Skip to main content

MiniMax H3 プロンプトガイド

MiniMax H3。
2K、音声込み。プロンプトごとに検証済みです。

稼働中のモデルで生成・検証したMiniMax H3 プロンプトガイドです。時間ごとの動き、実際に正しく表示される画面内テキスト、参照画像、開始・終了フレーム、カメラが指示に従わないケース、音の演出まで解説します。効果を確認できなかった2つの手法も紹介します。

概要

このMiniMax H3 プロンプトガイドでは、テキスト、開始フレームと任意の終了フレーム、最大9枚の参照画像からの動画生成を解説します。MiniMax H3の出力はすべて2K、毎秒24フレームで、同じファイルにステレオ音声が含まれます。終盤の専用セクションで紹介するH3 Maxは、代わりに768pまたは480pで生成し、1秒あたりの料金は768pで2クレジット、480pで1.5クレジットです。尺は5秒から15秒、プロンプトは最大7,000文字に対応しているため、音響設計を含むショットリスト全体を1回で指定できます。

このガイドはスペック表ではなく、稼働中のモデルで実際に生成した結果をもとに作成しています。以下のクリップはすべてそのテスト映像で、モデルが出力した解像度のまま掲載しています。書く価値が確認できたテクニックには、テンプレートを用意しました。広く推奨されている手法でも、検証で測定できる違いが出なければ、そのまま伝えています。

表示する文字列をプロンプト内に正確に記載

プロンプトでは、白のコンデンス体、すべて大文字で「CHAPTER ONE」と表示するタイトルカードを指定しました。1回の生成で、スペルも正しく、文字組みもきれいな、指定どおりの結果が得られました。

  • どちらのモデルも、1回の生成で24fpsの5〜15秒動画を制作できます。H3は2K、H3 Maxは768pまたは480pに対応しています。
  • 環境音、フォーリー、音楽、セリフを含むステレオ音声を、動画と同じファイルに生成。
  • 両モデルとも、すべてのプランで21:9から9:16までの6種類のアスペクト比に対応しています。
  • 参照画像は最大9点まで。最初の5点は料金に含まれ、それを超えると1点につき1クレジットが加算されます。または、ショットの開始フレームと終了フレームを指定できます。H3 Maxはフレーム指定から生成します。
  • プロンプトは最大7,000文字。1秒あたり2Kは4クレジット、768pは2.5クレジットで、参照動画には1秒あたり4.5クレジットが加算されます。H3 Maxは768pで2、480pで1.5です。

モードはプルダウンではなく、添付した素材で決まります。素材なしならテキストから動画生成。開始フレームを添付すれば画像から動画生成で、終了フレームも任意で追加できます。実際のフレームではなく参照素材として使う場合は、参照素材から動画生成になります。

他モデルでの手法は使えるか

SeedanceやWANで身につけたコツは、ほぼそのまま使えます。ただし、そのうち2つは、ここでは想定ほど効果を発揮しませんでした。以下の各行では、被写体、シード、尺を揃え、検証する手法だけを変えたペアで比較しています。

