MiniMax H3がオープンウェイト化！ローカル導入・必要スペック・節約術

MiniMax H3がオープンウェイト化したと聞いて、最初に思ったのは「これで動画生成がずっと無料！」ではなく、「よし、今度はGPUと電気代の出番だな」でした。すでに性能のよいPCを持っているなら、今回の公開はかなり魅力的です。モデルをローカルに置けば、1本ごとにAPI料金を払わず、プロンプトをじっくり試し、バッチ処理し、素材も自分のストレージに残せます。

ただし、ウェイトが無料でも制作環境全体が無料になるわけではありません。公式構成の要求は高く、量子化やモデルオフロード、低VRAM向けツールを使えば一般向けGPUでも動かせますが、より多くのRAM、低い解像度、そしてコーヒーを淹れてもまだ終わらない待ち時間との交換になります。

この記事ではAI動画好きの視点から、MiniMax H3 AI動画生成ツールで何が公開されたのか、手元のPCで動くのか、ローカルとオンラインのどちらが本当にお得なのかを整理します。

01 MiniMax H3の公開は何を意味する？

一般には「MiniMax H3がオープンソース化」と言われますが、正確にはオープンウェイトです。MiniMaxはHugging FaceでH3-Baseのウェイト、設定ファイル、推論コンポーネントを公開しました。ダウンロード、導入、改変が可能で、SGLang、vLLM、Diffusers、ComfyUI、コミュニティツールから実行できます。

クラウドで処理していた動画生成を自分のPCへ移せるのが最大の変化です。十分な機材、容量、知識があれば、生成回数はポイントやAPI料金に直結しません。絵コンテ、キャラクターの一貫性、広告案を大量に試す人には魅力的です。

02 実際に公開されたもの

MiniMax H3公式モデルカードによると、公開ウェイトには2つの主要タスク版があります。どちらも映像とネイティブのステレオ音声を同時に予測しますが、入力方法が異なります。

• 長さ：4～15秒。
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16など。
• ローカルBase解像度：短辺768ピクセルが標準。
• フレームレート：24 FPS。
• 音声：32 kHzステレオ。環境音、音楽、会話をネイティブ生成。
• 安定した会話言語：中国語、英語、日本語、韓国語、ロシア語を含む11言語。

公開版Ref2VAは最大9枚の画像、3本の動画、3本の音声を受け付け、混在ファイルは合計12個までです。オンライン製品では上限が異なる場合があるため、ローカルウェイト、公式API、第三者サービスのどれを比較しているか確認しましょう。

03 MiniMax H3は本当に無料で使える？

「無料」がローカル推論1回ごとのモデル料金が不要という意味なら、対象地域では可能です。ただしMiniMax H3 Community License Agreementと利用規定を守る必要があります。

2026年8月5日時点で、日本は除外地域に含まれていません。そのため、最新版のコミュニティライセンスと利用規定に従う限り、限定的かつロイヤリティフリーの利用・改変権が認められます。一方、米国、EU、英国、韓国は明示的な除外地域です。商用サービスへ組み込む場合は、所在地を問わず最新版を確認し、必要に応じて法務担当へ相談してください。

MiniMaxは生成物の権利を主張しないとしていますが、適法性、肖像権や著作権、利用方法の責任はユーザーにあります。モデルを家に持ち帰れても、責任までクラウドへ返せるわけではありません。

04 必要スペック：動くことと快適に動くことは別

「8GB VRAMで動く？」という質問への答えは、ウェイト、秒数、解像度、待てる時間、オフロードに使えるRAMで変わります。

SGLang公式テストでは、RTX 5090を2枚使った50ステップの処理に約9分20秒、GPUあたりのピークは約26.3 GiBでした。データセンターGPUより身近でも、普通のゲーミングPCで気軽に飛べる水準ではありません。

WanGPコミュニティプロジェクトは量子化、階層オフロード、低解像度出力で5～9GBまで下げています。ただし特定ツール・設定のコミュニティ値であり、公式BF16の最低要件ではありません。RAM、SSD速度、生成時間が新しいボトルネックになります。

05 ウェイトの選び方：498GBを全部落とさない

公式Hugging Faceリポジトリは2026年8月5日時点で約498GBです。複数タスク、元形式、Diffusers形式を含むため、一般ユーザーが全量を入れる必要はありません。

