MiniMax H3のreference to video：使える素材と料金 - RefVid

MiniMax H3のreference to videoでできること

• プロンプトとリファレンス一式を渡すと、H3はそこに含まれる人物・商品・場所・動き・声が登場する新しいクリップを生成します。画像は画面に映る人や物を、動画クリップは動きを、音声クリップは声や音楽を決めます。映像とステレオ音声は1回の生成で同時に出力されます。
• ComfyUIのリリース告知によると、H3はHailuo 01、Hailuo 02に続くMiniMaxの3番目の動画モデルです。Segmindは、MiniMaxのAPIとHailuo AIアプリでの公開日を2026年7月31日としています。その後Hugging Faceで重みが公開され、ComfyUIは8月3日にday-0サポートを発表しました。MiniMaxのモデルカードには2つのオープンなチェックポイントが記載されています。テキスト・先頭フレーム・末尾フレームから動画を作るものと、リファレンス用のRef2VAです。
• モデルカードによると、出力はすべて4〜15秒・24fps・32kHzステレオ音声で、台詞は英語、日本語、韓国語、ドイツ語、フランス語、スペイン語、ポルトガル語を含む11言語に対応しています。

リファレンスの上限：画像・動画・音声

• 1回のリクエストで使えるのは、リファレンス画像が最大9枚、動画クリップが最大3本、音声クリップが最大3本で、合計12ファイルまでです。MiniMaxのモデルカードとAPIドキュメントによると、動画・音声クリップはそれぞれ2〜15秒で、種類ごとの合計は15秒までです。
• MiniMaxのAPIが受け付ける画像はJPG・PNG・WEBP・HEICで、30MBまで、1辺256〜5,760ピクセル、アスペクト比0.4〜2.5です。リファレンス動画はMP4またはMOVで50MBまで、音声はWAVまたはMP3で15MBまでです。リファレンスモードは、同じリクエスト内で先頭フレーム・末尾フレームモードと併用できません。
• Sogniのドキュメントによると、音声だけのリクエストは拒否されます。リファレンスには画像か動画が少なくとも1つ必要です。fal.aiのエンドポイントでは、リファレンス画像は最初の5枚が無料で、6枚目以降は1枚あたり$0.08かかるため、9枚使うと動画の料金に$0.32が上乗せされます。

解像度・長さ・料金

• H3は768pで生成し、2段目の処理でその結果を2Kで再生成します。fal.aiでの料金は1秒あたり480pで$0.05、768pで$0.06、2Kで$0.13、4Kで$0.16で、スキーマには2Kと4Kは768pのベースからアップスケールすると書かれています。fal.aiで10秒の768pクリップを作ると、追加画像の分を除いて$0.60です。
• MiniMaxのモデルカードによると、この2段目の処理（H3-Regenerate-2K）は単なるアップスケーラーではなく、768pのクリップと元のリファレンスを再びH3に入力するものです。fal.aiでは、クリップの長さは5〜15秒、アスペクト比はadaptive、21:9、16:9、4:3、1:1、3:4、9:16から選べます。
• MiniMax自身のAPIには4つのバリエーションがあります。768pまたは2KのMiniMax-H3、768pのHighspeed、480pまたは768pのLite、そして5〜15秒に対応した480pまたは768pのMaxです。Segmindの料金は2Kで1秒あたり約$0.16です。料金はプロバイダーによって異なり、変更もあるため、大量に生成する前に利用先の料金を確認してください。

