MiniMax H3の使い方：プロンプト、ローカル実行、そしてゴミじゃない音声

8月4日、サイモン・ウィリソンは約115GBのウェイトをダウンロードし、非公式のMLX移植版のMiniMax H3を彼のM5 Max MacBook Proに向けて、虹色のスカンクがスーパーマーケットの苔むした丸太を飛び越えるのを頼んだ。それから45分も経たないうちに、彼は心から感銘を受けたと語るクリップを手に入れた—ただし、そのオーディオトラックは妙で、音声のようなガラクタだと彼は評した。彼自身の診断が有益な部分だった: 彼はモデルに音声の指示を一切与えておらず、プロンプトガイドも先に読んでいなかったのだ。これは、Hailuo 3.0としても販売されているH3を使い始める体験を可能な限り短く要約したものだ。映像はほぼ自動で得られる。それ以外の全て—音、ショットのタイミング、2K、4連続のショットを生き延びなければならないキャラクター—は、現在使われているほぼすべてのビデオモデルよりも厳格な形式で、明示的に要求しなければならない。

これはローンチの報道記事ではなく、活用ガイドです。この文書には3層の情報源が通底しており、そのつど明記されています。すなわち、同社の独自のドキュメント（モデルカード、リポジトリに同梱された2つのプロンプト作成ガイド、プラットフォームAPIドキュメント）、コミュニティの知見（実際に本ツールを実行した人々によるもの——ComfyUIのメンテナ、独立したベンチマーク実施者、リセラーのドキュメント、Hugging Faceのディスカッションスレッド。いずれも2026年7月31日から8月5日までの日付）、そして私たち自身が一次ファイルを読んで、その旨を明記している少数の箇所です。コミュニティの数値は、特に断りのない限り、管理されていないハードウェアでの単発のレポートです。実務者同士の見解が食い違う場合は、その不一致は解決されるのではなく報告されます。

何よりも先に：おそらく、あなたはモデル全体を実行していない。

H3の最初の1週間における混乱のほとんどは、マーケティングコピーがあいまいにしている1つの構造的事実に遡ります。H3は単一のモデルではありません。そのモデルカードによれば、3つの部分からなるシステムであり、そのうち中央の部分だけがオープンソース化されました：

• H3-Context-IR — マルチモーダル命令プリプロセッサです。テキスト、画像、音声、動画を読み取り、それらの関連性を推論し、あなたが求めた内容を構造化され意味的に強化された表現として出力します。ホスト型APIのみ。これは独自のタスクタイプとして公開されており、拡張されたプロンプトを返し、動画は一切返しません。

• H3-Base — 実際にフレームとサウンドを生成する33Bパラメータの生成モデル。これはオープンウェイト版です。

• H3-Regenerate-2K — 768p の結果を 2K に引き上げるコンテキスト内再生成パスです。ホステッド API のみ。

すぐに2つの結果が導かれ、それがワークフロー全体を左右します。第一に、ローカル生成は768pが上限です。H3のネイティブキャンバスは短辺768ピクセルで、768×1344に制限されています。16:9ならおよそ1344×768です。ComfyUIの出力が2Kでなくても、何も壊れていません。ダウンロードしたパッケージはH3-Baseであり、アップスケーリングモジュールは含まれていません。第二に、ホスト型APIはいい加減なプロンプトを修正しますが、ローカルインストールは修正しません。Context-IRが有料APIコールに対して行うすべてのこと（構造の推論、どの参照が何を指すかの解決、曖昧に残した部分の補完）は、H3-Baseがあなたの言葉を見る前に、手動または別のモデルで行うステップになります。このたった1つの非対称性が、「同じプロンプトがHailuoでは機能するのにComfyUIでは壊れて見える」という報告のほとんどを説明します。

リポジトリ自体から注目すべき点として：重みにはminimax-h3-community-license-agreementタグが付いています（ApacheやMITではなく。詳細は後述します。これが出荷できるかどうかを左右する部分だからです）。モデルはF32/BF16で33Bパラメータとして記載されており、本日時点で、このモデルを提供していると記載されている推論プロバイダーは、falのちょうど1つだけです。その上には23のファインチューン、20の量子化、31のSpacesがすでに存在しており、コミュニティがどれほど速く動いたかを示す十分な兆候です。