テクニックMiniMax H3での結果検証結果
画面内の文字を正確に指定有効。文字描画は確かな強みどちらの条件でも、文字が鮮明でスペルも正しいタイトルカードが生成されました。表示する文字列を指定した効果は、文字を出すことではなく、何をどんな書体で出すかを決めることです。内容だけを説明した版では、モデルがセリフ体の「CHAPTER I」を作り、文字列を指定した版では、指定どおり幅の狭い全大文字の「CHAPTER ONE」になりました。
被写体、シーン、動作、カメラ、音声の順有効。品質より制御力が上がるわずか4語のプロンプトでも、十分な品質の動画ができました。ただし、2つの構図をカットでつなぐ演出はモデル任せです。構造化したプロンプトでは、ワンカットを維持し、指定した1回のプッシュインだけを実行しました。
角括弧で時間区切りを指定有効。終了状態を指定する価値がある10秒の時点で、シンプルな指示でも3つの動作を正しい順番で実行できていました。時間を指定した版では、最初のビート後にベンチが無人になるなど、指定した終了状態まで再現できました。
カメラ指示を、禁止事項として明記有効。書く価値がある「フレームは一切動かさない」に、避ける動きを列挙すると、動画全体で揺るぎない固定画角を維持できました。
感情の言葉ではなく、目に見える振る舞いで有効視線を下に固定する、指を動かさない、肩を上げるといった身体の動きを指定すると、そのとおりに再現され、クリップ全体で維持されました。一方、「不安で緊張した様子」と書くと、カメラに向かって演じるありきたりな表現になりました。
開始・終了フレーム有効。狙いどおりに決まる両方のフレームを指定すると、動画は渡した開始フレームから始まり、終了フレームにぴたりと着地しました。誰もいない桟橋に巻かれたロープまで一致しています。
参照画像ごとに役割を決める任意: H3は追加指定なしでもきれいに合成2組で比較しました。うち1組は、人物、白背景の商品、誰もいない部屋を使った、あえて難しい組み合わせです。役割を指定しない条件でも、合成の精度は同じでした。顔、バッグ、部屋はすべて正しく、商品の白背景も指示なしで除外されました。
除外リスト任意の追加制約2組で比較しました。どちらもH3は、禁止対象の要素を指定なしで入れずに生成しました。短いネガティブリストは、たとえば意図しない店先の文字などを防ぐ最後のガードになります。

要点は、構造化、時間指定、カメラ動作の禁止、目に見える行動、正確な文字列指定には、書く価値があるということです。参照素材の役割指定とネガティブリストは、追加料金なしの保険になります。H3はそれらがなくても参照素材を合成し、不要な要素のないシーンを作れます。

H3は役割を言葉で指定しなくても参照素材をきれいに合成し、不要な要素も自分で排除します。どちらの手法もコストはかからないので、念押しとして残しましょう。特に、人物が2人、場所が2か所など、参照素材の役割が入れ替わりうる場合に有効です。

プロンプトの基本構成

被写体 + 動作 + シーン・環境 + ビジュアルスタイル + カメラ + 音声

H3は、指示のない部分も迷わず補います。カメラを指定しなければ自ら演出し、5秒の中で2つの構図を切り替えることもよくあります。完成度の高いクリップが欲しいときには便利ですが、狙ったショットが必要なときには逆効果です。こだわりたい部分は具体的に指定し、残りは任せましょう。

基本テンプレート
<Subject> <performs the primary action> in <scene and environment>, at <time of day>.
<Light direction, materials, colour, and texture>.
Begin on <opening shot size and framing>, then <the one camera move you want>.
Audio: <the sounds that belong to this action, in the order they happen>.
検証済みの例
A barista in a narrow espresso bar tamps a portafilter, locks it into the group head, and starts the shot, at sunrise.
Low warm sunlight comes through a window on the left, steam catches the light, brushed steel and matte ceramic surfaces.
Begin on a medium shot of her hands at the machine, then slowly push in to a close-up of the espresso stream.
Audio: the grind of the burr, the clack of the portafilter locking in, the hiss of the pump, and quiet morning room tone.
最小限:「コーヒーを淹れるバリスタ。」

品質は十分。ただし、演出はすべてモデル任せです。ラテアートを注ぐマクロショットを選び、モデルが作り出したバリスタのワイドショットへ切り替えました。

構造化:上記のテンプレート

ワンカット。指定どおりのプッシュインと、指定した側からの光で、最後はエスプレッソの流れへ。最小限の指示で生成した版と同じシードです。

どちらの動画も美しい。それが今回の結果です。構造化したプロンプトは、H3が常に出す品質に、指示どおりの精密な制御を上乗せします。頭の中にある映像に合わせたいときはこの型を、予想外の仕上がりを楽しみたいときは1行のプロンプトを使いましょう。

