MiniMax M3 は動画生成できない。作るのは H3

MiniMax M3 は動画を生成しません。一度もしたことがありません。 動画は入るほうで、1 リクエストあたり最大でおよそ 30 分の素材まで。出てくるのはテキストです——説明、批評、ショットリスト、コード。MiniMax で動画を作るモデルは H3 のほうで、M3 の 2 か月後に出ており、API の文字列は 1 文字違いです。

このページへの来かたは 2 通りあって、その 2 つには逆の答えが要ります。

「MiniMax M3 の動画生成」を探して来られたのなら、お探しのモデルの名前は H3 で、いますぐ1 本生成していただけます——同じ会社の、正しいほうの文字です。M3 そのもののことで、素材に対して何ができるのかを知りたいのなら、このまま読み進めてください。答えは「何もできない」よりずっと具体的で、しかも本当の限界はスペック表に書いてあるほうではありません。

MiniMax M3 は動画を生成できるか

できません。私がまず見たのは pipeline tag です。1 回の確認で片が付き、しかも 1 分もかからずご自分で再現できます。

いちばん速いのが pipeline tag の行です。モデルリポジトリに明示されたフィールドで、出力のモダリティそのものを名乗っており——M3 のそれは text と書かれています。task tag が -to-text で終わるモデルは、リクエストをどう書いても動画ファイルにはたどり着けません。

課金の行は、個人ではなくチームの足をすくいます。間違ったモデルで組んだ見積もりは「少しずれている」のではありません。単位そのものが違い——トークン対 出力の秒——後工程のどこでも辻褄が合いません。

M3 にクリップを渡すと、何が見えているのか

動画しか作らない方にも知っておく価値があります。M3 が本当に効くのは入口のほうだからです。

M3 はネイティブにマルチモーダルです。テキスト・画像・動画が同じチャットのエンドポイントから入り、最初から一緒に学習されています。テキストモデルに視覚アダプタを後付けしたのではありません。NVIDIA のデプロイカードは長尺の上限を 1 リクエストあたり約 30 分の素材とし、MiniMax は Video-MME で 512 フレーム時 84.6 と報告しています——自社評価なので、ベンダー自己申告として読んでください。

そのスコアより大事なことが 3 つあります。

動画はフレームとして入ります。ファイルとしてではありません。 クリップをサンプリングして、順番の付いた画像の列を渡します。MiniMax が公開した評価は 1 FPS でサンプリングしていました。

つまりこの上限は、尺の衣装を着たトークン予算です。 サンプリングしたフレーム 1 枚ごとに、1,048,576 トークンの文脈を消費します。同じ制限がデプロイのページでは分として、評価の設定ではフレームとして現れるのはそのためです。512 フレームを 1 FPS で、は実素材にして 8 分半ほど。30 分が 30 分でいられるのは、1 秒に 1 フレームで見てよいと思える場合だけで——2 分のクリップを 12 FPS でサンプリングすれば、同じ予算を尺の 12 分の 1 に使ったことになります。フレームレートはファイルの長さではなく、その画に対して決めてください。

M3 はあなたのクリップを聴けません。 動画の経路は静止フレームの列で、サウンドトラックは一緒に運ばれません。証拠は MiniMax 自身の Video-MME の設定にあります。音声を入れる代わりに、30 秒ごとに字幕をテキストとして挟んでいました。ですからクリップのセリフや音楽や環境音について M3 が語ることは、画と、渡されたテキストから推測したものです。セリフが大事なら、書き起こしを貼ってください。

ここに、この 2 つを覚えておくためのきれいな反転が残ります。H3 は出てくる音で定義され、M3 は入れられない音で定義される。 同じ会社の、2 か月違いです。

すでに手元にある素材を説明することが本当の仕事なら、当サイトの動画からプロンプトが H3 向けのそれをやります。クリップを読み、あとから変換し直す散文ではなく、そのまま生成に回せる構造化されたプロンプトを返します。