プロンプト形式：ショットブロック、タイムコードではない

ここが、コミュニティとドキュメンテーションが公然と対立している箇所であり、それはこの記事の他のどの一点よりも重要です。

最も速く広まったテンプレート——Redditを通じて、その後いくつかの公開ガイドにも収録された——は、クリップをタイムコードの括弧に分割します：[0s-2s]、[2s-5s]、など、その後に、スタイル契約、タイムライン、カメラ、オーディオ、スペルアウトされたテキスト、ネガティブリストという6ブロック構成が続きます。これは、同社が提供した45のサンプルプロンプトを読むことでリバースエンジニアリングされたものであり、無意味ではありません。それらの例は実際には、サウンドキューのシートが添付されたショットリストであり、中央値は約130文字（中国語）、最長は657文字と858文字に及びます。

しかし、その会社自身のVIDEO_PROMPT_WRITING_GUIDE_base_en.md、リポジトリのdocsフォルダにあるもので、異なることを指示しています。それはショットブロックごとに編成されており、時間範囲ではありません。私たちはそれを直接読みました；それが求める構造は次のとおりです：

• 指示 — 画像アライメント規則。キーフレームモード（I2VA、FL2VA、L2VA）で使用され、テキストのみからビデオを生成する場合は省略されます。

• 統合マルチモーダル説明 — 本体であり、[ショット 1]、[ショット 2]、などに分けられている。

• 全体的なサウンドスケープ — ダイジェティックな音を1〜4文で記述。

• 非ダイジェティック音楽 — スコアの1〜3文。

その中では、慣例は検証可能なほど具体的である。 [ショット 1] はタイムスタンプを一切持たない — 後続のショットはアブソリュートカットで始まり、「00:03.500 で、カメラは…にカットする」のように表現される。カメラの動きは、動きの種類と振幅と速度を組み合わせ、ラベルのように並べるのではなく自然な英語に織り込んで記述する。小さな振幅のゆっくりしたプッシュインは、次のようなラベルではなく、カメラ: ドリーイン、スロー。利用可能な動きはおなじみのセット — ズーム、パン、チルト、トラッキング、アーク、POV、シェイク — で、軽微または強いバリエーションがある。台詞はタグで囲む: <d>[英語] 車に乗れ。</d>、句読点は正確に保たれ、翻訳や言い換えは一切されない。話者には安定したID — (S1)、(S2)、共同の発言には (S1,S2) — が割り当てられ、年齢、性別、音色、アクセントが初出時に記述される。ボイスオーバーは、唇が閉じたままであるという明示的な注記を伴うオフスクリーンのラインとしてマークされる。これにより、モデルがナレーションを顔にリップシンクするのを防ぐ。クロスカットの会話では、<scenetrans>マーカーと継続性の記述を使用する。

このガイドの明示的な禁止事項は、そのルールと同じくらい参考になります。最初のショットにタイムスタンプを付けず、ダイアログや歌、画面上の音楽をoverall_soundscape内で繰り返さず、抽象的な気分を表す言葉をnon_diegetic_musicに使わず、そして台詞を決して書き換えないことです。さらに、特筆すべき欠落が一つあります。公式ガイドにはネガティブプロンプトのセクションがまったくなく、つまり、人気のコミュニティテンプレートにある「禁止トランジション」のリストはコミュニティが考案したものであり、文書化された機能ではないということです。

この対立をどの程度深刻に受け止めるべきか。Hugging FaceのH3リポジトリに関するディスカッションで、あるコミュニティメンバーがタイムコード形式の構造をガイドとして投稿し、別の実践者が「自分も似た構造を使ったが、それは完全に間違っていた。同梱のマニュアルを読むべきだ」と率直に返信した。これはメンテナーによる裁定ではなく、個人間の意見の食い違いである。証拠に対する我々の解釈は次の通りだ。ホスト型APIを通せばどちらも機能する。なぜならContext-IRが送信された内容を正規化するからだ。文書化された形式だけが、H3-Baseに対して直接信頼できる。ローカルウェイトで実行している場合は、リポジトリ内のファイルに従うべきだ。APIを使用していて、タイムコードプロンプトで良いクリップが得られているなら、その処理はプリプロセッサが行っているのであり、その形式が成果をもたらしたと結論付けるべきではない。