公式FL2VAの1ディレクトリは約144GBです。ComfyUI版ウェイトなら機材と画質に合わせて選べます。

• テキスト、画像、開始・終了フレーム：FL2VA。
• 人物、動作、動画、音声参照：Ref2VA。
• VRAM/RAMが少ない：Pruned INT8/FP8またはGGUF。
• 公式品質を比較：BF16と複数GPU。

06 MiniMax H3をローカルへ導入する3つの方法

正解は1つではありません。機材と、創作かターミナルのどちらに時間を使いたいかで選びます。

01 ComfyUIで導入

ノード式ワークフローに慣れ、モデル、サンプリング、後処理を直接調整したい人向けです。Comfy-OrgにはBF16、INT8、Pruned FP8/INT8と各種テンプレートがあります。

Manager、デスクトップ版、Gitで最新版へ更新します。古い版ではH3ノードやモデル種別が見つからない場合があります。

Comfy-Orgウェイトページから用途に合う1つを選びます。

• 一般向けGPUでFL2VA：minimax_h3_fl2va_pruned_int8_convrot.safetensorsまたはminimax_h3_fl2va_pruned_fp8_scaled.safetensors。
• マルチモーダル参照：ファイル名にref2vaを含むPruned INT8/FP8。
• 高性能マルチGPU：minimax_h3_fl2va_bf16.safetensorsまたはRef2VA BF16。

保存先：

ComfyUI/models/diffusion_models/

拡散ウェイトだけでは動きません。

• テキスト：qwen3vl_32b_minimax_h3_int8_convrot.safetensorsをComfyUI/models/text_encoders/へ。
• 映像VAE：minimax_h3_video_vae_fp16.safetensorsをComfyUI/models/vae/へ。
• 音声VAE：minimax_h3_audio_vae_fp32.safetensorsもComfyUI/models/vae/へ。

整理後のフォルダー構成はおおよそ次のようになります。

ComfyUI/
└── models/
    ├── diffusion_models/
    │   └── minimax_h3_fl2va_pruned_int8_convrot.safetensors
    ├── text_encoders/
    │   └── qwen3vl_32b_minimax_h3_int8_convrot.safetensors
    └── vae/
        ├── minimax_h3_video_vae_fp16.safetensors
        └── minimax_h3_audio_vae_fp32.safetensors

タスクに対応するJSONテンプレートをダウンロードし、ComfyUIのキャンバスへドラッグします。

• T2Vワークフロー
• I2Vワークフロー
• R2Vマルチモーダルワークフロー

5秒、低解像度、15～20ステップ、固定シードから始めます。テキストのみ、または開始画像1枚で映像と音声の出力を確認してから、長さ・解像度・参照素材を増やします。

02 WanGPで導入

WanGPは機材に合うモデル選択、RAMへのオフロード、ブラウザーUIが強みです。FL2VA/Ref2VA、完全版33Bと軽量な20B Prunedに対応します。

DeepBeepMeep/Wan2GP公式GitHubからZIPを取得、またはGitで複製します。

git clone https://github.com/deepbeepmeep/Wan2GP.git
cd Wan2GP

Windowsはscripts\install.bat、Linuxはscripts/install.shを実行。初回はAuto Installで専用Python環境とGPUに合うPyTorch、CUDA、アクセラレーションを入れます。

# Linux
bash scripts/install.sh

Windowsは通常BATをダブルクリックするだけです。既存の安定したWanGP環境へ追加することもできます。

Windowsはscripts\run.bat、Linuxは次を実行：

bash scripts/run.sh

ターミナルに出るローカルURLを開き、MiniMax H3を選びます。初回は機材に合うファイルをダウンロードするため時間がかかります。

• テキストまたは開始フレームだけならMiniMax H3 FL2VA。
• 832×480、5秒から開始。
• 15～20ステップ、シード固定。
• 低VRAM機はLower VRAMを優先。
• RAM不足でGPUに余裕があればLower RAM。

負荷は消えずRAM、SSD、PCIeへ移ります。ブラウザーのVRAM消費が大きければscripts/start-chrome-no-gpu.batまたはscripts/start-chrome-no-gpu.shを使います。

03 SGLangで導入

SGLangは公式推奨フレームワークの1つで、H100、H200、B200、B300、RTX 5090、AMD InstinctなどのマルチGPU向けです。非同期動画API、キュー、GPU構成、性能設定を備えたサービス用途です。

