
※本ページはプロモーションが含まれています
MiniMax H3をローカルで動かす|ComfyUIで音声つきAI美女動画を"無料で無限に"生成する【2026年最新】
2026年8月3日、MiniMax H3(Hailuo 3.0)のオープンウェイトが公開され、ComfyUIが同日ネイティブ対応しました。つまり自分のPCで、従量課金なしに音声つき動画を無限に生成できます。必要なVRAMはGPU別にどれくらいか、モデルファイルの配置、T2V/I2V/R2Vの3ワークフロー、参照9枚でキャラを固定する方法、そしてホスト版との原価比較まで。AI美女の動画量産をローカルで回すための実践ガイドです。
概要
AI美女の動画生成には、ずっと「従量課金」という足かせがありました。1本作るたびに数百円。試行錯誤するほど財布が痛む。
それが2026年8月3日に変わりました。MiniMax が H3(Hailuo 3.0)のオープンウェイトを公開し、ComfyUIが同日ネイティブ対応(PR #15224)。つまり、自分のPCで、生成し放題になったということです。
しかもH3は音声がネイティブ。映像と一緒にセリフ・効果音・BGMが生成され、1つのMP4に同期して出力されます。「動画を作って、あとで声を当てる」工程が丸ごと消えます。
この記事では、ローカルでH3を回すための実践情報必要なGPU、モデル配置、3つのワークフロー、キャラ固定の方法までを解説します。
まず結論:ローカルで何ができるか
| 項目 | 内容 |
|---|---|
| 解像度 | ネイティブは短辺768px(16:9なら1344×768)。32の倍数に丸められる |
| 長さ・fps | 最大約15秒 / 24fps固定 |
| 音声 | ネイティブのステレオ音声。映像と同時生成、1本のMP4に同期 |
| 参照 | 画像9枚+動画3本+音声3本 |
| ライセンス | MiniMax Community License(年商$20M未満は商用OK・要帰属表示) |
| 費用 | 電気代のみ。生成回数の課金なし |
「無料で、音声つきで、キャラを固定したまま、何本でも」これがローカルH3の姿です。
必要なGPU:VRAM別の現実解
一番の関門がここです。モデルのピーク時VRAMは約31.7GB。素直に読むと32GBクラスが必要ですが、量子化とオフロードで下げられます。実際の報告はこうです。
| VRAM | GPU例 | 実際のところ |
|---|---|---|
| 6GB | RTX 2060 | 動くが品質が落ちる。短いクリップで10〜15分。映像の甘さ・音声の粗さが出る |
| 8GB | Apple Silicon | 4bit量子化(NF4)なら可能。精度は落ちる |
| 12〜16GB | RTX 4060 | 明らかに実用的。480p・5秒で約6分 |
| 24GB | RTX 4090 | 快適。720p・5秒が数分。LoRA学習の余裕もある |
| 32GB〜 | RTX 5090 / RTX 6000 | 公式推奨。15秒・高解像度を妥協なく |
現実的な最低ラインは12〜16GBです。6GBでも起動はしますが、AI美女コンテンツとして売り物にするなら品質が厳しい。24GBあればLoRA学習まで同じマシンで回せます。
ディスクも必要です。T2V/I2V用で約42.5GB、R2V用の追加チェックポイントが約21GB。フルで揃えると約63GBを見ておいてください。
セットアップ(ComfyUI)
ComfyUIでMiniMax H3を動かしている画面
1. ComfyUIを 0.30.0 以降に更新
これが必須条件です。古いバージョンではノードが出てきません。
2. モデルファイルを配置する
T2V / I2V(テキスト→動画、画像→動画):
| ファイル | 配置先 |
|---|---|
minimax_h3_fl2va_pruned_int8_convrot.safetensors | ComfyUI/models/diffusion_models/ |
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | ComfyUI/models/text_encoders/ |
minimax_h3_video_vae_fp16.safetensors | ComfyUI/models/vae/ |
minimax_h3_audio_vae_fp32.safetensors | ComfyUI/models/vae/ |
R2V(参照→動画)を使う場合は追加で:
| ファイル | 配置先 |
|---|---|
minimax_h3_ref2va_pruned_int8_convrot.safetensors | ComfyUI/models/diffusion_models/ |
※テキストエンコーダーとVAEはT2V/I2Vと共通です。VAEが2つ(映像用と音声用)ある点に注意してください。音声がネイティブ生成される所以です。
3. 公式ワークフローを読み込む