時間区切りと長尺クリップ

単一の動作より長い動画は、連続した時間区間ごとのビートとして書きます。各ビートに主な変化を1つ設定し、終了時に何が見えているべきかを指定しましょう。効くのは、この終了状態です。雰囲気を保つ指示ではなく、到達すべきチェックポイントをモデルに渡せます。

時間区切りテンプレート
<One line naming the setting and the overall event.>
[0-3 seconds] <Opening shot. One primary change.> End with <a state a viewer could point at>.
[3-7 seconds] <Next shot. One primary change.> End with <a state a viewer could point at>.
[7-10 seconds] <Final shot. One primary change.> End with <the closing state>.
Audio: <what runs underneath, and what happens at the specific moments>.
10秒、3つの動作を1文で指定

それでも動作は正しい順序で進みます。H3は暗黙の順序を読み取るのが得意なので、普通の文章で説明しても、一部のモデルのように大きく崩れることはありません。

10秒、同じ動作を時間区切りで指定

指定した終了状態に注目してください。ホイールがスタンドに収まると作業台の上は空になり、スポークの作業が終わってもレンチは彼の手に残っています。

15秒全体のテンポ設計

上限の15秒で、3秒ずつ5つの区間を指定して試しました。最初の4つは、順序もタイミングも指定どおりでした。実践のコツは、15秒に4つの区間を組み、締めくくりに最も長く時間を割くことです。

15秒を、時間指定した5つのビートに

土の芯出し、穴開け、壁の引き上げ、縁の成形。4つのビートが、それぞれ指定のタイミングで決まります。

  • 小道具の持ち替えや受け渡しがあるビートには、約4秒を確保しましょう。3秒あればカメラの切り替えには十分ですが、動作には窮屈です。
  • 最後のビートに最も余裕を持たせ、いちばん大切なショットは中盤に置きましょう。
  • 各ビートの主な変化は1つに絞ると、どのビートも明確に伝わります。
  • 終了状態は、見た人が指させるものとして書きましょう。何も置かれていない面、左右どちらか指定した手にある道具、閉じた状態のドアなどです。

画面内テキスト

読みやすい文字の生成は、H3の強みが最もはっきり表れる部分です。検証したほかの動画モデルとの、実用上最大の違いでもあります。比較テストでは、どちらも綴りの正しい鮮明な文字を生成しました。プロンプトで制御するのは、どの言葉を、どのように表示するかです。

内容を説明:「章の名前を入れたタイトルカード」

文字は鮮明でスペルも正確。ただし、文言と書体はモデルが選び、セリフ体の「CHAPTER I」になりました。

文字列を明記:「CHAPTER ONE」、白のコンデンス体、すべて大文字

指定どおりの文字列、太さ、大文字・小文字で中央に配置。説明文で指定したバージョンと同じシードです。

テキスト用テンプレート
A title card reads "<THE EXACT STRING>" in <weight, case, and family>, <position in frame>.
Do not misspell it, do not add any other text, do not add subtitles.
  • 読める文字を出したいなら、その文字を直接入力しましょう。説明するだけでも文字は出ますが、欲しい文言にはなりません。
  • 長体、すべて大文字、セリフ体、広めの字間など、文字のスタイルを指定しましょう。指定どおりに反映されます。
  • 画面内の配置を指定しましょう。「中央」も「画面下3分の1」も反映されます。
  • 「しないこと」を1行加えましょう。コストはかからず、今回の検証で否定指示が役立った唯一の場面です。

参照画像

最大9枚の画像を添付すると、H3が1つのショットに合成します。1枚目から顔、別の画像から商品、さらに別の画像からロケーション、といった使い方です。H3は各画像の役割を自分で判断します。今回の2回の検証では、役割を指示しなくても、顔・商品・場所を正しく組み合わせました。

