Hailuo H3 完全ガイド：機能・プロンプト・使い方

Monipix Teamon 13 days ago

Hailuo H3のマルチモーダルAI動画とネイティブステレオ音声ワークフロー

Hailuo H3は、無音のテキスト動画生成モデルではありません。MiniMaxはテキスト、画像、動画、音声を一つのコンテキストで扱い、映像、カメラ、会話、環境音、音楽を同じ演出方針で生成できるようにしています。重要なのは機能の数ではなく、それらをどう制御可能な結果へ落とし込むかです。

要点： Hailuo H3は、映像と音を一緒に設計したい4〜15秒の短い動画に向いています。最初は明確な出来事を一つに絞り、主なカメラワークも一つだけ指定し、画面内の音とBGMを分けて書くと結果を検証しやすくなります。

最終更新：2026年8月11日。本記事はMiniMaxが公開したH3モデルカードと公式プロンプトガイドに基づいています。

Hailuo H3とは？

Hailuo H3は、MiniMax H3またはHailuo 03とも呼ばれる汎用マルチモーダル生成システムです。テキストからの動画生成、開始画像のアニメーション、最初と最後のフレームの接続に加え、対応するワークフローでは画像、動画、音声を参照できます。映像と同時にステレオ音声を生成できるため、別工程で音を作る必要がありません。

Hailuo 02との違いは重点の置き方です。Hailuo 02はアーキテクチャ、データ品質、規模の改善が中心でした。H3は、従来分かれていた生成、参照制御、編集、音声機能を統合しています。映像と音の同期や複数の参照素材が重要ならH3が適しています。無音の動きだけを試す場合は、より単純なモデルのほうが経済的なこともあります。

Hailuo H3の主な仕様

項目 H3の値
長さ 4〜15秒
フレームレート 24 FPS
音声 32 kHzステレオ
ベース出力 短辺768px
ホスト版出力 最大2K

H3は、一つのシーン、広告の一場面、商品カット、SNS向け短尺動画に適しています。24 FPSは一般的なシネマ調の動きを作りやすく、ネイティブ音声では会話、環境音、効果音、音楽を映像と一緒に生成できます。ホスト版の2Kは単純なシャープ処理ではなく、コンテキストを使った再生成です。

アスペクト比は21:9、16:9、4:3、1:1、3:4、9:16に対応します。安定した会話生成は日本語、英語、中国語、韓国語、スペイン語など公式に記載された11言語を対象とします。ワークフローに応じて、テキストと画像・動画・音声の参照から、被写体、開始フレーム、動き、声、サウンドトラックを制御できます。

仕様の出典はMiniMax公式H3モデルカードです。サービスによって利用できる機能は研究システム全体の一部に限られるため、実際の長さ、比率、解像度、参照方法は利用中の生成画面を確認してください。

Hailuo H3の動画例：4つの機能を映像で確認

以下の公式例では、ネイティブ音声、2Kの細部、ステレオの空間表現、タイトルシーケンスの演出を個別に確認できます。各画像の下からMP4を開き、元の音声を再生できます。

1. ネイティブ音声とカメラワーク

Hailuo H3の屋外カフェ歌手ネイティブ音声例

MP4を開く（音声あり）

カフェでの歌唱、移動するカメラ、生成音声を一つのショットに収めた例です。フレーミングが変わる間の口元、表情、背景を見れば、音と動きの整合性を判断できます。

2. 2Kの質感とマクロ表現

Hailuo H3のクレステッドゲッコー2Kマクロ例

MP4を開く（音声あり）

ヤモリの接写は2K出力の確認に向いています。細かな鱗、目、浅い被写界深度の背景に注目すると、質感の揺れやフレーム間のディテール消失を見つけやすくなります。

3. ステレオ音声と空間の雰囲気

Hailuo H3の工業用エレベーター通路ステレオ音声例

MP4を開く（音声あり）

工業的な通路で、環境音の方向性を確認する例です。ヘッドホンを使い、カメラが空間を移動する間の左右チャンネルを比べると、音の位置が映像に追従しているか分かります。

4. 文字とタイトルシーケンス

Hailuo H3のレコードを使った映画風タイトルシーケンス例

MP4を開く（音声あり）

ノワール調のレコード映像は、写実性だけでなく、照明、グラフィック構成、カメラの間、画面内の文字を同時に試します。複数条件への追従性が見えやすい課題です。

MonipixでHailuo H3を使う方法

  1. モデルページを開く。 Hailuo H3動画生成ツールでは、設定と公式デモを同じページで確認できます。
  2. テキストまたは画像入力を選ぶ。 新しい構図を探すならテキスト、開始フレーム、商品、人物、比率を固定したいなら画像が適しています。
  3. 成果物を一つに定める。 プロンプトを書く前に、長さ、用途、被写体、主な動作、終わりの画、必須の音を決めます。
  4. 再生順に出来事を書く。 最初の構図、動作、カメラ、会話と音の順で記述し、関係のない形容詞を並べないようにします。
  5. 形式とクレジットを確認する。 送信前に長さ、比率、解像度、必要クレジットを確認します。全体の仕組みはMonipix料金ページで確認できます。
  6. 映像と音を同時にレビューする。 人物の一貫性、手、商品の形、文字、会話のタイミング、口の動き、左右のバランス、最終フレームを確認します。一度に修正する指示は一つにします。