lazyなブリーフをH3の方言へコンパイルする

ウィリソンの12語のプロンプトを入力として取り上げましょう。それは、スーパーマーケットの中で苔むした丸太を飛び越える虹色のスカンクです。文書化された方法で書くと、おおよそ次のようになります。一つの[Shot 1]ブロックで、まずスタイル（実写、ハンドヘルド、蛍光灯照明）とフレーム（スーパーマーケットの通路、リノリウムの上に横たわる苔むした丸太、奥へと続く棚）を挙げ、次に被写体と動作を物理的な順序で——二歩の静かな足取り、しゃがみ込み、跳躍、着地——と続け、カメラは丸太の向こう側で終わるゆっくりとした低振幅のトラッキング移動です。そしてoverall_soundscapeは、リノリウムの上の爪の音、丸太の湿った擦れる音、冷蔵庫のハム音、遠くのカートの車輪の音から成ります。さらにnon_diegetic_musicの行は、ボーカルのない短く軽やかな撥弦楽器のキューです。そこには天才的な創造性は何もありません。それは同じアイデアであり、H3が求める4つのことが実際に提供されているのです——そしてそれが、依頼されていないルームトーンと、あなたがデザインしたサウンドトラックとの違いなのです。

このステップは機械的で反復的であり、人間にやらせるのはもったいない作業です。まさにその理由から、同社は専用ツールをリリースしましたが、それを取り上げる報道はほとんどありませんでした。リポジトリには、スキルディレクトリ（9つのエージェントスキルを含む）があり、その最初の一つである — h3-prompt-writing — は、まさにこれを行います。リクエストを受け取り、サウンドスケープと音楽セクションも含む構造化H3プロンプトを、5つの生成モードすべてにわたって作成します。残りの8つは、ジャンル別のレシピ（プロダクト広告、3Dアニメーション短編、ペーパークラフト解説、ミュージックビデオの字幕、協力プレイゲームのイントロ、手描きと実写のハイブリッドなど）であり、同じフォーマットをワークフローに組み込んでいます。

そのスキルを実行するには、ビデオモデルではなくテキストモデルが必要です。そして、ここでルーターが単なるプラグインではなく真に有用になります。同社自身のLLMであるMiniMax M3は、この仕事に適した選択肢であり、OrcaRouter上で、入力トークン100万あたり0.30ドル、出力トークン100万あたり1.20ドルで利用できます。これはプロバイダーの定価であり、0%のマークアップでそのまま転送しています。また、100万トークンのコンテキストウィンドウを持ち、珍しいことにビデオを入力タイプとして受け付けます。この最後の点が、まさに適合する理由です。公式プロンプトガイド、あなたのブリーフ、実際の参照クリップを1回の呼び出しで渡して、それを説明する[Shot N]ブロックを受け取ることができます。プロンプトをコンパイルするコストは、秒単位で課金されるビデオ生成と比べれば1セントの数分の一に過ぎないため、これらを手書きする理由はありません。正直な注意点が2つあります：H3ビデオ生成自体はOrcaRouter上では実行されません（クリップは同社のプラットフォーム、fal、またはお客様自身のGPUから生成されます）。そして、コンパイル手順は利便性のためであり、品質を保証するものではありません。ここでルーターがもたらす利点は、パイプラインのテキスト部分が自動フェイルオーバー付きの単一キーの背後に置かれ、バッチ途中のプロバイダー障害によってレンダーキューが停止することがないということです。また、コンパイル済みプロンプトを比較するためにM3を別のモデルに交換するのは、新しい契約ではなく文字列の変更で済みます。

音声はみんなが初日につまずくところだ

最初の1週間で最も裏付けられた失敗モードは、Willisonが遭遇したものである：音声を未指定にしておくと、H3は何かを下手にでっち上げる。 彼は、オーディオの指示が一切ないプロンプトから、音声に似たノイズを得た。公式サンプルのリバースエンジニアリングに関する解説記事は、同じ種類の失敗をより穏やかな形で報告している——オーディオブロックを省略すると、モデルはリクエストされていないルームトーンを出力する——そしてこれらを間違いではなく欠落として捉えている。これは、音声・映像の統合モデルを考えるうえで正しい考え方である。このモデルは常にサウンドトラックを生成している。あなたにできる選択肢は、それを指定するかどうかだけだ。