3つの参照素材、すべて役割を指定

Image 1は女性、Image 2はサッチェルバッグ、Image 3はロビーと指定。さらに、商品画像の白背景とスタジオ背景を使わないよう明記しています。

同じ3つの参照素材、役割の指定なし

同じシード、同じ画像で、簡潔な1文だけを指定。顔もバッグも部屋も正しく再現され、不要な2つの背景は、指示しなくても除かれました。

先ほどの人物と場所の2画像を使ったテストでも、結果は同じでした。各参照素材の役割が1つにしか解釈できない場合、H3は自分で割り当てを判断していると読めます。役割を言葉で指定しても追加料金はかからないので、記載をおすすめします。2つの参照素材が同じ役割に当てはまる途端、モデルは推測するしかありません。再生成するより、1文書くほうが安く済みます。

参照用テンプレート
Use Image 1 for <what it defines>: preserve <the specific features that must survive>.
Use Image 2 for <what it defines>: preserve <the specific features that must survive>.
Use Image 3 for <the location>: <the elements of the set that matter>.
Do not use <the parts of any reference that should not appear, such as a studio backdrop>.
<The action, the light, and the shot.>

すべての参照テストで、顔と髪型は維持されました。コツは、衣装を画像で見せるだけでなく、プロンプトにも「ネイビーのキャンバスジャケット」のようにアイテムごとに書くこと。衣装も同じようにしっかり固定できます。

PixelDojoで使える参照素材は画像です。顔、商品、場所を1つのショットに固定する最短ルートです。

参照素材を使いこなす応用プロンプト

ここまでの内容で、参照素材が1〜2点のシングルショットには十分です。複数の素材と名前付きの登場人物を扱う場合は、トークンによる指定と固定レイアウトが必要になります。このセクションでは、そのために使っている構造を紹介します。内容は独自のA/B検証ではなく、モデルのドキュメントに基づいています。

参照トークン

添付素材はImage1、Video1、Audio1のような短いトークンで参照します。数字の前にスペースは入れません。数字はアップロード順を表し、その位置に添付した素材がトークンの参照先になります。書き始める前に順序を固め、プロンプトの途中で番号を振り直さないでください。素材を差し替えるときは、トークンではなくファイルを入れ替えましょう。

  • 登場人物と声は、1人ずつ対応づけてください。「2人の女性にそれぞれ」とまとめると、最も簡単に取り違えが起きます。
  • その素材を指すときは、毎回トークンを使ってください。長いプロンプトの途中で「参照写真」のような呼び方に戻すと、モデルに再び推測させることになります。
  • 素材1つにつき、役割は1つ。1枚の画像から顔と部屋の両方を参照するなら、どの部分を何に使うか指定しましょう。
  • 残すものだけでなく、除外するものも指定しましょう。スタジオ背景、商品撮影の白い背景、ウォーターマークもファイルの一部なので、名前を挙げて除外する必要があります。

まず素材の役割を決める

書き始める前に、そのショットで参照素材に任せる範囲を1つに絞ります。範囲によって、参照素材が制御してよい要素は異なります。1つのプロンプトでは役割分担のルールを1つに統一すれば、各素材が自分の役目だけを果たします。

役割分担ルール参照素材が制御するものプロンプトの必須事項
テキストから動画添付素材なし上記の基本構成でショット全体を記述します。
開始・終了フレーム始点と終点の2画像どの画像から始まり、どの画像で終わるか。そして、その間を因果関係のある1つの動きでつなぐことです。
Omni参照人物の同一性、衣装、小道具、ロケーション各画像の役割を1つずつ指定し、合成後も残すべき特徴を明記。
演技の転写1本の参照動画から動きだけを取得再現する動きを具体的に指定し、その動画の人物、服装、場所は引き継がないと明記します。
声の転写1つの音声ファイルで声を指定どのキャラクターがその声で話すか、口の動きを音声に合わせること、背後に流れる室内音です。
部分編集1本のクリップを基準にマスター素材だけを基準にすること、変更点の正確な一覧、動かしてはいけない要素の一覧です。

6つすべてに共通する原則は、1つの素材が制御する対象を1つに絞り、影響させない要素も書き出すことです。「参照素材を使う」は指示ではなく、願望です。

ショットリストの前に、変えない設定を固める

動画全体で変えてはいけない要素は、ショットリストの上に、見出し付きのセクションでまとめます。ショットリストには、変化する内容だけを書きます。冒頭で固定するのは、被写体の数、顔、衣装、小道具、声、立ち位置の6項目。すべてのビートが、この設定を引き継ぎます。

セクション構成
[REFERENCE USE]
Image1 = <one job>. Keep <features>. Ignore <what must not travel>.
Image2 = <one job>. Keep <features>. Ignore <what must not travel>.

