドロになる。1つの媒体にコミットすれば、それは保持される。

クレイメーションのキツネが、光る溶岩の裂け目のそばのひび割れた岩の上で跳躍中。プラスチックの指紋のテクスチャが見える。MiniMax H3レンダリングから。

同じ原理、異なる媒体：1つの単一スタイルの約束（「ストップモーション・プラスチシン」）が、10秒間にわたって実際の指紋テクスチャとストップモーションの重量感を生み出す。無音の GIF ；ソースファイルは2560x1440でステレオオーディオ付き。

そして3番目と4番目：無音、そして息継ぎの余地がない。人々がこのスタイルで意味するものの約半分は、サウンドデザイン、風、そしてまばらなピアノである。そして間には本当の秒数が必要だ。5秒のクリップは物理的に3秒間何も起こらないことを保持できない。

以下は、私たちが繰り返し参照する診断表である。

プロンプトと同じくらい重要なのは、どのエンドポイントを使うかである。3つあり、それぞれ異なる仕事をする。

手に書いておく価値のある落とし穴が1つ：imageとrefersを同じ呼び出しで送信してもエラーにはならない。ジョブは完了し、全額課金され、2つの入力のうち1つを静かに破棄する。両方のエンドポイントで測定したが、どの方向でドロップするかは異なる。呼び出しごとに1つのエンドポイントを選べ。

MiniMax H3 ジブリ風ワークフロー：3モデル、1タブ

このセクションでは、チェーン全体と各リンクのコストを提供する。すべて1つのブラウザタブでAtlas Cloud上で実行され、以下のすべてのスクリーンショットはそこで操作されたものである。だから、ファイルをエクスポートして別の場所に再アップロードする必要は一切ない。

この特定のジョブにとってそれが重要な理由：ペインティングモデルと動画モデルはフレームについて合意する必要がある。それらを同じプラットフォームに保つということは、あなたが生成したキーフレームが、次のプレイグラウンドが最初のフレームとして受け取れるファイルであり、参照動画ステップがキーフレームと完成したクリップから抽出した静止画の両方にアクセスできることを意味する。

自分のスプレッドシートと議論を避ける1つの習慣：モデルページの目立つ数字は最低ラインであり、あなたの請求額ではない。H3のページは$0.10/秒とリストされているが、これは768P層の価格であり、2Kは$0.14。GPT Image 2は$0.009とリストされているが、これはトークン層の最低ラインであり、品質high、2048x1152では実際には$0.1745と見積もられる。毎回Runボタンを読むこと。それがあなたが請求される数字だから。

2026年8月時点で、H3エンドポイントに有効な割引はない。画像モデルの-developerバリアントのみが割引されており、これはドラフトには知っておく価値があり、納品には関係ない。

始めよう。

ステップ1：キーフレームを描く

フレームが重労働をする。動画ステップが発明できないもの、構図、パレット、線の品質、紙の質感は、すべてすでにこのPNGになければならない。

GPT Image 2 text-to-image playgroundを開き、これをそのまま貼り付ける。

PlainCopy
1Hand-painted 2D animation background in the style of 1990s Japanese cel animation: a wide summer hillside in late afternoon. Tall green grass fills the lower two thirds, painted in soft gouache with visible brush texture and hand-inked blade edges. A girl about ten years old stands in the middle distance seen from behind, wearing a plain yellow raincoat and a red backpack, one hand holding down a straw hat. Beyond the hill a narrow single-car tram crosses a green valley on a low stone viaduct; distant blue mountains fade into a pale cream sky with towering cumulus clouds painted as flat layered shapes. Warm 4pm light, soft ambient shadows, no harsh contrast, limited palette of grass green, cream, sky blue and one yellow accent. Cel-animation line quality: clean confident outlines, flat colour fills, hand-painted watercolour background, subtle paper grain. No text, no logos, no watermark, no photorealism, no 3D render, no lens flare, no modern buildings.

