MiniMaxは7月31日、マルチモーダル動画モデルH3を発表した。商用API価格を示しながら、モデル重みの公開も予告した点が珍しい。動画生成の競争は画質だけでなく、2K音声付き動画を秒単位でいくらにできるかへ移っている。
H3はテキスト、画像、動画、音声を同じコンテキストに入れられる。出力は最大2K、最長15秒で、ネイティブステレオ音声を含む。
重み公開は約束段階
“We plan to open up the model weights in the coming days, subject to applicable laws and regulations.”
公開は発表当日の完了事項ではない。ライセンス、商用利用の範囲、必要GPU、技術報告がそろって初めて、自前運用の候補として評価できる。
価格が焦点を変える
上証報、新京報、21世紀経済報道などは、H3の2K動画生成価格を0.8元/秒、同種の旗艦動画モデルの約3分の1と報じた。15秒の2K動画は単純計算で約12元になる。
統一コンテキストへの賭け
MiniMaxはH3をContextual Omni Representation、H3-VAE、H3-Omni Transformer、In-Context Regenerationで説明する。映像、音声、画像、テキストを一つの制作文脈として扱う設計だ。
多くの素材は約10万トークンの推論を経て平均約4000トークンへ圧縮される。H3-VAEは有効系列長を4倍にし、学習スループットを約30%高めた。
次の確認点は、数日内に重みが出るか、企業が使えるライセンスか、公式以外のハードウェアで文字、動き、音声制御がどこまで再現できるかに絞られる。
参考資料：MiniMax公式研究ブログ、上証報中国証券網、新京報、CocoLoop、21世紀経済報道；MiniMax公式サイトで2K/15秒、ネイティブステレオ、重み公開方針、0.8元/秒価格、768p比較、学習スループット約30%向上を確認。