[IDENTITY / CONTINUITY LOCKS]
<How many people are in frame, and no more.>
<Each face, tied to its token.>
<Each garment, described in words as well as shown.>
<Each hero prop, and which hand or surface holds it.>

[SCENE]
<Location, time of day, weather, and the light.>

[DIALOGUE]
<Character>: "<the exact line>"

[SCREEN GEOGRAPHY]
<Who is on the left, who is on the right, and what they look at.>

見落とされがちなのが、画面内の位置関係です。誰がどこに立ち、それぞれがどこを見るかを指定すると、カメラが動いても視線のつながりが崩れません。

次にショットリスト、最後に仕上げ

ショットリストにも、このガイドで紹介した時間区切りのルールを適用します。時間帯は重複させず連続させ、各区間の主な出来事は1つに絞り、終了時の状態を明記します。各区間に構図、カメラの動き、アクション、セリフがあればその内容、終了時の状態を指定してください。1つの連続した動作なら、普通の文章で十分です。角括弧はシーケンスのために使い、飾りにはしません。

ショットリストの後は、仕上げのセクションで締めます。ここに書くのは特定の動きではなく、動画全体への指示です。手順の1つとして読まれないよう、末尾に置きます。

  • [ACTING]:上の演技セクションにならい、目に見える行動を書きます。
  • [LIGHT AND IMAGE]:光の方向、コントラスト、色調、レンズの描写感、粒状感。
  • [CAMERA]:求めるカメラの動きを1つ、または構図を固定するための禁止事項を書きます。
  • [PRODUCTION SOUND]:ベースとなる環境音、発生順の効果音、禁止する音。
  • [NEGATIVES]:抽象的な品質の言葉ではなく、実際に起こる失敗を指定します。人物の同一性の崩れ、衣装の変化、余分な人物、視線の不整合などです。
全構成を使った実例
[REFERENCE USE]
Image1 = Nadia, lead. Keep the face, the freckles, and the dark curls tied back. Ignore the grey studio backdrop.
Image2 = Theo, second character. Keep the face, the beard, and the wire-rim glasses. Ignore the office behind him.
Image3 = the record shop interior. Keep the wooden browsing bins, the yellow pendant lights, and the tiled floor.
Video1 = motion source only. Copy the slow turn of the head and the reach across the bin. Do not use its actors, its clothing, or its location.
Audio1 = Nadia's speaking voice. Nadia speaks in this voice. Keep her lip sync accurate to the line below.

[IDENTITY / CONTINUITY LOCKS]
Exactly two people are in frame for the whole clip. No extras, no passers-by.
Nadia has the face from Image1. Theo has the face from Image2.
Nadia wears a rust corduroy jacket over a cream tee. Theo wears a charcoal knit sweater.
The hero prop is one sleeved vinyl record. It stays in Nadia's hands until she passes it to Theo.

[SCENE]
The record shop from Image3, late afternoon. Low sun comes through the front window on the right and the pendant lights are already on.

[DIALOGUE]
Nadia: "This is the pressing I told you about."

[SCREEN GEOGRAPHY]
Nadia stands on the left at the browsing bin. Theo stands on the right by the counter. They look at each other when they speak and at the record when it changes hands.

[SHOT LIST]
[0-4 seconds] Medium two-shot, locked off. Nadia turns her head toward Theo and reaches across the bin. End with the record lifted clear of the bin in her right hand.
[4-8 seconds] Slow push in to a medium close-up on Nadia. She says her line and holds the record up. End with the sleeve fully readable in frame.
[8-12 seconds] Hold the medium close-up, then reframe right as she passes the record. End with the record in Theo's hands and Nadia's hands empty.