設定：quality high、サイズ 2048x1152（16:9）、画像1枚。ここでmediumに落とさないこと。紙の質感とインクで描かれた刃のエッジは、まさに低い層が滑らかにしてしまう詳細であり、それら2つが後でショット全体を売るものだから。

プロンプトが言及していないことに注意：スタジオ名、監督名はない。すべてのスタイル上の指示は技法の説明である：ガッシュ、手描きのエッジ、フラットカラー塗り、セルアニメーションの線の品質。これは臆病さではなく、より良いプロンプトだからである。「フラット塗りと目に見える紙の質感を持つセルアニメーション」は具体的な指示であり、スタジオ名は曖昧な指示だからだ。

実行結果はこちら。

Atlas Cloud上のGPT Image 2プレイグラウンド。手描きの丘の斜面プロンプト、品質high、16:9で読み込まれ、完成したジブリ風キーフレームが出力パネルにレンダリングされている。

GPT Image 2、品質 high 、2048x1152、Atlas Cloud上で実行。Runボタンに注意：$0.1745。価格ページの$0.009ではない。

そしてキーフレーム単体。次のステップにこの正確なファイルを渡すことになるからだ。

手描きの夏の丘の斜面キーフレーム：後ろから見た黄色いレインコートの少女が背の高い草の中に。谷の向こうの石造りの高架橋を走る1両編成の路面電車。平らな層状の積雲。

openai/gpt-image-2/text-to-image で生成。このPNGが、この記事の上部にある完成したショットの最初のフレームである。

ステップ2：MiniMax H3ジブリ風の動きにアニメートする

ここからが面白い部分だ。このプロンプトはほとんどの人が書くものより長い。そしてそれは意図的である。なぜなら、あなたは雰囲気ではなく、タイミングシートを書いているからだ。

典型的なプロンプトが指定しない4つのこと：各突風がいつ始まるか、路面電車がいつ入り出るか、テンポが2コマ打ちであること、そしてレイヤーごとのエントリータイムを含む完全なオーディオ段落。

ステップ1のPNGをMiniMax H3 image-to-videoページに読み込み、これを貼り付ける。

PlainCopy
1Animate this painting as one continuous hand-drawn shot, 15 seconds, no cuts.
2Camera: a very slow push in, barely perceptible, plus a gentle drift right of about five percent of frame width. No zoom snap, no handheld shake.
3Motion: wind moves through the tall grass in two long travelling waves, one starting at second two and one at second nine, bending the blades the same direction each time. The girl's raincoat hem and hair lift with each gust; her straw hat brim flexes. Clouds drift almost imperceptibly. At second seven a single-car tram crosses the viaduct left to right and leaves frame at second eleven. From second twelve to fifteen nothing moves except the grass and one cloud shadow crossing the hill: hold the stillness, do not add new action.
4Animation cadence: hand-drawn on twos, held drawings, slight frame-to-frame line wobble. No interpolated silky motion, no morphing, no melting edges. Keep flat colour fills and painted paper texture. Do not add photographic depth of field, bokeh or lens flare.
5Audio: continuous summer cicadas at a steady mid level; layered grass rustle that swells with each gust; one distant tram bell at second seven with faint wheel rumble fading out by second eleven; and a sparse solo piano line of four notes entering at second three and resolving at second thirteen. No voice, no narration, no dialogue, no on-screen text, no music beyond that piano line.

