この記事の結論
MiniMax H3とは？RTX 3060で動く条件とComfyUI実機検証
MiniMax H3はComfyUIでローカル実行できますが、RTX 3060での快適動作は公式保証ではありません。まず12GB版か、RAMとストレージに余裕があるか、低解像度・短尺で完走するかを見ます。
MiniMax H3は、映像とステレオ音声を同時に作れる動画生成AIです。RTX 3060 12GBで動いた事例はありますが、Nexistixで確認したのはRTX 4070 12GBです。416×768・約8秒の動画を約2分22秒〜2分31秒で生成できました。ローカル生成は768pが基本で、2K化にはオンラインの専用機能を使います。
MiniMax H3の概要
MiniMax H3は、文章だけでなく画像・動画・音声も参考にしながら、映像と32kHzのステレオ音声を一緒に生成できるモデルです。ComfyUI 0.30.0以降では、文章から動画を作る方法、画像を動かす方法、参考動画の動きや雰囲気を取り入れる方法が用意されています。
導入時には複数のファイルが必要です。動画を作る中心部分がモデル本体（Diffusion Model）、入力した文章を読み取る部分がText Encoder、映像や音声を変換する部分がVideo VAE／Audio VAEです。名称は難しく見えますが、公式テンプレートの案内どおりに配置すれば、一から仕組みを組む必要はありません。
必要なファイルと配置場所は、ComfyUI公式手順とMiniMax公式リポジトリで確認できます。
ローカル生成と2K化の違い
PC内で動かすH3-Baseは、短辺768ピクセルの動画生成が基本です。16:9なら1344×768が標準的な大きさになります。
一方、2K化に使うH3-Regenerate-2Kは、768pで作った動画をオンラインで高解像度に作り直す機能です。この部分はモデルとして公開されておらず、APIと呼ばれるオンラインの接続窓口を通して利用します。したがって「RTX 3060だけで2K動画をローカル生成する」という意味ではありません。
RTX 3060で確認したい条件
RTX 3060には主に12GB版と8GB版があり、動画生成AIではこのメモリ容量の差が大きく影響します。GPUだけに収まらないデータはPC側のメモリへ一時的に移すため、システムメモリとストレージの速さも生成時間を左右します。
| 確認項目 | RTX 3060で見るポイント | Nexistixの実測環境 |
|---|---|---|
| GPUメモリ | 12GB版の方が試しやすい | RTX 4070 12GB |
| 最初の出力 | 低解像度・短い動画から開始 | 416×768・約8秒 |
| PCメモリ | GPUから逃がすデータの空きを確保 | 64GB |
| ストレージ | モデル保存用の空きと読み込み速度 | SSDを使用 |
| 2K化 | オンラインの専用機能を利用 | ローカルでは使用せず |
RTX 4070での実測結果
NexistixではRTX 4070 12GBを使い、縦長416×768・約8秒の動画を1本あたり約2分22秒〜2分31秒で生成できました。GPUメモリが不足しないよう、処理の一部をPCメモリへ移す設定を使っています。
直近12件の制作記録を確認した範囲では、H3で作る映像部分はすべて生成を完了しました。音声はH3に任せず、別に作ったナレーションとBGMを最後に合成しています。この方が日本語の読み方や音量を調整しやすいためです。
H3とLTX 2.3の使い分け
同じ約8秒の条件では、H3が約2分22秒〜2分31秒、LTX 2.3が約8分29秒〜8分53秒でした。今回の環境ではH3の方が大幅に速い結果です。
映像を見ると、H3は輪郭や写実感がやや強く、LTXは場面によって動きが少し滑らかでした。どちらもカクつきや読めない文字が混ざることはあります。Nexistixでは通常はH3を使い、うまく生成できなかった場合だけLTXへ切り替えています。
導入前によくある疑問
Q. RTX 3060の8GB版と12GB版は同じように使えますか？
A. 同じではありません。動画生成ではGPUメモリの差が効くため、試すなら12GB版の方が現実的です。8GB版では、さらに小さい解像度や長い待ち時間を見込む必要があります。
Q. 必要なモデルファイルはどれですか？
A. モデル本体、文章を読み取るText Encoder、映像用VAE、音声用VAEの4種類が基本です。ComfyUIの公式テンプレートを開くと、不足しているファイルと保存場所を確認できます。
Q. H3の音声をそのまま使う方が簡単ですか？
A. 映像と音声を一度に試すなら簡単です。ただし、ナレーションの読み方やBGMの音量を細かく整えたい場合は、音声を別に作る方が扱いやすくなります。
モデルを軽く動かす仕組みはINT8・FP8とConvRotの解説、機能全体の評価はMiniMax H3の実力を整理した記事で詳しく紹介しています。
よくある疑問
Q. MiniMax H3とは何ですか？
A. 映像とステレオ音声を同時生成できる動画生成AIモデルです。ComfyUIでは文字、画像、参考素材から動画を作れます。
Q. RTX 3060でMiniMax H3は動きますか？
A. 12GB版での動作報告はありますが、公式の最低要件ではありません。低解像度・短尺から実測する前提で扱います。
Q. RTX 3060だけで2K動画をローカル生成できますか？
A. ローカル生成は768pが基準です。2K化は専用APIを使う別工程なので、ローカル実行とは分けて判断します。
あわせて読みたい関連記事
おすすめ MiniMax H3の実力とは？AI動画生成の現場で何が変わるのか徹底調査
本記事で紹介されているMiniMax H3の性能や実務への影響について、より詳細な事前調査をまとめているため、導入を検討している読者の理解を深めるのに最適です。
コメント