MiniMax H3 reference to videoのプロンプトガイド

• すべてのリファレンスを種類と順番で呼び、それぞれに役割を1つだけ与えます。fal.aiのスキーマでは、アップロード順にImage 1、Video 1、Audio 1と呼ぶよう求めており、たとえば「Image 1は女性の顔、Image 2は彼女のジャケット、Video 1は歩く動き」のように書きます。Sogniのガイドは、リファレンスはあくまで緩やかな手がかりで、固定されたフレームではないと注意しています。
• 複数の画像に同じ被写体が写っている場合は、それらを1つの被写体として定義します。MiniMaxのリファレンス用プロンプトガイドでは「<Subject 1>は、外見を<Picture 1>から、歩く動きを<Video 1>から取った女性」のように書き、声には<Audio 1>を使って「<Audio 1>は<Subject 1>の声質のリファレンス」と指定しています。2つのリファレンスが食い違う場合は、どちらを優先するかを明記しましょう。
• この形式で、商品写真3枚と人物1人を使うプロンプトの例です。「Image 1からImage 3は同じガラスの香水ボトル、Image 4は女性。彼女はカフェのテーブルからボトルを手に取り、ラベルをカメラに向けて微笑む。ゆっくりとしたプッシュイン、朝の自然光。静かなカフェの環境音。」
• 最初はプロンプト拡張をオンのままにしておきましょう。MiniMaxは、ホスト型のプロンプト書き換え機能H3-Context-IRが最終的な品質に不可欠だとしています。fal.aiはデフォルトでバランス型の拡張を行い、拡張後のプロンプトを返します。その文面は必ず確認してください。望まない要素が加えられていたら、その部分を自分で書き込むか、拡張をオフにします。

Kling vs MiniMax：H3とKling 4を比較

• H3は1秒あたりの料金が安く、音声リファレンスにも対応しています。一方、Kling 4はより長いクリップを作れます。fal.aiでは、H3が768pで1秒$0.06なのに対し、Kling 4は720pで$0.157です。クリップの長さはKling 4が3〜30秒、H3は15秒までです。どちらも映像と同時に音声を生成し、リファレンス画像はどちらも約10枚まで使えます。
• Klingのガイドによると、Kling 4のOmni Referenceは画像を最大7つのエレメントにまとめられるため、どの写真が同じキャラクターかをモデルが把握できます。リファレンス動画も最大5本、合計30秒まで使えます。H3はその代わりにプロンプトでリファレンスをまとめ、声や音楽用に最大3本の音声クリップを追加できます。
• H3は重みも公開されていますが、Klingは公開していません。オープンなチェックポイントの生成解像度は768pです。MiniMaxは2Kの処理もプロンプト書き換え機能も公開しておらず、H3 Community Licenseは欧州連合、英国、韓国、米国を対象外としているため、これらの地域ではMiniMaxとの別途ライセンスが必要です。ホスト型のAPIは世界中で利用できます。
• 2つのモデルを同じリファレンスで試したわけではないため、これは公開されている上限と料金の比較であり、実測した類似度の比較ではありません。

複数のクリップで同じ被写体を保つには

• どのクリップにも、同じリファレンス一式と同じ被写体の説明文を送ります。シリーズ全体の一貫性は、まったく同じ入力を繰り返すことで生まれます。2本目のクリップで顔写真が変わったり、定義の言い回しが変わったりすると、どのモデルを使っていても、モデルは別の被写体を描くことになります。
• 9枠すべてを使うより、被写体ごとにきれいな写真を3〜5枚用意しましょう。人物なら正面、斜め45度、横顔。商品ならメインの角度、背面、ロゴのアップです。光は均一に、背景は無地にし、フィルターや文字入れは避けます。余った枠は2つ目の被写体や場所に使うほうが効果的です。
• 下書きは480pか768pで作り、残すテイクだけを2Kでレンダリングします。fal.aiでは10秒の768pの下書きが$0.60、同じクリップを2Kにすると$1.30なので、先に類似度と動きを確認すれば、失敗テイクにかかるコストの大半を節約できます。
• RefVidではMiniMax H3は使えません。デフォルトはKling 4で、より安価な選択肢としてKling 3.0 Omni、さらにSeedance 2.5、Wan 3.0、Vidu Q4なども使えます。キャラクターや商品を1〜5枚の写真から一度保存すれば、以降のすべてのクリップで同じセットが再利用されるため、上で説明した「入力を繰り返す」手順は自動で行われます。

• マルチリファレンス動画生成：各モデルが受け付ける素材→
• Reference to video：仕組みと対応モデル→
• Kling 4.0 Omni Reference：上限、コツ、作例→