MiniMax H3 アニメ動画ジェネレーター：15秒、4:3、そしてVeo 3.1が台無しにしたタイトルカード

この夏、私のフィードは同じ動画のループで埋め尽くされていた。ワールドカップの選手が少年漫画の主人公として描き直されたもの。独裁者。海賊船長。最後の4秒で登場する老練な師匠。1投稿あたり数百万再生、試合のたびにストーリーが更新される。

それを作っている人たちは、ベンチマークの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のだ。

そこで私は、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。顔をアップで捉え、ボールと共にパンし、タイトルカードを表示するショットは8秒に収まらない。品質で失敗する前に、すでに無理だったのだ。

重要なポイント

• Veo 3.1のduration列挙型は[4, 6, 8]で、aspect_ratio列挙型は[16:9, 9:16]。MiniMax H3は4秒から15秒まで任意の整数秒に対応し、21:9, 16:9, 4:3, 1:1, 3:4, 9:16を提供する。Veoに4:3がないため、レトロなOVAの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ダイアログ対応言語が11言語記載されており、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上限は大きく異なる：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（合計12ファイル）。Veo 3.1のリファレンスエンドポイントは3枚の画像で、リファレンスを使用するとdurationが[8]のみに制限される。
• 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のデフォルトがfalse、resolutionのデフォルトが720p。H3のテキストtoビデオのratioデフォルトは1:1。これらをそのままにすると、無音の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、その理由も示す。

---

MiniMax H3アニメ動画生成 vs Veo 3.1、同じフレームを並べて比較

オリジナルキャラクター1体。キーフレーム1枚。プロンプト1つ、そのまま両モデルにコピー。それ以外は各々最大設定。

MiniMax H3、画像to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時生成。Atlas Cloud上でminimax/h3/image-to-videoを使用して生成。

Veo 3.1、画像toビデオ、1080p、8秒、generate_audioを手動でオン、さらにnegative_promptで線画のフラットさを維持。同じ最初のフレーム、同じ言葉。Atlas Cloud上でgoogle/veo3.1/image-to-videoを使用して生成。

どちらも美しく描画する。Veoのシュートのワイドショット、手描きの衝撃線と浮かぶマンガの効果音は本当に素晴らしい。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と指示追従についてなのだ。

なぜほとんどのMiniMax H3アニメ動画生成テスト対Veo 3.1が間違うのか

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形式になった。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、海軍大将、師匠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」しながら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。リリース当日の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実行結果が投稿された（Hacker News、2026年8月）。

これらを組み合わせれば、多くのアニメ比較が行われると思われるが、ほとんど存在しない。なぜなら、ほとんどのテストが以下の4つの方法で間違って構築されているからだ。

絵を比較していて、制約を比較していない。 アニメのショットはタイミングが重要。タイトルカードへのパンは、レンダリングの問題である前に長さの問題である。

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。「Veoにはアニメの音声がない」という投稿の多くは、単にブール値を切り替えていないだけだ。

H3のテキストto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。設定せずにt2vアニメプロンプトを実行すると、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、 volumetric light、浅い被写界深度」といった語彙は、2Dモデルを3Dレンダリングシェーディングに引き寄せる。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。

実行前に決めるべき3つの設定

これらを両側で設定しない限り、比較は無効である。

MiniMax H3とVeo 3.1を同じアニメプロンプトで自分でテストしたいですか？ Atlas Cloudのモデル比較は、同じプロンプトと設定で、生成前にコストを表示しながら並べて実行します。

Atlas Cloudのモデル比較画面でのMiniMax H3とVeo 3.1（同じアニメプロンプト） – 同じ設定、生成前に価格表示。model-explorerでライブキャプチャ。

MiniMax H3 vs Veo 3.1アニメスペックシート：長さ、比率、音声、リファレンス

私は両モデルのライブ入力スキーマを取得した。ローンチ投稿をそのまま信じるのではなく、以下の各値はモデルページで自分で確認できる列挙型であり、感想ではない。

表1：MiniMax H3 vs Veo 3.1、アニメショットを決定するパラメータ

長さ、比率、解像度、音声、リファレンス上限は、MiniMax H3 image-to-video、H3 text-to-video、H3 reference-to-video、Veo 3.1 image-to-video、Veo 3.1 reference-to-videoの各ページのライブスキーマから取得。9画像・12ファイルのリファレンス上限と11言語のダイアログリストは、MiniMax H3モデルカード（Hugging Face、2026年8月）から。