公式プロンプトガイドのガイダンスと、リセラー向けドキュメントやレビュアーが実際に機能すると報告している内容を統合すると、以下の通りです：

• 台詞を求めるのが最も難しい。台詞はクリップ5秒ごとに1〜2文に収めること。長すぎる台詞は、早口の読み上げ、最後のフレームを過ぎても続く音声、または無理なリップシンクを生む。これはレビュアーの間で一貫して報告されている。

• セリフの前に話者を説明し、セリフとともにその話し方を説明する。公式ガイドに従い、初登場時の年齢、性別、音色、なまりを記載する。複雑な演技指示は同期を損なうと報告されているため、シンプルで直接的な話し方のメモ（はっきりと、温かく、平坦に）にとどめる。

• すべてのエフェクトを目に見えるイベントに結び付ける。「コルクが飛ぶと同時にポンと鳴る」のであって、「音：ポン」ではない。同期を担う言葉は、as, when and thenです。

• 音楽はジャンル、テンポ、雰囲気、楽器構成で簡潔に指定すること — アーティスト名や曲名では決して指定しないこと。 映像を主役にしたい場合は「ボーカルなし」を追加すること。これはミックスをクリーンに保つための確立された方法である。

• 一文で雰囲気を重ねる。ガラスを打つ雨、低い会話のざわめき、時折聞こえるカップのぶつかる音、柔らかなバックグラウンドジャズ——箇条書きにするのではなく、一文に重ねる。

• サウンドスケープセクションでは台詞を繰り返さないこと。 公式ガイドで明示的に禁止されている事項です。各セクションは互いに重複しないことを意図しており、そこで台詞を繰り返すと、同じ台詞が二度記載されることになるからです。

• 画面上で読める必要がある単語は、引用符で囲んで入力してください。レビュアーによると、指定された文字列はきれいに描画される一方、曖昧なリクエスト（"HUD elements"、"a sign"）は、文字のようなノイズになって戻ってくるとのことです。

複数のレビュアーによると、このオーディオが本当に実力を発揮するのは、具体的な物理音——目に見えるものに紐づいたフォーリーや効果音——とアンビエンスにおいてである。抽象的または雰囲気を重視したリクエストでは性能が落ちる。複数話者のシーンでは、話者の順序を正しくするために編集が必要になることが頻繁にあり、発音の品質は言語によってばらつくため、プロジェクトを本格的に始める前に、使い捨てのクリップでターゲット言語をテストすべきだ。また、複数のレビュアーが正直な限界についても指摘している。そのサウンドはソーシャル配信には十分な品質だが、放送や有料広告用のミックスとしてそのまま納品できる品質ではないのが一般的だということだ。これはベンダーによる公式見解ではなく、実務者が実際に報告している内容である。

参照: すべてのファイルにジョブを与える

H3のリファレンスシステムは、最大の差別化要因であり、セットアップのミスが最も発生しやすいポイントでもあります。プラットフォームのAPIドキュメントに記載された制限では、最大で画像9枚、動画クリップ3本、音声クリップ3本、合計12ファイルまで、各参照動画または参照音声は2秒以上15秒以下で、それらの合計が15秒を超えないこと。参照から動画への変換には、画像または動画が少なくとも1つ必要であり、音声のみは受け付けられません。

公式リファレンスガイドとコミュニティの報告の両方が一致して推奨する手法は、各入力にタグを付け、それぞれに役割を割り当てることです。ファイルが添付された正確な順序でタグを参照します — <Picture 1>、<Video 1>、<Audio 1> — そして、プロンプト内でどの参照がどのプロパティ（アイデンティティ、スタイル、モーション、カメラ、音声）を決定するかを明示します。公式のサンプルプロンプトもまさにこの方法で始まり、画像1が全体的な雰囲気とスタイルの参照であり、画像2が主要キャラクターであると宣言しています。実践者たちは、9枚の画像をただ放り込んで期待するよりも、明示的な割り当ての方がはるかに良い結果をもたらすと報告しています。

