目次
MiniMax H3は、1枚の画像から短い動画を生成できます。安定した結果を得るには、整った静止画、動きを中心にしたプロンプト、明確な終わり方を用意します。このガイドでは、元画像の準備、開始・終了フレーム、参照メディア、確認項目、よくある失敗の直し方を説明します。
画像から動画生成では、静止画を動きの出発点として使います。元画像によって、被写体、構図、色、照明、シーンの形状の多くが決まります。
プロンプトには、その後に何が起こるかを書きます。被写体の動作、カメラワーク、環境の動き、速度、狙った終わり方を指示できます。
MiniMaxの公式APIでは、モデル名を MiniMax-H3としています。768Pまたは2K出力、4～15秒の長さ、ネイティブステレオ音声に対応します。公式ドキュメントには、テキストから動画、開始フレームを使う画像から動画、開始・終了フレーム生成、マルチモーダルなReference Generationが記載されています。
H3を使っても計画は必要です。隠れた手足、崩れた文字、矛盾する奥行きは、動きの不安定さや見た目のずれにつながります。
きれいな静止画が、必ずしも安定した動画素材になるとは限りません。ショットの最初のフレームとして確認してください。
動画生成を始める前に、元画像の問題を直します。 マルチモデル画像生成ツール＆エディタ なら、手、文字、衣装、背景、商品の細部を修正できます。GPT Image 2、Nano Banana 2、Nano Banana Proなどのモデルを選べます。
一度にすべてを直さないでください。目に見える問題を1つだけ変え、結果を確認し、承認済みの被写体を維持します。
シーンに何があるかは元画像ですでに伝わっています。プロンプトでは動きと制約を定義します。
次の構成が便利です。
Subject action + camera movement + environmental motion + timing + locked details + forbidden changes
この商品紹介プロンプトでは、各要素に役割を持たせています。
Animate this source image into a 6-second cinematic product reveal. Keep the same subject, color, logo placement, and background layout. Start with a slow push-in, add soft reflections on the surface, then finish with a slight camera arc from left to right. No new objects, no text changes, no face or logo distortion.
すべての色や物を説明し直すのではなく、重要な細部を保護しながらショットを演出しています。
キャラクターのシーンでは、次の例を試せます。
The same character looks toward the window and takes one slow breath. Her hair moves slightly in the evening breeze. The camera makes a gentle push-in. Keep her face, outfit, room layout, and cel-shaded style unchanged. No new characters or sudden camera shake.
最初のテストでは、主な被写体の動作を1つ、カメラワークを1つに絞ります。基本のショットが安定してから複雑さを加えてください。
プロンプトの各要素には、ショットの一部を指示するか、安定させるべき細部を保護する役割を持たせます。
開始画像だけでは、最後の構図は決まりません。特定の商品角度、ポーズ、レイアウト、トランジションで終えたい場合は、終了フレームを追加します。
| ショットの要件 | 開始画像のみ | 開始・終了フレーム |
|---|---|---|
| キャラクターの小さな自然動作 | 通常は十分 | 任意 |
| ゆっくりしたカメラの寄り | 通常は十分 | 最後の画角を正確に決めたい場合に使用 |
| 商品の回転や登場 | 結果を予測しにくい | 決めた角度で終えるのに適する |
| ビフォー／アフターの変化 | 終点の制御が弱い | 開始と終了の両方を定義 |
| マッチカットやトランジション | 終わり方がずれる可能性がある | 予定した編集点を作りやすい |
| ロゴや商品正面で終える | レイアウトが変わるリスクがある | 最後の構図を保ちやすい |
2枚のフレームは、無理なく移り変われる内容にします。正面向きの商品から無関係な真上のシーンへ移すと、モデルが間を大きく補う必要があります。
MiniMax以外でショットを設計する場合、 Frames to Video には関連する2つのワークフローがあります。ByteDanceのSeedance 2.0モードは開始・終了フレームを使い、DomoAI 2.4.1は2～8枚のキーフレームと区間ごとのプロンプトに対応します。
参照素材は曖昧さを解消するために使います。整理されていない素材フォルダーをそのまま渡すものではありません。
視覚参照や、視覚素材と組み合わせる任意の音声にはReference Generationを使います。現行APIでは、参照画像は最大9枚、動画は最大3本、音声は最大3本まで使用でき、混在する参照入力は合計12ファイルが上限です。動画と音声は1本あたり2～15秒で、参照動画の合計時間と参照音声の合計時間は、それぞれ15秒が上限です。MiniMaxのH3参照ドキュメントによると、音声は単独の参照入力ではなく、少なくとも1枚の画像または1本の動画と組み合わせる必要があります。
H3-Context-IRは、マルチモーダルな文脈を解釈して強化プロンプトを返す、別の非同期ステップです。動画は生成しません。