次にスコアボード。スペックシートとは異なることを示しており、両方が重要である。

表2：クラウド投票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。これらは変動するクラウド投票であり、$/分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。そしてここではっきり言わなければならない：MiniMaxはH3をアニメモデルとして販売していない。社内の一次対応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の対象外とされている。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。アニメを売りにしていないモデルがなぜショットで勝つのか、そしてGoogleがまだどこで勝負を挑めるのか、である。

チュートリアルの前に実用的な注意事項。以下のすべてのモデルは同じコンソールとAPIキーで実行されており、パラメータが比較可能な唯一の理由である。同じキュー、同じ認証、1つの請求書。GPT Image 2をあるサービスで、Veoを別のサービスで設定すると、見つかる差異の半分はモデルではなく配管によるものになる。

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、白とネイビーの9番ユニフォーム、フラッドライト、シュートへのパン、そして最後の2秒で表示され安定する日本語のタイトルカード。

実在の選手はいない。公式キャラクターも既存のアニメIPもない。スタイルとオマージュのみ。その理由については後ほど。

ステップ1：GPT Image 2でアニメキーフレームをデザイン

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。左側3分の1のネガティブスペースは意図的。そこに動画モデルがタイトルカードを書き込む。これがテキスト安定性のテストである。

PlainCopy
1現代の少年スポーツアニメの1フレーム。セルシェーディング2Dアニメーション、手描きインクの線画で一貫した線の太さ、フラットカラーフィル、ハードエッジなグラフィックシャドウ、3Dシェーディングやフォトリアルな肌は一切なし。オリジナルの10代ストライカーのアップ：乱れた暗赤色の髪、白とネイビーの9番ユニフォーム、片方の頬に汗と芝の跡、疲れ果てた決意の表情で目を見開き、叫びながら口を開けている。背後ではスタジアムのフラッドライトがぼやけた観客の色の壁に燃え上がり、フレーム中央から放射状のスピード線が炸裂。空中に凍りついた芝生の葉が1本。彩度の高いパレット、深いシアンの影、暖かいオレンジのリムライト。16:9構図、キャラクターはフレーム中央より右に配置、左側3分の1はきれいなネガティブスペース。画像内にテキストは一切なし。

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、Last Whistle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

GPT Image 2 on Atlas Cloud：品質を高に設定、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、フラットカラーとスピード線でセルシェーディング

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

ステップ2：MiniMax H3画像toビデオ、すべて最大設定

同じ画像を入力、2Kで出力。ここではH3を8秒に制限しているのは、Veoの上限に合わせるためだけ。H3の限界ではなく、ステップ4でその制限を外す。

PlainCopy
1セルシェーディング2Dアニメ、手描きインクの線の太さ、フラットカラー、3Dシェーディングなし。ストライカーの顔を1ビート保持し、次に彼がボールを蹴るのに合わせて激しいパン、フレームが作画の動きの軌跡でぼやける。インパクトの瞬間に一瞬の完全な沈黙。最後の2秒間で、太い白い日本語タイトル文字「ラストホイッスル」がフレーム左側3分の1に飛び込み、完全に安定して保持、歪み、ちらつき、ドリフトなし。ストライカーが日本語で一言叫ぶ：「まだ終わってない！」。音声：スタジアムの轟音が膨らみ、鋭いボールインパクトの音、タイトルカードの下に低い太鼓の一打。

設定：モデル minimax/h3/image-to-video、resolution: 2K、duration: 8、ratio: adaptive（画像to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to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、正方形のアニメカットを平気で返す。

Atlas Cloud上のMiniMax H3画像toビデオプレイグラウンド、Last Whistleプロンプト、キーフレーム読み込み、出力パネル内の完成したクリップ

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

ステップ3：Veo 3.1画像to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つ変えるだけで比較ではなくなる。変わるのは、Veoが提供しH3にはない追加フィールド。