[ACTING]
Nadia's gaze stays on Theo through the line and drops to the record as she passes it. Her thumbs stay on the sleeve edges. Theo's shoulders drop as he takes it and he exhales once.

[LIGHT AND IMAGE]
Warm low sun from the right, soft fill from the pendants, deep shadows in the bins. Muted rust and amber palette. Shallow depth of field on a 40mm lens, fine grain.

[CAMERA]
One slow push in and one reframe, both on a tripod head. No handheld, no zoom, no whip pan.

[PRODUCTION SOUND]
Quiet shop room tone, the rustle of sleeves in the bin, one soft card-stock slide as the record leaves its slot, and Nadia's line clean over the top. No music.

[NEGATIVES]
No identity drift between Nadia and Theo. No wardrobe changes. No third person entering frame. No broken eyelines. No subtitles or captions.

クレジットを使う前に読み返す

  • 添付した素材にはそれぞれ名前付きの役割が1つだけあり、使いたくない部分も具体的に除外していますか?
  • 人物の同一性、声、小道具、編集対象は、それぞれ1つの指定元に割り当てられていますか?指定元が2つあると、モデルが選びます。
  • 時間区間は連続し、重複せず、各動作に十分な長さがありますか?
  • カメラ、照明、演技の指示は、参照素材ですでに決まっている内容と矛盾していませんか?
  • 除外指示は「悪い」「低品質」といった言葉ではなく、実際に起こりうる失敗を指定していますか?

現在、PixelDojoで添付できる参照素材は画像なので、実際に使えるトークンはImage1からImage9です。Video1とAudio1の役割指定もここで解説するのは、モデルがそれらを理解するためです。また、素材1つにつき役割を1つに絞るという同じ原則が、画像だけのプロンプトでも一貫性を保つ鍵になります。

開始・終了フレーム

開始フレームを添付すると、H3はその画像を起点に動かします。開始と終了の両フレームを添付すると、その間の動きを生成します。これが、このモデルで最も精密に制御できる方法です。このモードでは画像からアスペクト比が決まるため、アスペクト比の選択設定は反映されません。

開始フレームのみ

指定フレームを維持しながら動きを加えます。彼は柱のそばにとどまって顔を向け、ロープは風で揺れます。

開始フレームと終了フレーム

開始フレームは同じです。男性が左へ歩いて画面から出ると、無人の桟橋と巻かれたロープまで含め、指定した終了フレームにぴったり一致して終わります。

  • プロンプトには、各フレームの説明ではなく、2つのフレームをつなぐ動きを書いてください。見た目は、すでにフレームが伝えています。
  • 動き出すポスター、主役となるアングルへ回転する商品、セットから立ち去るキャラクターなど、始点と終点が決まっているトランジションに使いましょう。
  • フレームと参照画像は併用できません。どちらかを選んでください。

カメラの指示

H3は撮影用語をそのまま理解し、動きのある映像を得意とします。任せておくと、わずかに揺れる生きたカメラワークで被写体を追います。固定ショットにしたいときは、使わないカメラの動きを列挙すると、ぶれのない構図を維持します。

カメラの指定なし

作業する彼女を、カメラが自然な動きで追います。

「フレームは一切動かさない」に、カメラの動きも具体的に指定

クリップ全体で構図を固定。動くのは庭師と噴霧だけです。無音版と同じシードです。

固定ショット用テンプレート
Locked-off static <wide / medium / close> shot.
No push in, no handheld, no zoom, no dolly. The frame never moves.

