MiniMax H3が33Bでオープンソース化: ビデオモデルがプロダクションラインを超える

7月の最終日、MiniMaxは主要なビデオベンチマークでSOTAを達成した330億パラメータのビデオモデルH3をリリースしました。同日、重みがオープンソース化されました。この話は、単に別の研究所がByteDanceのSeedanceに追いついたという話ではありません。この話は、ビデオ生成が「クールなデモ」から「プロダクションの道具」へと線を越えたということであり、MiniMaxはその瞬間にオープンソース化することを選びました。

videobaoでは、これが一回のセッションでできることを変えます。以下では、H3の詳細、33Bが注目される理由、そしてこの世代のモデルを次のプロジェクトでどのように使うかについて説明します。

MiniMax H3が実際に何をするのか

H3は、ネイティブマルチモダリティ入力とクロスモーダル精密編集という二つのアイデアを中心に構築されています。テキスト、画像、音声、ビデオはすべて同じプロンプトで参照として使用できます。つまり、短いクリップをモデルに渡して、テキスト指示で特定のキャラクターを指し、そのキャラクターだけを置き換えることができます。その際、周囲のものはそのまま残ります。

MiniMaxからの初期デモは、制作チームが実際に必要とするシーンに焦点を当てています: UIデザインのウォークスルー、ブランド広告、MVスタイルのカット、ゲームシネマティクス、ARおよびトランジションエフェクト、eコマース試着などです。このピッチは「AIがビデオを作れる」ではなく、「AIが必要な特定のビデオを、特定の要素を変更して作れる」というものです。

H3はまた、Hailuo-02アーキテクチャの上に構築された新しいトークナイザーを使用して、ネイティブに2Kを生成します。圧縮がより効率的で、トレーニングと推論のコストが低く、モデルは十分に小さい（33B）ため、本気でプロダクションを行うチームは実際にそれをホストできます。

なぜ33BがSOTAよりも大きな話なのか

SOTAはヘッドラインです。33Bが実際のニュースです。2025年のほとんどのSOTAビデオモデルは70B以上のパラメータを持っており、これは深刻な計算コスト、遅いイテレーション、クローズドAPIを意味しました。SOTAを達成した33Bモデルは三つのことを意味します。

第一に、トレーニングがよりアクセスしやすくなります。去年は最先端のビデオモデルをトレーニングする余裕のなかったチームでも、今では微調整や蒸留を行うことができます。第二に、推論がより安価になります。videobaoでの生成ごとのクレジットコストは上流コストによって形作られ、より小さなモデルがその数値を下げます。第三に、デプロイがより現実的です。33Bビデオモデルは特別なデータセンター構築なしで本気のプロダクション用ハードウェア上で実行できます。

言い換えれば、SOTAを33Bで達成することは、研究結果を製品に変えるものです。言語モデルでも同じことが起こりました。効率的なオープンソースのヒットがGPT-3の品質基準をわずかなサイズで達成したときです。ビデオも同じ移行を経ていますが、12ヶ月遅れています。

デモのトリックからプロダクションの道具へ

一年前、AIビデオはウサギがコヒーレントであるかどうかで評価されていました。フィールド全体がプロンプトレベルの一貫性を最適化しており、それすらも難しかったです。2026年の基準は異なります。Veo 3.1、Kling 2.5、Sora 2、そして今ではH3のようなモデルは、単に生成するだけでなく、背景を汚さずにキャラクターを正確に置き換えます。単に音声を含むだけでなく、Veo 3.1は48 kHzのネイティブ音声を搭載しており、ほとんどの主流のモデルは今では一度の通過でリップシンクされたビデオを出力します。

ユースケースも能力とともに変わりました。去年は「見て、このクールなエフェクト」という感じでした。今年はTVC、ブランド広告、製品のデモです。「モデルを自慢する」から「モデルを使ってキャンペーンを届ける」へのシフトは、業界が今越えたラインです。

もし2025年にAIビデオを試してみて諦めたのなら、2026年のモデルは別物です。videobaoでは、Hailuo 02、Veo 3.1、Kling 2.5、Sora 2を同じセッションで使用して、ブリーフに合うものを選ぶことができます。

なぜモデルがオープンソースになると集約が勝つのか

MiniMaxは、SOTAのパフォーマンスとコストの優位性があるにもかかわらず、H3をオープンソース化することを選びました。これは直感に反するように聞こえますが、オープンソース化は真剣なビデオ研究所にとって標準になりつつあります。その理由は単純です: ビデオモデルは至る所に存在することになりつつあり、少し優れたバージョンのクローズドベンダーであることは、ユーザーがそれらを比較できるプラットフォームであることよりも価値が低いです。

LTX-2.3を見てみましょう。これは、海外のオープンソースビデオモデルで、Hugging Faceで1800万ダウンロードを超えています。1800万です。オープンソースのビデオエコシステムは現実であり、活発であり、新しい製品ワークのほとんどが行われている場所です。videobaoのような集約プラットフォームはこの上にあります: 私たちはオープンソース、クローズドソース、中国と西洋のモデルを1つのログインと1つのクレジットバランスでパッケージ化し、ユーザーが選択する必要がないようにしています。

これはエンドユーザーの「オープンソースかクローズドソースか」という質問に対する実用的な答えです。あなたは選びません。あなたはプラットフォームを使い、プラットフォームが仕事に合ったモデルを選びます。時にはMiniMax H3がそうで、今はvideobaoでライブしています。時にはVeo 3.1がシネマティックショットに適しています。時にはKling 2.5が安価なソーシャルクリップにネイティブオーディオを備えた適しています。ポイントは、プラットフォームがそれらすべてを行うことができるということです。

今日videobaoでH3を使う方法

H3はvideobaoでライブしています。ネイティブ2Kキャンバスでクロスモーダル精密編集をしたいときに選んでください。パターン: 参考画像または短いクリップをアップロードし、変更したい要素を名前で指定するプロンプトを書き、H3がシーンの残りの部分をピクセル安定に保ちます。Hailuo 02、Kling 2.5、Veo 3.1はすべて同じセッションで使用でき、同じワークフローを異なる価格または解像度レベルで求める場合に使えます。

videobaoでは、H3はネイティブ2Kで1秒あたり7クレジットで動作し、4-15秒の持続時間範囲です。統合された利用モードは、テキストからビデオ、最初/最後/最初+最後のフレームからの画像からビデオ、および最大5枚の参照画像と任意の参照ビデオおよびオーディオクリップを含む参照駆動モードです。クロスモーダル精密編集がヘッドラインの使用例です。Hailuo 02は同じワークフローの安価な代替です;Veo 3.1は、4Kが必要な場合の適切な選択です;Kling 2.5は、厳しい予算で内蔵オーディオトラックが必要な場合の適切な選択です;Sora 2は、長いマルチショットストーリーテリングの適切な選択です。H3はvideobaoではプレミアム層のみです、2K生成が1080pよりも意味的に高価であるため。

33Bのオープンソースの波は、次の2四半期の間にラインナップの他のラインナップの価格下限を下げ続けます。正しい動きは、H3が最新のSOTAであり、他のモデルがそれに伴って圧縮される間に、今クロスモーダル編集ワークフローをロックすることです。