Linuxサーバーの独立したPython環境で、公式のインストールコマンドを実行します。

uv pip install "sglang[diffusion]" --prerelease=allow

公式の4GPU基本構成です。初回にHugging Faceからモデルを取得します。

sglang serve \
  --model-path MiniMaxAI/MiniMax-H3 \
  --model-variant fl2va \
  --num-gpus 4 \
  --ulysses-degree 4 \
  --performance-mode speed \
  --host 0.0.0.0 \
  --port 30010

参照生成では--model-variant fl2vaを--model-variant ref2vaへ変更し、別ポートを使います。RTX 5090×2では追加設定が必要なので、4GPU設定をそのまま使わずSGLang MiniMax H3ハードウェアセレクターでコマンドを作成してください。

サーバー自身で試す場合はhttp://127.0.0.1:30010、別端末からはLAN IP、公開IP、設定済みドメインを使います。例は--host 0.0.0.0なので、ファイアウォール、認証、リバースプロキシなしで公開しないでください。接続後は非同期APIでT2VA/FL2VAジョブを送り、状態を取得してMP4を受け取れます。

07 ローカル生成をもっと安くするには

節約の要は、無料だからと全設定を最大にせず、安い試行フローを作ることです。

• まず5秒：人物、動作、カメラ、音を確認して10～15秒へ。
• まず480p/768p：方向性を確認後にアップスケールまたは高品質で再生成。
• 量子化/Pruned：INT8、FP8、GGUFを下書きに。
• 必要な区分だけ：参照が不要ならRef2VAは後回し。
• シード固定で1項目ずつ：プロンプト、素材、ステップ、カメラを一度に変えない。
• キューを活用：複数ジョブをまとめて待ち時間を有効活用。
• ブラウザーのGPUも計算：環境により約1～5GB解放できる場合があります。

機材をすでに持ち、毎日大量に作るほど平均コストは下がります。数本のためにRTX 5090を2枚、384GB RAM、新しい電源まで買うなら、無料というよりAPI料金をPCショップへ前払いする感じです。

08 ローカルとオンライン、どちらを選ぶ？

まず試したいだけなら、数百GBを落とす必要はありません。LitVideo MiniMax H3テキスト動画生成で、CUDAとの深夜交渉ではなくプロンプトとカメラに時間を使えます。

AI動画モデル一覧で品質、速度、入力方法も比較できます。ローカルかクラウドに固執せず、それぞれの得意分野を使い分けるのが一番安いこともあります。

09 オープンウェイト版のメリット・デメリット

10 よくある質問

01 本当にオープンソース？

正確にはオープンウェイトです。H3-BaseはApache 2.0ではなくCommunity Licenseで公開され、H3-Context-IRとH3-Regenerate-2Kは未公開です。

02 8GB VRAMで動く？

WanGPコミュニティは5秒・832×480を約5～6GBで生成できると報告しています。8GBでも試せますが、量子化、オフロード、十分なRAMが必要で、公式完全精度と同じ速度・品質ではありません。

03 ディスク容量は？

公式全体は約498GB、FL2VAの1ディレクトリは約144GB。主要ComfyUIウェイトは21～66.3GBですが、エンコーダー、VAE、環境、キャッシュ、出力も必要です。

04 初心者はComfyUIとWanGPのどちら？

ComfyUIノードに慣れていれば既存フローが自然です。VRAMが少なく、量子化とオフロードをWeb UIで選びたいならWanGPが始めやすいでしょう。

05 ローカルで2K生成できる？

公開H3-Baseは主に短辺768ピクセルです。2K用H3-Regenerate-2Kは2026年8月5日時点で未公開のため、MiniMax APIまたは第三者アップスケーラーが必要です。

06 ローカル生成は完全無料？

従量のモデル推論費はありませんが、GPU、RAM、SSD、電気、冷却、減価、時間が必要です。機材がなければオンラインとの総額比較が現実的です。

07 商用利用できる？

日本は2026年8月5日時点の除外地域ではなく、最新版ライセンスと利用規定に従う範囲で限定的なロイヤリティフリー利用権があります。ただし商用導入前に、所在地、用途、内容を含めて最新版のライセンスQ&Aも確認してください。

08 FL2VAとRef2VAのどちら？

テキスト、画像、開始・終了フレームならFL2VA。複数画像、参照動画、音声、人物特徴を使うときだけRef2VAを選びます。