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

PlainCopy
13Dレンダリング、CGI、プラスチックシェーディング、フォトリアルな肌、実写映像、モーションブラーのスープ、歪んだ文字、意味不明なテキスト、余分な指、字幕バー

設定：モデル google/veo3.1/image-to-video、resolution: 1080p（変更必須、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toビデオプレイグラウンド、generate audio有効、アニメキーフレーム読み込み、出力パネル内の完成したクリップ

Atlas Cloud上のVeo 3.1画像to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何もない。アニメが実際に破綻するポイントを見るだけ。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、私の言葉を信じずに自分で評価できる。

両クリップの最終フレームの比較、左がMiniMax H3でクリーンな日本語タイトル文字、右がVeo 3.1で歪んだ縦書き文字

各クリップの最後のフレーム。左、H3は「ラストホイッスル」、8つのカタカナすべてが正しく完全に安定。右、Veo 3.1は要求された単語でもなく、単語を形成しない3文字を生成。

タイトルカードで勝負が決まった。H3は要求されたカタカナを正確に、ハードエッジで安定してレンダリングし、ゴール前のぼやけたパンの上に表示。Veo 3.1は要求された単語でもなく単語でもない3文字の縦書きスタックを生成。同じフレームでキャラクターをショット外に落とし、背景を半フォトリアルなスタジアムプレートにスライドさせた。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回の実行から）

最後の行は、これまでのH3に対する最も大きな批判であり、まさにそれを両方のプロンプトに書いた理由である。リリース当日の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ていた：「屋上からの激しいパンで浮かぶ言葉をスミアで流し去る、モーションストリーク。しかし動画はそのトランジションをまったく実行せず、カットに置き換えただけだった。」

今回の実行では、パンをカットに置き換えたのはVeoであり、H3はスミアを実行した。1回ずつの実行で結論にはならないが、批判がH3固有ではないことは意味する。パンはこのテスト全体で最も信頼性の低い指示である。ストーリーボードがパンに依存する場合は、それを通してではなく、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。duration列挙型には12はない。90年代のOVAルックは単純に到達不可能である。

PlainCopy
11990年代のOVAアニメカット、4:3フルフレーム。手描きの背景画、筆の質感が見える、セル画のキャラクター、太く不均一なインクの線、フラッドライトの周りに強いハレーション、16mmフィルムグレインと微かなゲートウィーブ。同じ赤い髪のストライカーが白とネイビーの9番ユニフォームを着て、雨に濡れたピッチを歩き去り、観客の音が消えて単一のリンギングトーンになる。カメラはゆっくりと彼の顔に押し込む。彼は日本語で静かに言う：「次は、勝つ」。レトロなパレット：くすんだティール、ほこりっぽい琥珀、深いマルーンの影。音声：遠くの雨、孤独なアナログシンセパッド、遠くでリバーブの効いた1つのホイッスル。

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、デフォルトを忘れずに。

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

Atlas Cloud上のMiniMax H3テキストtoビデオ、OVAプロンプト入力、クリップ完了。ただし、この特定の実行ではAspect Ratioが16:9、Durationが8のままだったため、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。以下の4:3の12秒カットは、API呼び出しで明示的にratio: 4:3とduration: 12を設定したもの。

4:3レトロOVAカット：同じストライカーが90年代アニメスタイルで雨に濡れたピッチを歩き去る

H3テキストto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）、32kHzステレオトラック付き。ページを軽くするため、ここではフレームレートを下げた無音GIFで表示。Atlas Cloud上でminimax/h3/text-to-videoを使用して生成。

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、リファレンスの量で解決する。まずパックを作成する：ステップ1のプロンプトを、正面、斜め、横顔、後ろ、笑顔、歯を食いしばった顔、全身、ユニフォーム詳細、ブーツ詳細とフレーミングを変えて再実行する。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キャラクターの4つのアングル、2x2グリッドで配置