カメラを動かしたいときは、動きを1つ指定し、画面上で何が変わるかを書きましょう。「ゆっくり寄って、エスプレッソの流れのクローズアップにする」は、そのとおりに実行されました。コツは、カメラ用語と、見せたい変化を必ずセットにすること。H3はその狙いを捉えます。

演技と感情

感情を表す言葉は、演技の要約であって、演技そのものの説明ではありません。代わりに、カメラに映ることを書きましょう。視線の先、手の動き、呼吸の変化、動かさない部分です。

「不安で緊張した様子」

カメラに向かう、ありきたりな演技です。バイオリンは膝の上に置かれ、演出指示は動作ではなく表情として処理されました。

同じ演技を、目に見える動作で記述

視線は床に固定し、指でバイオリンのネックを握り、肩を上げたまま。指示が文字どおりに実行され、動画全体で維持されました。

演技用テンプレート
<Subject> <is in the situation>.
<What the hands do>, <where the eyes go>, <what the shoulders or posture do>, and <one breath or pause>.
<Shot size>, <camera behaviour>.

音を演出する

すべての動画にステレオ音声が付くため、音は受け取るものではなく、演出するものです。鳴る音を発生順に書き、背後で流し続ける音と、入れてはいけない音も指定します。

音声の指定なし

途切れず続くベース音。動画全体で測定すると、約−32 dBでほぼ一定でした。

音を順番に指定し、「音楽なし」を追加

映像は同じですが、音声は出来事に沿って構成されています。静かな部分は約−45 dB、打撃と焼き入れの瞬間には最大−23 dBの突発音が入ります。

音声テンプレート
Audio: <what runs underneath for the whole clip>, <the specific event sounds in the order they happen>, and at <the moment> <the sound that marks it>.
No music.

音量はシーンに連動するため、静かな場面では自然な静けさがしっかり表れます。湖畔と舞台裏のクリップは平均約−44 dBで、にぎやかなシーンより約25 dB低い値でした。最終的なラウドネスは編集で調整しましょう。

除外指示

除外したい内容は、プロンプト内に普通の文章で書きます。H3は追加の指示なしでも余計な要素を入れないため、短い除外文は必須条件ではなく、最後の念押しです。

ネガティブリストあり:人物なし、ハトなし、車なし、文字なし

指定どおり、誰もいないテラスです。

同じシーン、同じシード、除外リストなし

こちらも無人のテラス。H3は追加の指示なしで、余計なものを入れませんでした。

先ほどの湖に浮かぶボートの比較でも、結果は同じでした。実践での結論は、「ネガティブ指定が特に効く」という大ざっぱなものではありません。モデルが勝手に足しがちな要素に絞って使うことです。今回の検証では、画面内の文字とカメラの動きが該当しました。シーンから自然に想定される被写体を、ネガティブ指定だけで消そうとしないでください。人物を映したくないなら、人物を禁止するのではなく、誰もいない場所を描写しましょう。

画角・長さ・コスト

H3は21:9、16:9、4:3、1:1、3:4、9:16の6種類を2Kで生成します。縦型は横型の切り抜きではなく、実際に1440 × 2560で出力されます。SNS向けの素材は、後から構図を調整するより、最初から縦型で生成するのがおすすめです。

9:16の2K、縦型で直接生成

スマートフォン画面向けに設計した商品広告。カメラが上昇し、水滴が流れます。横長映像からの切り抜きではありません。

設定範囲補足
長さ5〜15秒1秒単位。料金は長さに比例します。
解像度H3: 2Kまたは768p。H3 Max: 768pまたは480pH3では開始フレームを使うと2Kに固定されます。H3 Maxでは、どのモードでも選択した解像度が維持されます。
クレジット1秒あたり2Kで5、768pで2.5。H3 Maxは768pで2.5、480pで22Kの5秒動画は20クレジット、H3 Maxの768pなら10クレジット。2Kで15秒フルに生成すると60クレジットです。参照動画を使うと生成動画1秒あたり4.5クレジット、参照画像は5枚を超えると1枚ごとに1クレジットが加算されます。
プロンプトの長さ最大7,000文字サウンドデザインを含むショットリスト全体も、余裕を持って書けます。
アスペクト比6種類の比率開始フレームモードでは無視されます。形は画像によって決まります。

H3はすべて2Kで生成するため、使えないクリップにも採用するクリップと同じ費用がかかります。まず5秒で映像と音を試し、気に入ったプロンプトを必要な尺で再生成しましょう。768pで判断できるなら、H3 Maxのほうが低コストで検証できます。