設定：image = ステップ1のPNG、resolution 2K、duration 15、比率はadaptiveのまま。最後のは怠惰ではない。このエンドポイントの列挙型にはadaptiveしか含まれておらず、アップロードされたフレームが出力形状を決定する。したがって、16:9のキーフレームは16:9のクリップを生成する。

さて、クリックする前にRunボタンを読むこと。なぜなら、まさにここで私たちは1テイクを失ったからだ。

2K、15秒で見積もりは$2.10になるはずだった。私たちのは$1.12と表示された。durationスライダーが私たちの15を決して受け入れず、ジョブは8秒のデフォルトで実行され、フォームの他のすべてのフィールドは完全に正しく見えていた。その実行がこちら。罠はフレーム内にちょうど座っている。

Atlas Cloud上のMiniMax H3 image-to-videoプレイグラウンド。描かれたキーフレームが読み込まれ、解像度2K、完成したジブリ風の丘の斜面クリップが出力パネルで再生中。

プロンプトは15秒を要求している。プレイヤーは0:08と表示している。Runボタンは$1.12と表示している。解像度 2K はコミットされたが、durationはされなかった。スライダーではなく、価格を読め。

修正方法は2つ：スライダーをドラッグして見積もりが$2.10に変わるのを確認してから送信するか、APIを通じてジョブを送信する。APIではduration: 15は静かに見逃されることのない単なるフィールドだからだ。この記事の上部にあるクリップは2番目のルートで、同じエンドポイント、同じプロンプト、resolution: 2K、duration: 15である。

その方法で配信：15.08秒のコンテナ、2560x1440、24fps、H.264、AACステレオオーディオ32kHz、ウォーターマークはどこにもない。偶然の8秒バージョンは、同じジオメトリで正確に8.00秒で返ってきた。ウォールクロックで5〜10分の予算；8秒2Kジョブは私たちの実行で310〜400秒で着地し、3つの参照を運ぶ2Kジョブは557秒かかった。

ステップ3：参照動画で2ショット目をマッチングする

1ショットはデモに過ぎない。同じ世界に属する2ショットはシーケンスである。そして、ここでほとんどの人のジブリ風実験が崩壊する。キャラクターの顔がずれ、パレットが暖かくなり、紙の質感が消える。

修正はより良いプロンプトではない。それは異なるエンドポイントだ。参照動画は、タグ付けされた参照素材を受け取り、そのルックを新しいカメラ設定に運ぶ。

ステップ1のキーフレームを参照として与える。その1枚のフレームは、パレット、線の品質、紙の質感を運び、このショットではそれだけでルックを保持した。以下の結果が示す通り。もし自分の実行で動きが始まるとドリフトする場合は、ステップ2のクリップの終わり近くからエクスポートした静止画を2番目の参照として追加する。これにより、モデルが動き始めた後に線画に何をしたかが運ばれる。次に、これをreference-to-video endpointに貼り付ける。

PlainCopy
1Match the painted look, palette, line quality and paper grain of the reference images exactly, then film a different shot in the same world: a low camera at grass height on the same hillside, looking up at the same girl in the yellow raincoat as she crouches to touch one tall stalk, then stands and looks off toward the valley.
2One continuous shot. Hand-drawn on twos, held drawings, flat colour fills, hand-painted watercolour background. No photorealism, no new characters, no costume change, no text, no watermark.
3Camera: static for the first four seconds, then a slow tilt up following her as she stands, ending on her profile against the cream sky.
4Audio: the same summer cicada bed and grass rustle as the reference; one soft cloth movement as she stands; the same sparse solo piano continuing without restarting. No dialogue, no narration.

設定：refers = キーフレーム、resolution 2K、ratio adaptive（参照フレームが出力形状を設定）、そして希望のdurationを選ぶ。私たちの実行は2Kで8秒で戻り、$1.12と見積もられ、参照は$0で課金された。実際の実行からの3つの注意点：

• 参照ファイルは無料。10枚の参照画像は、同じ長さと解像度の1枚とまったく同じように課金される。
• データURLを渡す場合は、そのtypeを明示的に宣言すること。エンドポイントはファイル拡張子からタイプを推測するが、データURLには拡張子がない。
• 自動化されたキャプチャで、このページのアップローダーに.mp4を渡さないこと。すべてのアップロードを静かに失敗させ、Runボタンをグレーアウトさせる。

