MiniMax H3（Hailuo 3 とも呼ばれます）はオープンウェイトの動画モデルです。MiniMax は Hugging Face で MiniMax H3 Community License のもとウェイトを公開しました。つまり自分で動かせますが、大きなモデルなので、どこまで使えるかはハードウェア次第です。この記事ではモデルカードとコミュニティのガイドの内容をまとめ、ローカルで動かすかオンラインで使うかを判断できるようにします。
ダウンロードするもの
モデルカードによると、H3 は 330 億パラメータのシングルストリーム Transformer（MiniMax は H3-Omni-Transformer と呼んでいます）で、エンコーダーに Qwen3-VL-32B を使います。公開されたチェックポイントは CFG 蒸留済みで、BF16 で動きます。4〜15 秒・24 fps の動画を 32 kHz ステレオ音声付きで生成し、短辺は標準で 768 ピクセル。2K は別のコンテキスト内再生成ステップ（H3-Regenerate-2K）で得ます。
コミュニティの ComfyUI ガイドによれば、ローカル環境には通常 4 つのファイルが必要です：H3 のデノイザー、Qwen3-VL テキストエンコーダー、動画 VAE、音声 VAE。
ウェイトを使って何かを作る前に、モデルページの MiniMax H3 Community License を読んでください。独自の利用条件があります。
動かし方
モデルカードには 4 つの実行環境が載っています：SGLang、vLLM、diffusers、ComfyUI。
- SGLang / vLLM：サーバー向け。MiniMax 公式の SGLang の例は GPU 4 枚（
--num-gpus 4、--ulysses-degree 4）で--performance-mode speedを使います。 - diffusers：Python スクリプトや独自パイプライン向け。
- ComfyUI：デスクトップ GPU での定番。テキスト・画像・参考素材モードのノードワークフローがあります。
VRAM はどれくらい必要？
フルの BF16 モデルはマルチ GPU サーバー向けです。1 枚のコンシューマー GPU では、品質と引き換えにメモリを節約する**量子化版（GGUF、FP8、INT8）**が使われています。コミュニティのガイドでは、おおよそ次のとおりです。
| VRAM | 期待できること |
|---|---|
| 8〜12 GB | 最小の量子化版。短い・低解像度の実験のみ |
| 16 GB | 量子化版を試す現実的なスタート地点 |
| 24 GB 以上 | ワークフロー全体が載れば、より良い量子化レベル |
| 32 GB 以上 | より高品質な実験。それでもフルモデルではない |
モデルの大部分を出し入れするため、システム RAM と高速な NVMe も重要です。これらの数字はコミュニティの報告で保証ではなく、新しいワークフローや量子化が出るたびに変わります。
ローカルとオンライン、どちらが安い？
すでに 24 GB 以上の GPU を持っている、ファインチューニングや LoRA を使いたい、完全にオフラインで使いたい、という場合はローカルが向いています。
フルモデル（量子化版ではなく）、2K 出力、参考画像・クリップ・音声の同時使用を、セットアップなしで使いたいならオンラインです。MiniMax H3 AI では生成した秒数分だけ支払います。H3 Max は 480P で 1 秒 6 クレジットから、5 秒の動画は 30 クレジット、最小パックは 300 クレジットで $9.99。失敗した生成のクレジットは戻ります。ブラウザで試す。
プロンプトはどちらでも同じ
ComfyUI でもオンラインでも、H3 は同じプロンプトを読みます。MiniMax H3 プロンプトガイドでは、MiniMax が推奨する構成（タイムライン、カメラの動き、セリフ、音）をコピーして使える例とともに紹介しています。
出典
- Hugging Face の MiniMax H3 モデルカード：アーキテクチャ、長さ、フレームレート、音声、実行環境、ライセンス。
- MiniMax H3 の発表：機能と公開情報。
- 上記の VRAM の目安はコミュニティの ComfyUI・GGUF ガイドによるものです。