レンダリングを台無しにする2つの詳細：

• <Picture 1>はムードボードではなく、文字通り最初のフレームです。これは0.000秒の時点のもので、[Shot 1]に属しています。そこから続くアクションを説明する前に、そこに何が映っているか（スタイル、被写体、構図、シーンのアンカー）を説明してください。それをヒントではなく、アニメーション化する静止画として扱ってください。

• チェックポイントは2つあり、間違った方を使うと静かに失敗します。 fl2vaはテキストからビデオへの変換と最初/最後のフレームの処理を担当し、ref2vaは参照からビデオへの変換を担当します。これは最も報告されているComfyUIのエラーです。R2VグラフがFL2VAモデルを選択したまま実行されています。また、知っておくべきこととして、ComfyUIの発表にコメントした人は、同梱のR2Vテンプレートが、モデルが9つの画像参照を受け付けるにもかかわらず、2つの画像参照スロットしか公開していないと指摘しています。これはテンプレートの制限であり、モデルの制限ではありません。

ホステッド側については、リセラー向けドキュメントからの実践的な注意点がさらに2つあります。すなわち、ratioパラメータはref2vaエンドポイントでは必須で、「adaptive」のままにすることはできません。また、重複するジョブは、タスクの並行性が発生した場合、キューイングではなく429を返します。そのため、順次バッチ処理するか、独自のキューを構築してください。ローカルでは、ref_image_sizeのデフォルトはmatchで、より高速です。maxは、参照画像の短辺を最大2048ピクセルまで保持し、時間を要します。

ローカル実行に実際にかかるウォールクロック時間

公式リポジトリ全体をダウンロードすると498 GBです。また、ComfyUIで再パッケージされたミラーは343 GBです。どちらも完全にダウンロードする必要はありません。ComfyUI自身のチュートリアルがテキストからビデオ、および画像からビデオ用に挙げている4つのファイルは、合計で約42.5 GBです:

• 拡散モデル — minimax_h3_fl2va_pruned_int8_convrot.safetensors、20.97 GB、をmodels/diffusion_modelsに。

• テキストエンコーダー — qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors（15.69 GB）を models/text_encoders に入れます。

• Video VAE — minimax_h3_video_vae_fp16.safetensors（5.21 GB）をmodels/vaeに。

• Audio VAE — minimax_h3_audio_vae_fp32.safetensors、0.61 GB、こちらもmodels/vaeに。

• reference-to-video 用に追加 — minimax_h3_ref2va_pruned_int8_convrot.safetensors、さらに 20.97 GB。

その42.5GBはVRAMの数値ではなく、ディスク上のサイズであり、各部分はストリーミングされ、オフロードされます。このモデルがコンシューマー向けカードに収まる理由は、ComfyUIが文書化したエンジニアリング上の工夫にあります。パラメータの約40%がAdaLN変調ブランチに存在し、その出力は事前計算して機能的に等価なルックアップテーブルに置き換えられるため、読み込み時のモデルサイズは33.12Bから約20.11Bに削減されます。ComfyUIによれば、品質の損失はありません。完全精度では123.6GBになります。ファインチューニングを行う場合や最後の数%の忠実度を追求する場合は、枝刈りされていないint8チェックポイント（各34.04GB）とbf16チェックポイント（各66.28GB）も利用できます。

ComfyUI 0.30.0 以降が必要です。T2V、I2V、R2V の3つのテンプレートが同梱されています。初回実行時にすべてのガイドとメンテナーが推奨するベースラインは、意図的に小さく設定されています：16:9（0.4 MP、864×480）、5秒、20ステップ、simple スケジューラー付き res_multistep サンプラー、denoise 1.0、バッチ1。解像度や長さを変更する前に、ビデオとステレオ音声の両方を含む1つのMP4を出力してください。注意すべき算数の癖がひとつあります。動画の長さは17k+5フレームのグリッドにスナップされます。そのため、5秒のリクエストは124フレーム（24fpsで約5.17秒）になり、10秒のリクエストは243フレーム（10.125秒）になります。5〜15秒の範囲のリクエストが安全圏です。

