MiniMax H3がComfyUIでDay-0サポート開始
原題: MiniMax H3 Day-0 Support in ComfyUI: Open Weights, Native Audio, and 2K Video
なぜ重要か
オープンウェイトで2K・ステレオ音声対応の統合型動画生成モデルが民主化されることで、ローカル環境でのプロ品質コンテンツ制作の普及が加速する可能性がある。
オープンウェイトの動画生成モデル「MiniMax H3」が2026年8月3日にリリースされ、ComfyUIが即日サポートを開始した。テキスト・画像・動画・音声を入力として受け付け、最大2K解像度・最大15秒のクリップをネイティブステレオ音声付きで生成できる。NVIDIAのRTX 3060でもローカル実行が可能とされている。
MiniMax H3は、MiniMaxが発表したマルチモーダル動画生成モデルの第3世代にあたる。前世代の「Hailuo 01」「Hailuo 02」に続く製品であり、同社としてオープンウェイトで公開する初の動画モデルとなる。ComfyUIはリリース当日にネイティブサポートを実装し、Comfy Cloud上でも即日利用できる状態となった。
H3の主な特徴として、テキストから動画を生成する「Text-to-video」、静止画を動かす「Image-to-video」、開始フレームと終了フレームを指定して中間を補完する「First-and-last-frame」、参照画像・動画・音声から被写体や動き・声を継承する「Reference-to-video」の4モードに対応する。出力解像度は最大2K、クリップ長は最大15秒で、音声は動画生成と同一パスでネイティブステレオとして出力される。音声は後処理として付加する方式ではなく、モデル固有の機能として組み込まれている点が特徴とされている。
マルチモーダルなコンテキスト理解についても強調されており、画像・音声・動画を組み合わせてプロンプトで関係性を指定すると、モデルがクロスモーダルな処理を行う。これにより従来は別々のモデルが必要だった5種類のタスクを1つのモデルで処理できるとしている。
モーショントランスファー機能では、参照動画からカメラワークや演技のリズムを抽出しつつ、被写体やスタイルは別途指定できる。インプレイス編集との組み合わせにより、ショットの反復的な調整が可能になる。ComfyUIのノードグラフを活用した複雑なワークフロー構築においても有用とされている。