最初の生成は意図的に小さくします。 複雑な15秒動画へ進む前に、5秒のHailuo H3テストを作成してください。カメラワーク一つと音一つなら、失敗の原因を切り分けやすくなります。

Hailuo H3公式プロンプトの構造

Hailuo H3の被写体、時間軸、カメラ、映像、音声を整理するプロンプト設計図

普段の生成では、まず次の読みやすい式を使えます。

被写体と開始フレーム → 時系列の動作 → カメラ → 画作り → 会話と画面内の音 → BGM → 一貫性の制約

MiniMaxの公式H3プロンプトガイドでは、同じ考え方を三つのフィールドに分けています。

integrated_multimodal_description:
[Shot 1] ...

overall_soundscape:
...

non_diegetic_music:
...
  • integrated_multimodal_descriptionには、見える動作、ショット、カメラ、話者、会話、場面内に存在する音を書きます。
  • overall_soundscapeには、雨、足音、衣擦れ、衝撃、呼吸などの環境音と物理音をまとめます。
  • non_diegetic_musicは、登場人物には聞こえず視聴者だけが聞く音楽です。不要ならN/Aにします。

三つを分けることで、会話、部屋の音、効果音、音楽を一文に詰め込み、時間と優先順位が曖昧になる失敗を防げます。

ショットとカメラを具体的に書く

最初はタイムコードなしの[Shot 1]から始めます。本当にカットが必要なら、次を[Shot 2] At 00:03.500, the camera cuts to...のように始めます。新しい情報を見せるときだけカットを使い、構図を変えるだけならカメラ移動を使います。

公式ガイドはカメラ指示を「動きの種類 + 振幅 + 速度」に分けます。「ダイナミックで映画的」ではなく、「カメラが小さい振幅でゆっくり前進する」と書きます。短尺では、パン、周回、ズーム、手持ちを重ねるより、相性の良い動きを一つ選ぶほうが安定します。

話者を見失わせない会話形式

話者ごとに固定IDを付け、実際に話す言葉だけを言語タグ内に入れます。

The radio operator with a low,
calm voice (S1) says:
<d>[Japanese]
7番チャンネル、橋は開通しました。
</d>

ショットをまたいでも同じ(S1)を使います。ナレーションならoff-screen voiceoverと書き、画面の人物は口を閉じたままと指定します。短い動画では、長い広告文より短く正確な台詞のほうが自然に収まります。

Hailuo H3のプロンプト例2選

テキスト動画：ネイティブ音声付き無線オペレーター

integrated_multimodal_description:
[Shot 1] Live-action cinematic style.
A tired radio operator in a navy field
jacket stands in a rain-streaked rooftop
control room at blue hour.
A medium tracking shot follows her as she
reconnects one loose cable; the signal
changes from red to green.
The camera pushes in with small amplitude
at slow speed. She leans toward the mic.
The operator with a low, steady voice (S1)
says: <d>[English] Channel Seven,
the bridge is open.</d>
She closes her lips and watches the green
light through the final frame.
Rain, one relay click, and radio static stay
synchronized with the action.
Keep her face, jacket, earpiece, and the
control-panel layout consistent.

overall_soundscape:
Steady rain hits the metal roof while low
radio static fills the room. One cable click
and one relay snap match the visible action.

non_diegetic_music:
N/A

Monipixでの実測： 上の構造を使い、秘塔のMiniMax H3 APIから下の動画を生成しました。納品されたMP4は5秒、2688×1536、24 FPSで、32 kHzステレオAAC音声を含みます。

MonipixのHailuo H3実測で生成した夜勤の無線オペレーター

MP4を開く（音声あり）

オペレーター、無線卓、雨に照らされた窓、暗い映画調の照明が一つの構図に保たれています。MP4を開くと、カメラ移動と生成音声を確認できます。

画像動画：商品の形を保って動きを加える

参照画像が正確な開始フレームを提供する場合は、画像の内容を繰り返すのではなく「何が変わるか」を説明します。

The source image is the exact opening frame.
Preserve the speaker's shape, grille pattern,
control layout, pedestal, and charcoal studio
background. Over 6 seconds, a narrow warm
light travels across the fabric texture while
the camera performs one slow arc shot of about
30 degrees. Tiny water droplets rise once with
a deep bass note, then settle as the camera
stops on a clean three-quarter hero view.
Audio: one bass pulse, subtle room reflection,
and a quiet power-button click. No hands, logo
changes, extra text, or shape distortion.