それが実際の時間でどれだけかかるか、コミュニティの報告によると（すべて単一実行・無制御・異なる設定 — 上のチャートは各設定をそのバーの横に表示しています）：32GBのシステムRAMと高速NVMeを備えた12GB RTX 3060は、ダイナミックオフロードを使用して、864×480 / 124フレーム / 20ステップのベースラインを9分未満で完了しました。SageAttentionを有効にした16GB RTX 4090ラップトップは、960×540、5秒、20ステップを182秒で処理しました。単一のRTX 5090上のNVFP4ビルドは、10ステップで864×480の243フレーム（10.1秒）クリップを175秒で生成し、VRAM使用量はピークで26.9 GiB、ディスク上のファイルはわずか31.7 GBでした。SGLang自身のクックブックのリファレンス — レイヤーワイズオフロードを使用した2台のRTX 5090での1344×768、124フレーム、50ステップ — は559.67秒かかりました。そして、非公式のMLXポート経由のApple Siliconパスは、単一クリップに約45分未満かかりました。

それらの報告書から抽出した実用的なメモ：

• システムRAMとディスク速度は重要な役割を担っており、オプションではありません。 12 GBカードでは、選択したファイルが設計上VRAMを超えるため、オフロード経路はRAMを経由してSSDに達します。32 GBのRAMは、成功した低VRAMレポートの両方に登場します。検証済みの8 GBの結果は存在しません。

• SageAttentionは唯一の無料高速化手段です — ComfyUIではおよそ2倍の高速化が見込めますが、オフロード通信がボトルネックの場合はそれ未満になります。お使いのPyTorchおよびCUDAビルドに正確に一致するwheelをComfyUI-KJNodesとともにインストールし、Patch Sage Attention KJをUNETローダーとガイダーの間に挿入してautoに設定してください。一部のH3レイヤーがFP16/BF16ではないという警告が表示されますが、そのフォールバックは文書化されており正常な動作です。

• ステップ数は調整可能です。5090ベンチマークは10ステップで実行され、ComfyUIのベースラインは20ステップ、SGLangのリファレンス設定は50ステップを使用しています。誰もステップあたりの品質曲線を公開していないので、50ステップが必要だと想定する前に、自分自身の下限を見極めてください。

• OOMから抜け出すには、一度に1つの変数だけを変更します。 文書化された復旧方法は、0.4 MP、5秒、バッチ1に戻し、試行ごとに1つのノブだけを動かすというものです。

• 無音オーディオは、オーディオVAEがビデオ出力ノードに接続されていないことを意味します。 これは、不良オーディオとは明確に異なる障害であり、モデルが音の生成を拒否していると誤解されがちです。

• Apple Silicon は非公式です。Willison氏の方法は、PipeNetwork/minimax-h3-mlx、コミュニティポートであり、実行方法はuvで MLX 要件ファイルに対して実行するというものでした。同社の公式資料では SGLang、vLLM、Diffusers、ComfyUI が挙げられており、典型的なデプロイは BF16 で GPU 4 枚とされていますが、Metal や MPS については何も言及されていません。Mac サポートはコミュニティ保守として扱ってください。

ローカル vs ホスト型、数字で見る

2Kモジュールとプロンプトプリプロセッサはホスト専用であるため、これは実際には二者択一ではありません。このアーキテクチャが推奨するパターンは、次のとおりです：768pでローカルに反復し、各試行は電気代と3分の時間を要し、その後、仕上げを購入する。秒単位の課金は、採用するテイクには問題ありませんが、捨てる40テイクには破滅的です。

価格については注意が必要です。購入先によって約2倍変動し、ベンダー自身のブログ記事では具体的なドル金額は示されておらず、2Kが主流モデルの3分の1未満、768pが競合他社の720pの半額以下であるとだけ述べられています。具体的に公表されているのは、現在Hugging Faceリポジトリに記載されている唯一の推論プロバイダーであるfalが請求する料金、すなわち768pでは1秒あたり$0.16、2Kでは1秒あたり$0.26。一方、セカンダリートラッカーは同社の公式リスト価格がこれよりかなり低いと報告しており、おおよそ768pでは1秒あたり$0.09–$0.10、2Kでは1秒あたり$0.13–$0.14 — しかも、これらの数値は互いにセント単位では一致していないため、あくまで目安として扱い、予算を組む前にプラットフォームの料金ページを確認してください。また、参照動画は生成された出力だけでなく、その動画自体の再生時間でも課金される点も予算に織り込んでください。