いま「MiniMax 3」に 4 つの名前が応じる

2026 年に名前へ 3 が付く製品が 3 つ出て、そのうち 2 つの API 文字列は 1 文字違い、そして MiniMax は M3 の 100 万トークンの窓を「長尺動画の理解」として売っています——正確で、しかも流し読みでは動画生成と見分けが付きません。

H3 Max は、間違った場所に着地する最も新しい道です。MiniMax が認めた本物のモデルで、MiniMax 自身のドキュメントに H3 と並んで載っていますが、自由に差し替えられるものではありません。ホスティングのみ、ウェイトは非公開、2K ではなく 768p。「Max」が実際に何を Max し、何を手放しているのかでその取引を一通り歩いています。

その仕事に必要なモデルはどれか

プロンプトは M3 に書かせ、H3 に生成させる

M3 にも動画の工程での持ち場はあります。それが生成の持ち場ではないというだけです。

H3 が欲しいのは 1 文ではありません。長い構造化された記述です——ショットごとに、カメラワークとタイミングと音が、名前の付いたフィールドに書き込まれたもの。MiniMax はその記述を Context-IR というホスト側の工程で作っており、それはオープンな公開物には含まれず、MiniMax 自身の案内も、開発者が自前の前処理を組むことを勧めています。

M3 はその空きに合いすぎるほど合います。100 万トークンの窓にはブランドのスタイルガイドとショットリストが同時に収まり、ネイティブな画像・動画入力は参考資料を読ませ、出力はテキスト——それこそが H3 の食べるものです。つまり工程は、M3 がプロンプトを書き、H3 が生成する——あなたをここへ連れてきた検索は、間違いというより、実在するワークフローから 1 文字ぶんずれていただけでした。

この受け渡しの完全版——M3 に H3 の 3 フィールド形式を吐かせるシステムプロンプト、そのやり取りが生成そのものに対していくらになるか、2 つのライセンスがどこで分かれるか——は MiniMax H3 と MiniMax M3 にあります。自分で組まずに済ませるなら、プロンプト生成が同じ構造をブラウザで作ります。

MiniMax M3 と動画：よくある質問

MiniMax M3 は動画のモデルですか。 動画を読むマルチモーダルモデルです。動画生成のモデルではありません——pipeline tag は image-text-to-text です。

MiniMax M3 でテキストから動画はできますか。 できません。H3 ならできます。MiniMax がそのために作ったのがこちらです。

よく広告で見る「MiniMax M3 の動画生成」とは何ですか。 ほぼ必ず、この検索を拾うために M3 という綴りを使っている MiniMax H3 のインターフェースです。生成そのものは本物で、載っているモデル名のほうが間違っています。

H3 Max と M3 は同じものですか。 違います。そしてこの 2 つが、うっかり取り違えるのが最も簡単な組です。H3 Max は動画を作るポストトレーニング版の H3、M3 はテキストを作ります。文字が共通なのは偶然です。

アップロードした動画の音を M3 は理解しますか。 しません。入るのはフレームで、サウンドトラックは入りません。セリフが大事なときは、書き起こしをテキストとして貼ってください。

MiniMax M3 のパラメータ数は。 合計で約 428B、トークンあたり約 23B がアクティブ、128 のエキスパートのうち 4 つがトークンごとに起動します。Hugging Face の safetensors メタデータは 427,040,140,160 と正確に報告しています。

MiniMax M3 と MiniMax H3 はどちらもオープンウェイトですか。 どちらもウェイトを公開していますが、ライセンスには制限があり OSI のオープンソースではなく、しかも制限の形が違います——M3 に地域の制限はなく、H3 は 4 つの市場を除外しています。H3 ライセンスが実際に制限するものがその側を分解しています。

とにかく動画を 1 本作りたいのですが。 MiniMax H3 のテキストから動画で始めてください——M3 は要りませんし、音は同じ 1 回の生成で出てきます。

---

最終確認は 2026 年 8 月 31 日。 30 分という上限は NVIDIA が公開したデプロイの数字であって MiniMax の API の保証ではなく、Video-MME のスコアは MiniMax 自身のものです——どちらも出典が示してあるので、鵜呑みにするかわりに自分で取り直せます。MiniMax の出荷速度なら、4 つめの「3」も十分ありえます。