各参照素材に1つの役割を割り当てます。
元画像と矛盾する参照は削除します。ジャケット、髪型、商品ラベルが2種類あると、「同じ状態を保つ」という指示を解釈しにくくなります。
モデルの品質を評価する前に設定を確認します。比率や音声の選択が誤っているだけで、動きがよいテストも使えなくなることがあります。
次の項目を確認します。
現行の公式APIでは、768Pまたは2Kを直接指定でき、長さは4～15秒、一般的な比率または自動調整の比率に対応します。条件を満たす768Pの結果には、公式の2K再生成ワークフローも使えますが、再生成は任意の経路であり、2Kを得る唯一の方法ではありません。H3はネイティブステレオ音声を生成できます。外部サービスでは、利用できる設定が少ない場合があります。
動き、同一性、構図が確認に合格してからアップスケールします。DomoAIの 動画アップスケーラー では、ノイズ軽減と細部強化を使って、最終クリップを最大4Kにできます。
まずクリップ全体を1回見てから、3つのフレームを確認します。開始・終了フレームでは見えない問題が、中盤で見つかることがあります。
| 確認項目 | 合格条件 | 警告サイン |
|---|---|---|
| 同一性 | 被写体を同じ人物や商品として認識できる | 顔、商品の形、衣装が変わる |
| 動き | 動作が自然に進む | 被写体が固まる、または急に加速する |
| カメラ | 動きがプロンプトに合っている | 不要なズーム、揺れ、角度変更がある |
| 背景 | 形状が一貫している | 壁、看板、物が溶けるように崩れる |
| 文字とロゴ | 細部を読み取れる | 文字が変わる、または位置がずれる |
| 音声 | 音が画面上の出来事に合っている | 会話、効果音、環境音が映像と無関係に聞こえる |
| 終わり方 | 最終フレームが次の編集に使える | 動作の途中で止まる、または狙った構図から外れる |
通常速度とコマ送りの両方で確認します。数フレームだけロゴが変わっていても、再生時には滑らかに見えることがあります。
「dynamic」のような曖昧な言葉を、目に見える動作に置き換えます。体の部位、方向、距離、速度を明記してください。
make the scene more dynamicではなく、 the subject takes two steps forward while the camera slowly tracks backward.
競合するカメラ指示を削除します。動きを1つ選び、たとえば stable horizon, no handheld shake.
動きを減らし、同一性の制約を強め、より明確な参照を使います。商品では、ロゴの位置、ラベル文字、比率、素材を固定してください。
シーン全体を変えるのではなく、局所的な動きを指示します。建物とレイアウトを固定し、風、反射、煙など限定した効果だけを加えてください。
音声を別の確認レイヤーとして扱います。現在のH3モードで使える設定を確認してください。必要なら、正確な音楽、ナレーション、ブランドサウンドを外部エディタで差し替えるかミックスします。
現在のモードが対応している場合は終了フレームを使います。物理的に自然な移行にし、開始点と終了点の間の動作を簡単にしてください。
同じ元画像でも、商品ページ、SNSフィード、映画的なシーケンスでは、必要な動きが異なります。
商品のシルエット、ラベル、素材、ロゴを保ちます。カメラはゆっくり動かし、反射を抑えます。動作の途中ではなく、商品正面を読み取れる状態で終えてください。
見せたい動作をすぐに始めます。スマートフォンの画面でも十分に大きく見える被写体サイズにし、9:16で構成します。生成前に字幕用の安全領域を空けてください。
動きによって感情や情報を見せます。視線、呼吸、小さなカメラワークは、複雑な全身動作よりも同一性を保ちやすい場合があります。終了フレームを決める前に、次の編集点を計画してください。
フック、商品の根拠、出演者、締めのショットを分け、それぞれ短い単位で生成します。弱いクリップを差し替えやすくなり、ブランドの細部も個別に確認できます。
一括生成する前に、最終プラットフォームを想定した代表ショットを1本試します。横長で安定していても、縦向きに強く切り抜いた際に手、文字、商品の端が保たれるとは限りません。
MiniMax H3は近日DomoAIに追加予定です。利用可能になり次第お知らせします。現在は Omni ReferenceのSeedance 2.5 を利用できます。
整った元画像をアップロードまたは参照し、現在利用できる画像から動画のタスクを選び、動きを中心にしたプロンプトを書きます。追加のクリップを生成する前に、同一性、動き、カメラ、背景、音声、終わり方を確認してください。
MiniMaxの現行ドキュメントには、開始・終了フレームのワークフローが記載されています。ただし、タスク名、入力ルール、利用経路はインターフェースによって異なる場合があります。
被写体が明確で、輪郭と人体表現が自然、文字が安定し、照明が整った画像を使います。動きの余白も確保し、元画像の比率を最終プラットフォームに合わせてください。
参照素材と固定プロンプトで連続性を高められますが、保証はされません。短いクリップをテストし、フレーム全体で顔、衣装、形、文字、色を確認してください。
はい。MiniMaxの公式発表ページとリポジトリには、ネイティブステレオ音声が記載されています。公式リポジトリの仕様は32 kHzステレオ出力です。使用する経路にどの音声設定が表示されるか確認してください。
まだ利用できません。MiniMax H3は近日DomoAIに追加予定です。
安定した画像から動画の結果は、動かしやすい元画像、動きを説明するプロンプト、明確な確認方法から生まれます。
質のよい静止画を1枚用意し、条件を絞ったプロンプトを1回試します。冒頭、中盤、終わりを確認してからシーンを広げてください。
最近の記事
.avif)