実際の数字で計算してみよう。キーパークリップ100本、各8秒なら合計800秒の生成になる。2Kレート$0.14なら約$112、falの$0.26ならおよそ$208、低いリスト価格で768p納品なら約$76だ。請求額を決めるのはキーパー1本あたり40本のリジェクト分であり、それらはローカルで生成すべきものだ。これはまた、比較する価格を正直に保つ理由でもある。OrcaRouterでは、そのパイプラインのテキスト側はプロバイダーリスト価格で0%マークアップで通過するため、ベンダーが価格を下げれば、マージン再計算の後ではなく、同じ日に反映される。繰り返すが、ビデオ生成は当社のものではない。ポイントは、コンパイルステップが、検討を要する項目になってはならないということだけだ。

これに基づいて製品を構築する前に、ライセンスをお読みください。

これこそ、ほとんどの「使い方」ガイドが省略している部分であり、多くの読者にとっては、意思決定を変える唯一の部分です。私たちはリポジトリ内のLICENSEファイルを直接読みました。ウェイトは、次のライセンスの下で提供されます：H3 Community License Agreementはオープンソースライセンスではなく、その内容には実質的に引用する価値があるほど珍しい条項が含まれています：

• 地域。本ライセンスは、その「適用地域」を全世界と定義しており、除外しているのは、欧州連合、英国、大韓民国、およびアメリカ合衆国である。素直に読めば、これは現在ローカル生成の結果を投稿している人々の大部分を除外することになる——そして、その制限は重みだけでなく出力にも及ぶように書かれている。

• 帰属表示。商用利用では、製品のインターフェースに「H3」を表示する必要があります。ライセンスはまた、「Powered by H3」の表示を推奨しています。

• 収益基準。それに基づいて構築された製品またはサービスから年間2,000万ドル以上を稼ぐ組織は、会社から別途書面による承認を得る必要があります。

• 蒸留は禁止です。H3またはその出力を、H3派生モデルを除く他のAIモデルの改善に使用してはなりません。これにより、標準的な合成データ手法は排除されます。

• 準拠法。 香港特別行政区の法律とし、香港の裁判所に専属的管轄権を有するものとする。

• 真にオープンなコンポーネントが1つあります。 Qwen3-VL-32BのテキストエンコーダーはApache 2.0であり、上記の制限はH3の重みに適用されます。

私たちはあなた方の弁護士ではなく、これは法的助言でもありません。ライセンスと、会社が同梱しているQ&A文書を読んでください。また、除外された地域で商用に構築している場合は、ブログ記事の解釈ではなく弁護士の助言を得てください。実際の分岐点は次のとおりです。 ホスト型APIは、条件の異なる別の取引です。すなわち、これは重みに関するコミュニティライセンスとは別物であり、したがってローカルライセンスが合わない場合でも、APIルートが利用できる可能性があります。購入先のプラットフォームの条件を確認してください。

最初の1週間のテスト計画

この順序での5回の実行で、H3があなたのパイプラインに属するかどうかを知るには十分です：

• 実行1 — パイプラインを実証する。 T2Vテンプレート、864×480、5秒、20ステップ、res_multistep/simple。成功基準は、ステレオオーディオを含むMP4ができていることであり、良いクリップである必要はありません。

• Run 2 — フォーマットが重要であることを証明する。 同じ主題を2回: 一度はゆるい一行説明として、もう一度は[ショット1]とサウンドスケープ全体と非ダイジェティック音楽を使って書く。 2番目の方がH3-Baseに対して明確に優れていなければ、設定のどこかが間違っている。

• Run 3 — セリフ1行。話者1人、文1つ、演技指示付き、5秒。これは、音声があなたの用途に十分な品質かどうか、またターゲット言語がどのように発音されるかを最も速く確認できる方法です。