自由に場面を探すならテキストから動画、構図や人物、商品の同一性を優先するなら画像から動画を使います。

Hailuo H3でよくある失敗と直し方

  • 台詞がランダムまたは間違う： 台詞が説明文に混ざっている可能性があります。(S1)を割り当て、正確な言葉を<d>[Language] ...</d>内に入れます。
  • カメラ指示が無視される： 短い時間に複数の動きが競合しています。一つに絞り、種類、振幅、速度を書きます。
  • 人物や商品が変形する： テキストだけで対象を作りながら維持するのは困難です。きれいな参照画像を使い、変えてはいけない特徴だけを明記します。
  • カットが慌ただしい： 4〜15秒に多くの出来事を入れすぎています。カットを減らすか、別々に生成して編集します。
  • 音が混み合う： 環境音、効果音、会話、音楽の優先順位がありません。サウンドスケープとBGMを分け、不要な音を削ります。
  • 文字や手が崩れる： 2Kでも生成上の欠点は残ります。表示文字を短くし、重要な手の動作を避け、最終結果をフレームごとに確認します。

Hailuo H3はオープンソース？

Hailuo H3は公開されていますが、ホスト版2Kシステムのすべてがオープンになっているわけではありません。MiniMaxはH3-Base-FL2VAとH3-Base-Ref2VAをCommunity Licenseで公開しています。H3-Baseは短辺768pxの出力で、H3-Context-IR前処理とH3-Regenerate-2Kは現在の公開版に含まれません。

開発者は公開済みのベースモデルを実行・調整できますが、公式2Kパイプラインを再現するにはホストAPIの部品を使うか、独自のプロンプト処理と再生成を構築する必要があります。完成動画だけが必要な制作者には、モデル一式を運用するよりホスト型ワークフローのほうが扱いやすいでしょう。

制限と責任ある利用

H3の最長15秒という仕様は、一つの明確なショットに向いており、映画全体を一度に作るものではありません。長い物語は、同じ人物説明や参照画像を使って複数クリップを生成し、後で編集します。ネイティブ音声で工程は減りますが、最終的な音の確認は必要です。

顔、指、商品の形、反射、文字、発話をフル解像度で確認してください。MiniMaxも、一部の状況では視覚的ディテールに改善の余地があると記しています。アップロードする画像、動画、声、ロゴ、キャラクターの権利も確認し、生成できることを実在人物の顔や声を模倣する許可と考えないでください。

まとめ

Hailuo H3の強みは、短い動画と音声を同じ制作指示に従わせられることです。4〜15秒、24 FPS、ネイティブステレオ音声、複数の比率、マルチモーダル参照、ショット・会話・サウンドスケープ・音楽を整理する公式プロンプト形式を備えています。

まず一つのショットと一つの必須音から始めます。外見を固定したいときは画像を使い、会話は明示的に書き、カットは新しい情報を見せる場合だけ追加します。その後、Hailuo H3生成ツールを試すことで、同じ映像・音声チェックリストを使って各修正を比較できます。

よくある質問

Hailuo H3とは何ですか？

Hailuo H3は、MiniMax H3またはHailuo 03とも呼ばれ、テキスト、画像、動画、音声を理解するマルチモーダル生成システムです。4〜15秒、24 FPS、ネイティブステレオ音声付きの動画を生成し、テキスト動画、開始フレーム指定、参照制御に対応します。ホスト版はコンテキスト再生成で最大2Kにできます。

Hailuo H3は映像と音声を同時に生成できますか？

はい。Hailuo H3は映像と同時に32 kHzステレオ音声を生成します。会話、環境音、物理的な効果音、BGMを一つのプロンプトで連携できます。台詞を短く正確にし、サウンドスケープには重要な音だけを残し、登場人物に聞こえない音楽を別フィールドに分けると制御しやすくなります。

Hailuo H3の長さと解像度は？

Hailuo H3は4〜15秒、24 FPSに対応します。公開版H3-Baseは短辺768pxが基本で、完全なホスト型ワークフローはコンテキストを利用して最大2Kへ再生成できます。サービスごとに長さ、比率、解像度の選択肢が異なる可能性があるため、送信前に生成画面を確認してください。

Hailuo H3の会話プロンプトはどう書きますか？

各話者に(S1)のような固定IDを付け、正確な台詞だけを<d>[Japanese] 台詞。</d>に入れます。声質はタグの外に書き、ショットをまたいでも同じIDを維持します。ナレーションの場合はオフスクリーンであることと、画面内の人物が口を閉じていることを明記します。

Hailuo H3は完全にオープンソースですか？

いいえ。MiniMaxはCommunity Licenseで二つのH3-Baseモデルを公開しましたが、公式パイプライン全体は一部のみ公開されています。H3-Context-IR前処理とH3-Regenerate-2Kは含まれないため、ローカルのH3-Baseは基本的に短辺768pxです。2Kにはホスト部品または独自の代替実装が必要です。