H3またはH3 Max

H3 Maxは、速度を重視して性能を調整したMiniMax H3の派生モデルです。ここまで紹介したものと同じプロンプトの書き方が使え、映像に同期した音声も生成します。開始フレームに対応し、終了フレームも追加できます。同じ6種類のアスペクト比で5〜15秒を生成でき、768pは1秒あたり2クレジット、480pは1.5クレジットで高速に出力します。

MiniMax H3の2K出力。2026-08-03に5秒、25クレジットで検証。現在の料金では20クレジット

手元から始まり、エスプレッソの流れで終わるワンカット。プロンプトで指定したとおりにプッシュインします。2560 × 1440。

H3 Maxの768pで約24秒。2026-09-01に10クレジットで検証済み。現在の料金も同じです。

同じプロンプトです。こちらも彼女の手元から始まり、エスプレッソの流れで終わる、寄りのワンカットを維持しました。目に見える違いはフレームサイズです。1344 × 768に対し、2560 × 1440です。

H3 Maxの画像から動画生成は768pのまま、10クレジット

H3とは異なり、H3 Maxは開始フレームを使っても高い料金区分に切り替わりません。この生成では、カメラが周回する最初の2秒間にケースを閉じ、別の角度から再び開く演出が入りました。同じ静止画とプロンプトを使った480pの生成では、この演出はありませんでした。蓋を開けて見せる演出は、常に起こるものではなく、モデルが実行できる表現として捉えてください。

設定MiniMax H3H3 Max
解像度2Kまたは768p768pまたは480p
1秒あたりのクレジット2Kで5、768pで2.5。参照動画は1秒あたり4.5、参照画像は5枚を超えると1枚ごとに1を加算768pで2.5、480pで2
5-second clip2Kで20クレジット、768pで12.5クレジット768pで10クレジット、480pで7.5クレジット
開始フレームが料金に与える影響2Kに固定されるため、画像から動画の生成は5秒で20クレジットなし。選択した解像度を維持
参照画像・動画・音声画像最大9点、動画最大3本、音声最大3点非対応。フレームのみ
長さ5〜15秒、1秒単位で指定5〜15秒、1秒単位で指定
アスペクト比21:9から9:16までの6種類同じ6種類
実測の生成時間2026-08-26の検証では、5秒の画像から動画の生成に約205秒24 to 33 seconds across three 5-second runs on 2026-09-01

2Kの料金を払う前にプロンプトを検証したいとき、768pで十分なSNS・商品クリップを作るとき、画像から動画生成で2Kの料金が負担になるときは、H3 Maxを選びましょう。2Kで納品する場合や、参照画像、参照動画、参照音声が必要なショットでは、MiniMax H3を使いましょう。

生成前のチェックリスト

  • カメラは指定していますか?固定ショットなら、使わない動きを列挙しましょう。
  • 画面内の文字は、表示したい文言を正確に入力し、書体や配置も指定していますか?
  • 演技は感情の名前ではなく、カメラに映る振る舞いとして書いていますか?
  • 各ビートには主な変化が1つあり、終わった状態を見て確認できますか?
  • 最後のビートに余裕はありますか?締めくくりには、最も長い時間を割きましょう。
  • 音は発生する順に指定し、不要な音も除外していますか?
  • 参照素材を添付した場合、必ず残したい特徴を画像で示すだけでなく、言葉でも指定していますか?
  • 尺は適切ですか?どちらも秒単位の課金で、2Kでは5、H3 Maxの768pでは2.5です。まず5秒でプロンプトを検証し、2Kで生成する前にH3 Maxで試すことも検討しましょう。

2026-08-03にPixelDojo上で稼働中のモデルを使い、24回の生成で検証しました。同じシードで変数を1つだけ変え、ペアで比較しています。測定できる違いが出なかったテクニックは、定説を繰り返すのではなく、その結果をそのまま記載しています。