• Run 4 — 参照の規律。 R2V を ref2va チェックポイント、それぞれ明示的にタグ付けされ役割を与えられた2つまたは3つの参照、そして実際の最初のフレームとして説明された <Picture 1> とともに実行します。次に、意図的にそれを壊します。同じ参照を割り当てなしで添付して比較します。

• Run 5 — フィニッシュ。 ローカルで最高の768pプロンプトを2Kのホスト型APIに持っていき、Context-IRと再生成パスが何を追加するかを見てください。その差分こそが、秒単位の料金が買っているものであり、ハイブリッドワークフローに正直に価格を付ける唯一の方法です。

よくある質問

ローカルのウェイトから2Kを引き出せますか？

いいえ。公開パッケージはH3-Baseで、そのネイティブキャンバスは短辺768ピクセル（最大768×1344）です。2Kは、同社がホステッドAPI上に維持している別のインコンテキスト再生成モジュール、H3-Regenerate-2Kに由来します。汎用アップスケーラーを使ってローカルでアップスケールすることもできますが、それはH3自身の再生成パスとは異なる操作であり、その結果と一致することはありません。

同じプロンプトがAPIとComfyUIで異なる動作をするのはなぜですか？

APIはまずH3-Context-IRを実行するためです。H3-Context-IRは、あなたのテキストと参照情報を読み取り、それらの関連性を推論し、構造化された拡張指示をH3-Baseに渡します。ローカル環境にはそのような段階はありません——H3-Baseは生のテキストを受け取ります。APIを通じて適切なクリップを生成する曖昧なプロンプトは、あなたがインストールしていないプリプロセッサによって救われているのです。そのため、文書化されたプロンプト形式はAPIユーザーよりもローカルユーザーにとってはるかに重要になるのです。

[0s-2s] タイムコードテンプレートは間違っていますか？

同梱のガイドが求めているものではありません。同社のVIDEO_PROMPT_WRITING_GUIDE_base_en.mdは、[Shot N] ブロックごとに構成され、Shot 1 にはタイムスタンプがなく、その後のカットは絶対時刻（"At 00:03.500, the camera cuts to…"）で表現されています。また、ネガティブプロンプトのセクションがないため、一般的なテンプレートにある「banned transitions」リストはコミュニティによる追加です。とはいえ、実務者からはタイムコード形式でAPIの良好な結果が報告されています。おそらくContext-IRがそれを正規化しているからでしょう。私たちの解釈としては、ローカルウェイトに対しては文書化された形式を使用し、APIの結果については、前処理がもたらした可能性がある功績をタイムコードの括弧に帰属させないことです。

米国またはEUの企業は、オープンウェイトを商用利用できますか？

私たちが読んだライセンス文書では、適用地域からEU、英国、韓国、米国が除外されており、その除外はウェイトだけでなく出力にも及ぶよう書かれています。これはそれらの地域での商用展開にとって深刻な障害であり、技術的な問題ではなく法的な問題です。ライセンスとQ&Aファイルをご自身で読み、専門的な助言を受けてください。ホスト型APIはコミュニティライセンスではなくプラットフォーム独自の利用規約に準拠するため、同等に制限されていると想定するのではなく、別途評価する価値があります。

コミット前に確認すべきこと

H3は、特定の種類の作業に対しては異例なくらいコストパフォーマンスが高い。すなわち、短く、サウンドデザインが施され、リファレンスが一貫したクリップであり、本気のショットリストを書く用意がある場合だ。その反面、依頼の仕方については異例なほど厳しい。自分で確認する価値があるのは次の3つだ。変化が最も速いものだからだ。falのほかに推論プロバイダーが増えるかどうか（それが1秒あたりの価格を下げる要因になる）、ComfyUI R2Vテンプレートが2つのリファレンススロットからモデルの9つまで拡張されるかどうか、そして誰かがローカルウェイトとの対照比較を行ったときに、コミュニティのタイムコード習慣と文書化されたショットブロック形式のどちらが勝つか。その比較を公開した人はまだ誰もいない。公開されるまでは、リポジトリ内のマニュアルのほうが良い選択だ。それは、あなたがすでに42GBを費やした同じダウンロードの中に存在している。