Atlas Cloud上のMiniMax H3 reference-to-videoプレイグラウンド。ジブリキーフレームが参照として読み込まれ、マッチングショットのプロンプトが2Kで設定されている。

MiniMax H3 reference-to-video：参照素材スロットにキーフレーム、マッチングショットプロンプトが読み込まれ、2K。 参照素材 は$0で課金されるため、$1.12の見積もりはすべてレンダリング料金。結果はすぐ下。

同じMiniMax H3ジブリ風世界でのマッチングされた2ショット目：草の高さからの低いカメラが、黄色いレインコートの少女を見上げる。

配信された2ショット目。同じパレット、同じ線の太さ、同じ紙の質感、新しいカメラ。無音の GIF ；ソースmp4はステレオオーディオを搭載。

これが完全なチェーンだ。描く、アニメートする、マッチングする。3つの実行、1つのタブ。

チェーンが機能したら、次に試す価値のある3つのバリエーション：

• 自分の写真を再描画する。 自分が所有する風景や街の写真をgoogle/nano-banana-2/editに送り、次のようにする："Repaint this photograph as a hand-painted 2D animation background: gouache and watercolour texture, clean hand-inked outlines, flat colour fills, limited palette of green, cream and sky blue, subtle paper grain. Keep the exact same composition, camera angle and horizon line. Remove all text, signage and logos. No photorealism, no 3D render." 次に結果をアニメートする。縦型にしたい場合は、まず描かれたフレームを9:16にクロップする。なぜなら、フレームが形状を決め、比率フィールドではないからだ。
• 同じフレーム、異なる天気。 ステップ2のプロンプトの前に Repaint the lighting as dusk in light rain: palette shifts to slate blue, wet cream and one warm window glow; を付け、オーディオレイヤーを安定した小雨と8秒での1回の遠い雷鳴に交換する。新しいキーフレームは不要。
• 最初に768Pでドラフトする。 1秒あたりより安く、ブロッキングに便利。ただし、次節で説明する1つの厳格なルールが付随する。

MiniMax H3ジブリ風シーケンスのコスト

プレビュー：公開可能な30秒2ショットシーケンスは約$4.40で着地し、安価なドラフトルートには節約額以上にコストがかかる落とし穴がある。

以下が請求書。モデルページで確認された1秒あたりのレートに基づき、実際のジョブ記録と照合して確認されたもの。

さて、落とし穴。お金を節約するために768Pでドラフトすることは、構図とブロッキングには有効だが、人々が想定するようには機能しない。

2つの測定結果。第一に、異なる解像度層でテキスト→動画のプロンプトを再実行しても、よりシャープになるわけではなく、異なる映画として戻ってくる。異なるセット dressing、異なるカメラの高さ、異なる小道具。image-to-videoを通じて最初のフレームをロックすることが、違いを詳細に限定するものだ。第二に、これは私たちを驚かせたが、同じロックされた最初のフレームと同じプロンプトでも、2つの層からのオーディオトラックは無関係である。波形相関は0.0053と測定され、これは統計的ノイズである。

言い換えれば、768Pのドラフトは構図とアクションのビートをプレビューする。出荷するミックスでは決してない。

オマージュ、著作権、そして公開できるもの

短いバージョン、そして法的助言ではない：視覚スタイル自体は一般に著作権で保護されるものではないが、トレーニングデータと出力は生きており、争われている問題であり、プラットフォームの利用規約はそれ自体別の問題である。

その争いは仮想的なものではない。2025年10月27日、日本のコンテンツ海外流通促進機構（CODA）は、アニメ、映画、ゲーム、出版を網羅する権利者団体だが、「許可なくそのメンバーのコンテンツが機械学習に使用されないこと」を求める書面による要請を提出し、「日本の著作権制度の下では、著作物の使用には一般に事前の許可が必要であり、事後の異議申し立てによって侵害責任を回避できる制度は存在しない」と述べた（CODA、2025年10月）。