9枚のリファレンスアングルのうちの4枚。H3は1つのリファレンスパックに最大9枚の画像を受け入れ、さらに動画や音声リファレンスも追加可能。

PlainCopy
1セルシェーディング2Dアニメ、一貫した手描きインクの線の太さ、フラットカラー、3Dシェーディングなし。リファレンスのストライカーの顔、髪のシルエット、9番ユニフォームをすべてのカットで同一に保つ。1つの連続テイクで4カット：(1) ローアングルでブーツが芝生を踏むプッシュイン、(2) パンアップで彼の目のタイトなアップ、(3) ぼやけたシルエットで描かれた3人のディフェンダーを追い抜くワイドショット、(4) 空中でのヘディングでフリーズ、スピード線が外側に炸裂。音声：観客の轟音、息遣い、ブーツが芝生を踏む音、フリーズで太鼓の一打。

設定：モデル minimax/h3/reference-to-video、refers = 画像、type: image、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実行できず、その理由を試す必要はない。リファレンスエンドポイントは最大3枚の画像しか受け付けず、そのエンドポイントを選択するとdurationが唯一の有効値である8に制限される。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to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、出力パネル内の最初のカット

Atlas Cloud上のMiniMax H3リファレンスtoビデオ。カウンターは「Reference Materials (4/9)」と表示し、その下に「MAX:9」、これはインターフェースの上限であり、スペックシートの主張ではない。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アニメ動画生成実行

Last Whistleショットは、相違点のうち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。Veo 3.1が対応できるものには注記を付ける。

1. ウルトラワイドな作画バトル、21:9、10秒。 Veoは21:9を出力できない。

PlainCopy
1セルシェーディング2Dアニメアクション、太く先細りのインク線、フラットカラー、ハードエッジの影、3Dシェーディングなし。夕暮れの風に吹かれる寺院の屋根の上で、仮面をつけた2人のオリジナル決闘者。刃の衝突、フレームが震え、両戦闘者は手描きのインパクトフレームと放射状のスピード線のバーストで分裂。カメラ：ローアングルプッシュイン、次に横方向のトラック、そしてオレンジの空を背景にしたシルエットのワイドにスナップ。音声：2つの鋭い金属の衝突、布のパチンと鳴る音、最後のフリーズで低い太鼓の一打、音楽なし。

2. 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to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入れる。Veo 3.1には音声入力はなく、音声出力のみ。

PlainCopy
1リファレンス音声トラックに同期したセルシェーディング2Dアニメモンタージュカット。5つの短いビート：窓に雨、包帯を締める手、街のスカイラインが電車の窓を過ぎ去る、スプリントスタート、差し出された手でフリーズ。すべてのカットがリファレンス音声のダウンビートに正確に一致。フラットカラー、太いインク線、深いインディゴとネオンマゼンタの高コントラストな夜のパレット。

3. 2行の日本語ダイアログシーン、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。

PlainCopy
1セルシェーディング2Dアニメ、フラットカラー、3Dシェーディングなし。ゴールデンアワーの屋上にいる2人のオリジナルキャラクター、ショット・リバースショット。最初のキャラクターが日本語で言う：「本当に行くの？」。2番目のキャラクターが半分笑いながら日本語で答える：「もう決めた」。口がすべての音節に一致。暖かいリムライト、長い影、髪にそよ風。音声：2つの異なる日本語の声、遠くの交通音、一匹の蝉。

4. 縦型少年漫画ショート、9:16、8秒。 両モデルとも縦型に対応しているため、ここだけは実際にA/B比較する価値がある。

PlainCopy
1セルシェーディング2Dアニメ、縦型構図。オリジナルの10代のランナーがスローモーションで紙のバナーを突き破り、その後フレームが通常速度に戻り、彼女がスタジアムの直線を加速する。スピード線、フラットカラー、ハードシャドウ、大胆なグラフィックスカイ。カメラ：ローアングルフォローショット、次に彼女の顔へのパンアップ。音声：バナーの破れる音、観客のうねり、一息止めてから解放される息遣い。

これらの背後にあるプロンプト文法については、MiniMax H3プロンプトガイドで、H3がカメラや音声の指示をどのように解析するかについて、ここで説明できるよりも深く掘り下げている。

MiniMax H3 vs Veo 3.1での60秒アニメOPのコスト

標準的なアニメOPは約90秒。8秒のショットを8回として、完成動画64秒、各ショットのキーフレームが1枚あたり$0.009。

ここで知っておくべき実際の価格差がある。Atlas CloudカタログではMiniMax H3は1秒あたり$0.10の定額だが、モデルREADMEでは2Kで$0.14/s、768Pで$0.10/sと内訳が示されている。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。

