MiniMax H3 API for Video Generation and Editing

MiniMax H3 APIは、テキスト、画像、動画、音声を1つの共有コンテキストとして扱うオープンな汎用マルチモーダル動画モデル、MiniMax H3にプログラムからアクセスできるAPIです。生成、編集、参照を別々のタスクモデルに分けるのではなく、H3は入力全体を読み取り、音声付きの完成したクリップを返します。Atlas Cloudでは、従量課金制で単一のAPIキーを使って実行できます。

ブランドムービー、予告編、縦型ショートドラマ、商品・EC向け広告、ゲームやUIのモーションデモ、スタイライズされたアニメーションまで幅広く対応します。モデルが画面上のテキスト、字幕、ブランドアセットを扱えるため、制作予算を確定する前のコンセプト検証、絵コンテのプレビュー、ビジュアル提案にも活用されています。

Atlas Cloudアカウントを作成し、APIキーを生成してから、プロンプトと必要な参照ファイルを動画生成endpointに送信し、完成結果をポーリングします。リクエスト本文は64MBに制限されているため、インラインアップロードよりもホストされたURLとしてメディアを渡すことを推奨します。今すぐ開発を始められます。

課金は従量課金制のため、サブスクリプションやシートライセンスを購入するのではなく、呼び出しごとに支払います。コストは実際にレンダリングした内容に応じて決まり、バッチ全体の料金は解像度とクリップの長さによって変わります。大量実行を計画する前に、モデルページで現在の生成単価を確認してください。

はい。H3のすべての結果はネイティブステレオの音声付きで提供されるため、セリフ、効果音、環境音が映像と同じパスで生成されます。参照音声クリップを指定すると、モデルはその音色をキャラクターに反映できるため、パイプラインから個別の音声合成ステップを省けます。

クリップは24 FPSで5〜15秒です。1440pモードでは、16:9から9:16までの比率で短辺が1440ピクセルでレンダリングされ、その範囲外ではフレーム全体がおよそ3.7Mピクセルに保たれます。たとえば21:9では2976×1248です。Text to videoおよびomni referenceリクエストでは21:9、16:9、4:3、1:1、3:4、9:16を指定でき、first and last frameリクエストでは入力画像のアスペクト比を継承します。

1つのプロンプトに、最大9枚の画像、3つの動画セグメント、3つの音声クリップを含められ、ファイル数は合計12個までです。動画と音声はいずれも合計15秒以内で、音声は単独ではなく画像または動画と一緒に指定する必要があります。プロンプトは7000文字まで入力できるため、カメラ、演技、音声を含むショットごとの指示を十分に記述できます。

入力として、H.264およびH.265動画、JPG、JPEG、PNG、WEBP、HEIC、HEIF画像、WAVまたはMP3音声に対応しています。動画ファイル内の音声トラックはAACまたはMP3です。ファイルごとの上限は、動画が50MB、画像が30MB、音声が15MBです。リクエスト本文は64MBに制限されているため、容量の大きいアセットではホストされたURLを使う方が安全です。

編集は主要なモードの1つです。ソースクリップと指示を送信すると、MiniMax H3 APIはキャラクターやオブジェクトの差し替え、背景やライティングの置換、視覚効果の追加、セリフの書き換えを行いながら、変更しない領域を安定して維持できます。複合的な指示も1回のリクエストで処理されるため、複数の変更を繰り返しの往復なしにまとめて反映できます。

多くの動画モデルは、1つのプロンプトと1枚の画像を受け取り、音声なしのクリップを返します。一方H3は、複数種類の参照を混在させて取り込み、キャラクター、動き、カメラ、音声の意図をそれら全体から読み取ったうえで、ネイティブ音声付きのクリップを返します。現在のパイプラインで動画モデル、音声モデル、エディターをつなぎ合わせている場合、H3ならそれらの段階を1回の呼び出しに集約できます。