MiniMax H3 Image を試す:ネイティブ4K、参照画像16枚、H3 で画像から動画へ

MiniMax H3 Image と Seedream 5.5 を同じプロンプトで比較。商品、人物、ポスター、夜市、4K、6枚合成、編集、動画化まで。
11月11日、MiniMax は H3 Image をリリースしました。同社の動画モデル MiniMax H3 の兄弟分です。公式ブログのうたい文句は明快で、ネイティブ4K、1回のリクエストで最大16枚の参照画像、そして生成と編集を1つのモデルでこなせること。珍しいのは、重みが Hugging Face で公開されている点です。
ZOOOP では今日、MiniMax H3 Image を AI 画像ジェネレータに追加しました。公開前に、このモデルと Seedream 5.5 に同じプロンプトのセットを流し、さらに結果の1枚を H3 の動画モデルに渡して、その静止画がすぐに動き出せるかも確かめました。
MiniMax H3 Image とは
設定項目は多くありませんが、どれも余裕があります。プロンプトは32,000文字まで入るので、絵コンテのメモ1ページ分でも収まります。アスペクト比は 21:9、16:9、3:2、4:3、1:1、3:4、2:3、9:16 の8種類。解像度は 2K と 4K の2段階だけです。4K では長辺がおよそ5,120ピクセルになり、16:9 なら 5120×2891 で出力されます。
参照画像の枠を空にすればテキストから画像の生成、1〜16枚の画像を入れれば代わりに編集や合成になります。できないのは透明背景で、きれいな切り抜きが必要なステッカーやアイコンには別のモデルを使うことになります。
価格は、2K が安い価格帯で、Seedream 5.5 と同じ帯に入ります。4K はそれより高くなります。
テスト方法
比較相手は Seedream 5.5 です。こちらは 2K が上限なので、どちらも 2K で、プロンプトごとに1枚ずつ生成しました。
- 商品写真:リネンのテーブルクロスの上に、斑点模様の手作り陶器のコーヒーマグ。隣にはひと口かじったクロワッサンとローズマリーの小枝、朝の光、4:3
- 環境ポートレート:夜明けの石造りのパン屋で、腕に小麦粉をまとった年配のパン職人、3:4
- ヴィンテージの旅行ポスター:見出しは「VISIT THE NORTHERN LIGHTS」、下部に「Tromsø · Winter 2026」、オーロラの下に小さな赤い小屋、2:3
- 雨の夜市の空撮:何百ものランタン、湯気の立つ屋台、濡れた路面の反射、傘をさした人々、16:9
そのあといくつか追加で試しました。夜市はもう一度 4K で生成しました。これは MiniMax H3 Image にしかできません。6枚の参照画像を1つのコーヒーショップのショーウィンドウに合成し、コーギーの写真を雪の日に変え、最後にコーヒーマグの画像を H3 の動画モデルに渡して5秒のクリップを作りました。
商品写真とポートレート、Seedream 5.5 との比較
マグの画像はどちらもそのまま使えるレベルでした。違いは雰囲気です。MiniMax H3 Image は光を暖かめにし、大きなクロワッサンをレンズの近くに置いて、断面とパンくずを手前いっぱいに見せています。広告のレイアウトです。Seedream 5.5 はクロワッサンを小皿に載せて奥に下げ、テーブルクロスに灰緑色のトーンを与えて、画面全体を静かにまとめました。

左:H3 Image、右:Seedream 5.5
ポートレートでは差がもっと大きく出ました。H3 が出してきたのは物語のある場面です。作業台で働く年配の女性、手元には麺棒、前腕は粉だらけ、背後にはパンの棚、左から窓の光が差し込んでいます。Seedream 5.5 は正面からのポートレートにしていて、パン職人がまっすぐカメラを見つめ、パン屋は背景にぼけていきます。ブランドのストーリーを伝えるなら H3 版のほうが役に立ちます。人物のきれいな写真が1枚あればいいだけなら、Seedream の画像でまったく問題ありません。

左:H3 Image、右:Seedream 5.5
ポスターの文字と、大きな夜景
ポスターは文字のテストです。どちらのモデルも見出しを正しく書き、下部の「Tromsø · Winter 2026」も正確でした。ただ MiniMax H3 Image は、見出しの下に「Norway」という1行を勝手に差し込みました。トロムソは確かにノルウェーにありますが、その1行はプロンプトにありません。クライアントが確定させたコピーだったら、こうしたアドリブはやり直しになります。

左:H3 Image、右:Seedream 5.5
夜市はどちらも見事でした。ランタンも湯気も地面の反射も、全部そろっています。H3 はほぼ真上から撮っていて、通りの上に浮かぶドローンのようです。Seedream 5.5 は角度を傾けて遠くの建物まで見せていて、そのぶん奥行きがあります。これは引き分けとしましょう。どちらの視点が欲しいか次第です。

左:H3 Image、右:Seedream 5.5
4K で実際に得られるもの
夜市のプロンプトを MiniMax H3 Image の 4K でもう一度回すと、ファイルは 5120×2891 で出てきました。縮小して見ると 2K 版とほぼ同じです。100% に拡大すると、何のためのものかが分かります。

4K の夜市の画像全体。ここでは縮小しています
左側のラーメン屋台を切り出しても、すべてが崩れません。鍋の上の湯気、並んだどんぶり、透明な傘に映る反射、どれも溶け合っていません。大きな看板の「拉麵 NOODLES」と「炒飯 FRIED RICE」もきれいに描かれています。崩れるのは小さな文字です。看板の横にある小さな漢字は、拡大すると意味をなさない文字になっています。