私のスクリーンショットの実行ボタンがそれを解決する。H3リファレンスtoビデオ、8秒2K、引用「Run $1.12」、これは正確に$0.14/s。Veo 3.1画像toビデオ、8秒1080p音声あり、引用「Run $3.2」、これは正確に$0.40/s。したがって、請求されるのはREADMEのレートであり、カタログの見出しはエントリーティアである。以下の表では両方の数値を示す。これらは2026年8月時点のリスト価格である。

表4：8秒のショットを8回、キーフレーム含む

価格は表1にリンクされたAtlas Cloudモデルページから、2026年8月時点。これらの4つはいずれも割引されていない。

その表に含まれていないものが2つあり、どちらも1秒あたりのレートよりも影響が大きい。

リトライ。 アニメショットの初回テイクで出荷する人はいない。どのような乗数を想定しても、両方の列に適用すれば差は同じ比率で拡大する。

ウォールクロック時間、こちらは逆方向。 2026年8月7日に最初から最後まで計測：H3 2K 8秒は447秒、約7.5分。H3テキストto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。ここではVeoは最初のテイクまで約3倍高速であり、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。キューは変動するため、これらは仕様ではなく、ある午後のスナップショットとして扱うこと。しかし、H3 2Kに対して「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の内訳 では、より高いティアが追加の分数に見合う場合について説明している。

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されておらず、実在のサッカー選手の名前や肖像も使用されていない。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。それが有用だからである。

この区別は飾りではない。アニメスタイルのコンテンツを商業的に制作している場合、「90年代OVAのスタイルで」と「この特定の作品のこの特定のキャラクター」は異なる法的対象であり、ビジネスとして成立するのは片方だけである。

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、リリース初日に人々が実行した。あるコメント投稿者は、4070 Ti Super 16GBで10秒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ショートエッジで実行され、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制限がある。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関連規制を現在策定中または施行中の地域」を理由としている。正式なライセンスリクエストチャネルは開かれており、あるHNコメント投稿者は「ディズニーを怒らせないと約束すれば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ある。 オープンウェイトの詳細 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ジェネレーターですか？

ほとんどのアニメ作業では、H3が優れている。主な理由はレンダリングではなく、4～15秒（Veoは4,6,8）、6つのアスペクト比（4:3、21:9を含む、Veoは2つ）、日本語を含む11のネイティブ安定ダイアログ言語、9枚のリファレンス画像（Veoは3枚）など。Veo 3.1が勝るのは特定の状況：再現可能なリテイクに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negative_promptが必要な場合。H3にはどちらのパラメータもない。パイプラインがこれらのいずれかに依存する場合、それがVeoを選ぶ正当な理由である。

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、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。4:3の値を選択できず、12秒や15秒を要求する方法もない。90年代のテレビアニメやOVAを参照する場合、フレーミングはVeoでは不可能で、H3では可能。

Veo 3.1のアニメクリップが無音で返ってきたのはなぜですか？

APIでgenerate_audioのデフォルトがfalseだから。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遭遇する。generate_audio: trueを明示的に設定すること。ついでにresolutionも設定しよう。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はアニメの日本語ダイアログ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11の安定したダイアログ対応言語が記載されている：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、ライン全体で口のタイミングが合う。日本語のライン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入れ、全タイプで合計12ファイルのハード上限がある。Veo 3.1のリファレンスtoビデオエンドポイントは1～3枚の画像を受け入れ、選択するとdurationが唯一の有効値である8に制限される。シリーズ全体で繰り返し登場するアニメキャラクターの場合、この違いがすべてを決める。

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実行できますか？

ダウンロードして実行できるが、3つの注意点がある。セルフホスト推論は768ショートエッジで実行され、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：4070 Ti Superで10秒480pクリップに約10分、5080で約3分、RTX 6000 Proで約68秒（リリース当日のComfyUIスレッドより）。また、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ため、これらの地域にいる場合は、商用利用前に正式なライセンスが必要である。