MiniMax H3は、映像と音声をまとめて生成するモデルです。まず区別したいのは、MiniMaxの公式API、falなどのホスト型API、公開重みを使ったローカル実行です。同じH3という名前でも、使える機能と料金は一致しません。
公式APIはいくら？
公式料金は出力1秒当たり768Pが0.08米ドル、2Kが0.13米ドルです。10秒なら出力分はそれぞれ0.80ドル、1.30ドルですが、参照素材の料金が別にかかることがあります。H3では音声入力と最初の画像5枚が無料、追加画像は1枚0.04ドル。動画入力は出力解像度に応じた秒単価で課金されます。
768Pから2Kへの再生成は出力1秒0.05ドルで、元の入力素材も再課金の対象です。単純に生成料金だけを足せば予算が出るとは限りません。
重みは公開されている？
公式Hugging FaceにはH3-BaseのFL2VAとRef2VAが公開され、768Pのローカル実行を案内しています。公開されているからといって、ホスト型2K生成、再生成、文脈処理のすべてが同じ構成で動くわけではありません。利用する重みとライセンスを個別に確認してください。falのH3 MaxやMax Turboとも別です。
ComfyUIで始める前に
公式ガイドから対応ワークフロー、モデル、エンコーダー、デコーダーをそろえます。解像度、尺、精度、参照数で必要メモリが変わるため、「H3は何GBで動くか」に一つの答えはありません。まず推奨環境で短いサンプルを再現し、初回ロードと生成時間を分けて測りましょう。
RTX 5090で448×256を狙うComfyStreamerH3は、別の最適化構成です。低解像度の速度を通常の768Pや2Kの実績と混同しないことが大切です。
制作で比較する項目
顔や衣装の維持、二人の位置関係、手と小物、会話のタイミングを同じ素材で確認します。APIならタスクIDと実際の請求、ローカルならGPU時間と運用費も残し、不採用テイクを含めた採用映像1秒当たりの費用で比べます。
参考資料
資料確認：2026年10月21日。料金・提供条件は利用するアカウントの表示も確認してください。