4K の元画像の左側にあるラーメン屋台を 100% で切り出したもの。左上が看板
つまり 4K は、あとで拡大したりトリミングしたりする予定のリアルな場面、たとえば1枚の広い画からSNS投稿を何枚も切り出すような用途に向いています。小さな文字を正しく描くことは期待しないでください。それに 2K よりそれほど遅くもありません。今回、H3 は 2K で1枚あたり約28〜50秒、4K で約28〜61秒でした。Seedream 5.5 は 2K で24〜35秒と、少しだけ速めです。
6枚を1枚に、そして編集
MiniMax H3 Image は最大16枚の参照画像を受け付け、Seedream 5.5 は最大10枚です。今回は6枚を使い、コーヒーショップのショーウィンドウを作ってもらいました。最初のいくつかのアイテムを木のカウンターに並べ、ムードボードの赤い自転車を窓の外に停め、3枚のポスターを奥の壁に掛ける、という内容です。

6枚の参照画像。左から紅茶缶とティーバッグ、マグとクロワッサン、フェルトのロボットのおもちゃ、白いティーポット、ムードボード、イラストのポスター3枚
どちらも6枚すべてを取り込み、紅茶缶の花、ロボット、ポスターはどれも参照と一致しています。違いは配置です。H3 は自転車を店の中に入れてテーブルに立てかけました。Seedream 5.5 は指示どおり、外の歩道に置いています。このテストでは、H3 は複数画像の合成で位置の指示に従わなかったので、合成は出てきたら一度確認してください。時間は H3 がこの1枚に51秒、Seedream が39秒でした。

左:H3 Image、右:Seedream 5.5
編集では、画像の編集でいちばんよくある頼み方を試しました。黄色いボトルの横でカウンターに前足をかけたコーギーのスマホ写真を、犬とボトルはそのままに雪の日に変える、というものです。どちらもこなし、コーギーのポーズもボトルもそのまま残りました。H3 は雪を厚めに積もらせて色味も冷たくし、Seedream は元の写真の暖かさをより多く残しています。どちらも使えます。H3 はこの編集に約71秒かかり、テキストから画像の生成より遅めでした。

左から元の写真、H3 Image による雪の編集、Seedream 5.5 による雪の編集
H3 で画像から動画へ
MiniMax H3 Image は動画モデルの MiniMax H3 と同じファミリーなので、最後にコーヒーマグの画像を H3 の動画モデルに開始フレームとして渡しました。480p、5秒、プロンプトは「湯気が立ちのぼり、ゆっくりとカメラが寄り、右から手が伸びてきてクロワッサンを取る」。ZOOOP では、開始/終了フレームで開始フレームだけを入れた形になります。
3つともきちんと起きました。湯気が立ち、カメラが寄り、右から手が入ってきて自然な動きでクロワッサンを持ち上げます。ただ、つながりのミスが1つあります。ひと口かじったはずのクロワッサンが、持ち上げられると元どおり丸ごとに戻っていて、最初のフレームと最後の2フレームを比べると分かります。モデルはクロワッサンは覚えていたのに、かじり跡は忘れたわけです。動画のプロンプトで「ひと口かじった」を繰り返してみるか、最初から手つかずのクロワッサンのフレームで始めるといいでしょう。

H3 の動画クリップから5フレームを時間順に左から右へ。最後の2フレームではクロワッサンが丸ごとに戻っている
動画の生成には約171秒かかりました。
どちらを使うか
4K が必要なとき、拡大やトリミングをする大きなリアル系の画像、一度にたくさんの参照を使いたいときは MiniMax H3 Image を選んでください。商品写真やポートレートは場の空気感が強く、実際の広告撮影やドキュメンタリー写真に近い印象です。
透明背景、同じ画像を何度も重ねて編集するときの安定性、指示した場所に正確に物を置くことが必要なら、Seedream 5.5 のほうが無難です。今回、自転車を正しい場所に置いたのは Seedream だけでした。メニューやインフォグラフィックのような文字の多いレイアウトは、どちらも第一候補ではありません。代わりに GPT Image 2.6 を使いましょう。
もう1つ便利なのが、作ったものをそのまま H3 の動画モデルに開始フレームとして渡せることです。試すなら MiniMax H3 Image を開き、まず 2K で何枚か回して方向性を決め、気に入ったら 4K に切り替えてください。
よくある質問
MiniMax H3 Image で使える参照画像は何枚までですか?
最大16枚です。画像なしならテキストから画像、画像を加えれば編集や合成になります。Seedream 5.5 は最大10枚です。
MiniMax H3 Image で透明背景は作れますか?
いいえ。透明背景のステッカー、アイコン、商品の切り抜きには Seedream 5.5 を使ってください。
4K の画像はどれくらいの大きさですか?
長辺が約5,120ピクセルで、16:9 なら 5120×2891 になります。2K でも 4K でも8種類のアスペクト比をすべて選べます。
MiniMax H3 Image はローカルで動かせますか?
重みは Hugging Face で公開されているので、ダウンロードして自分で動かせます。必要なハードウェアは公式の説明を確認してください。ZOOOP なら準備は何も要りません。モデルのページを開いてプロンプトを書くだけです。
H3 Image と H3 の動画モデルはどう組み合わせますか?
まず画像を作り、それを H3 の動画モデルに開始フレームとして渡して、場面がどう動くかを書きます。動画ではディテールが変わることがあります。今回のクロワッサンが、持ち上げられたときにかじり跡を失ったように。