出力をクリーンに保つ3つの実用的な習慣：

• 技法を説明し、スタジオを決して説明しない。私たちのプロンプトは、ガッシュ、2コマ打ち、フラット塗り、紙の質感を名指ししており、会社名や監督名はどこにもない。
• 認識可能なキャラクター、ロゴ、タイトルカードをフレームに入れない。私たちの丘の斜面には、キャラクターIPはまったく含まれていない。
• 収益化する前に、自分のアカウントに適用される利用規約を確認し、公開するプラットフォームの利用規約も別途確認する。

あなたが愛する映画と技法を共有する世界を構築せよ。特定の映画のパクリを構築してはならない。

よくある質問

MiniMax H3はジブリ風を生成できますか？プロンプトに「スタジオジブリ」と書くべきですか？

前者はイエス、後者はお勧めしない。この記事のすべての結果は、代わりに技法の語彙を使用して得られた：hand-painted 2D cel animation、gouache with visible brush texture、hand-inked outlines、flat colour fills、on twos, held drawings、subtle paper grain。これらの6つのフレーズがルックを運び、スタジオ名よりも具体的であり、公開の問題をよりシンプルに保つ。

MiniMax H3は風とピアノを自分で生成しますか、それとも後でサウンドを追加する必要がありますか？

同じジョブ内で自身で生成する。MiniMaxはH3を「ネイティブステレオサウンドで動画を生成、最大15秒、2K解像度」と説明している（MiniMax、2026年7月）。私たちの配信ファイルは、AACステレオ32kHzを搭載している。各レイヤーとそのエントリータイムを指定する専用のAudio:段落を書け。完全な作曲トラックが必要な場合は、minimax/music-2.6で別途$0.15で生成し、ミックスする。

1ショットの最大長は？15秒は実際に保持されますか？

durationはすべてのエンドポイントで4から15までのすべての整数秒を受け入れ、私たちの15秒リクエストは15.08秒のコンテナを配信した。保持される。15秒を8秒ではなく望む理由は壮大なスケールではなく、その逆である。何も起こらない3秒間を確保する唯一の方法だからであり、それがまさにこのスタイルが構築されているビートである。

2ショット間で同じキャラクター、パレット、紙の質感を維持するにはどうすればよいですか？

reference-to-videoを2つの参照、元のキーフレームと最初の完成したクリップからの静止画、と共に使用し、最初の節として「参照画像の描かれたルック、パレット、線の品質、紙の質感を正確に一致させる」と書く。1つの静かな失敗に注意：imageとrefersを1つの呼び出しで混在させると、ジョブは完了し全額課金されるが、2つの入力のうち1つを破棄する。応答のどこにも警告フィールドはない。

お金を節約するために768Pでドラフトし、2Kで再実行すべきですか？

構図のために768Pでドラフトすることは、イエス。しかし、image-to-videoを通じて最初のフレームをロックすること。そうしないと、再実行は異なる映画を返す。そして、ドラフトのオーディオは使い捨てとして扱うこと。同じフレーム、同じプロンプト、異なる層で、2つのオーディオトラックは互いに0.0053の波形相関を測定した。ミックスは再生成され、アップスケールされない。

MiniMax H3ジブリ風の動画は公開や収益化に安全ですか？

フレーム内のものとアカウントの利用規約に依存する。これは法的助言ではない。スタイル記述型のプロンプトで、キャラクターIP、ロゴ、スタジオ名をフレームに入れないことが保守的なバージョンであり、この記事が実証しているバージョンである。商用利用の前に該当する利用規約を確認すること。

最後にもう1つ、人々がスキップする部分なので繰り返す価値がある。minimax h3 ghibli styleのショットが決まる理由は、緑のパレットではない。それは、動きがモデルができるよりも意図的に劣っていること、そして最後の3秒間が空であることを許されていることである。タイミングシートを書け。サウンドを書け。そして、それを静止させておけ。