ComfyUIの公式テンプレートにH3のワークフローが用意されています。VRAMが足りない場合は、量子化版や動的オフロードを使う構成に切り替えます。
3つのワークフローとAI美女での使い分け
| ワークフロー | 入力 | AI美女での使いどころ |
|---|---|---|
| T2V(テキスト→動画) | プロンプトのみ | 世界観・背景素材づくり |
| I2V(画像→動画) | 静止画1枚 | 手持ちのAI美女画像を動かす。最も使う |
| R2V(参照→動画) | 画像9+動画3+音声3 | キャラ・動き・声を固定して量産 |
日常的には I2V が主戦場です。Seedream 5.0やLoRAで作った静止画を動かす。そしてシリーズものを作るときにR2Vへ移行する、という流れが効率的です。
R2Vの参照指定:キャラを固定する実務
R2Vでは、接続した順にタグが割り当てられ、プロンプト内でそのタグを使って指示します。
TEXT<Picture 1> の女性が、<Video 1> と同じ歩き方で、 <Audio 1> の声で「おはよう」と話しかける
<Picture 1>〜<Picture 9>:顔・体型・衣装を固定<Video 1>〜<Video 3>:動き方・仕草のクセを継承<Audio 1>〜<Audio 3>:声を固定
つまり 「同じ顔・同じ動き・同じ声」 を明示的に指定できる。キャラ設計した"その子"を、動画でもブレさせない仕組みがモデル側に用意されているわけです。
なお長さは17フレーム単位のグリッドにスナップされます。秒数を細かく指定しても、内部的に丸められる点は覚えておいてください。
実際に生成した動画
ローカルのComfyUIで出力したサンプルです。音声つきなので、音を出して確認してください。
ローカル vs ホスト版:どこで元が取れるか
ホスト版(API)は2Kで$0.13/秒。15秒なら$1.95=約293円(1ドル150円換算)です。ローカルは電気代のみ。
| 月の生成本数 | ホスト版(15秒2K) | ローカル |
|---|---|---|
| 10本 | 約2,900円 | 電気代のみ |
| 30本(毎日1本) | 約8,800円 | 電気代のみ |
| 100本(試行錯誤込み) | 約29,300円 | 電気代のみ |
効いてくるのは「失敗作」です。 動画生成は一発で決まりません。10本作って使えるのが1本、ということも普通にある。ホスト版だと失敗するたびに課金されますが、ローカルなら何度でも回せます。
試行錯誤しながら量産する運用ほど、ローカルが圧倒的に有利です。逆に「月に数本だけ、最高画質で」ならホスト版(2K)を使う方が合理的。両方を使い分けるのが正解です。
商用ライセンス(個人には実質フリー)
オープンウェイト版は MiniMax Community License。
年商$20M(約30億円)未満の組織は商用利用が可能(目立つ形での帰属表示が条件)
個人クリエイターや小規模事業者は、まず問題なく商用利用できます。Fanvueのサブスク、写真集・動画販売、企業案件どれにも使えるということです。ただし帰属表示(クレジット)の要件があるので、公開前にライセンス条文を確認してください。
AI美女運用での使いどころ
- ショート動画の量産:24fps・縦型で、そのままTikTok・YouTube Shortsへ
- 声つきコンテンツ:音声がネイティブなので、ボイス収益化の工程を丸ごと省略できる
- サブスク特典:限定動画は静止画より単価を上げやすい
- 試作の高速化:課金を気にせず回せるので、伸びるパターン探しが加速する
注意点
- 実在人物を参照に使わない:H3は声まで参照できるぶん、他人の顔・声を使うリスクは画像以上です。肖像権侵害・犯罪になります
- AI生成であることを表示する:各SNSのAIラベルは必須の流れ
- 露骨・無修正の公開はNG:ローカルなら何でも作れてしまいますが、公開すれば日本の法律の対象です
- 帰属表示の要件を守る:商用利用にはクレジットが必要
- 低VRAMでは品質が落ちる:6GBで「動く」ことと「売れる品質」は別
よくある質問(FAQ)
Q. 最低どれくらいのGPUが必要ですか?
6GB(RTX 2060)でも動きますが、映像の甘さ・音声の粗さが出て、短いクリップに10〜15分かかります。実用ラインは12〜16GB(RTX 4060クラス)、快適に使うなら24GB以上。公式推奨は32GBクラスです。
Q. ディスクはどれくらい必要?
T2V/I2V用で約42.5GB、R2Vの追加チェックポイントが約21GB。フル構成で約63GBを確保してください。
Q. 音声は別に作る必要がありますか?
不要です。映像と同時に生成され、1本のMP4に同期して出力されます。セリフ・効果音・環境音がまとめて出てきます。
Q. キャラの顔と声を固定するには?
R2Vワークフローを使い、参照画像(最大9枚)と参照音声(最大3本)を接続します。プロンプト内では <Picture 1> <Audio 1> のようにタグで指定します。完全固定を狙うならLoRAとの併用が確実です。
Q. ローカルとホスト版、どちらを使うべき?
試行錯誤しながら量産するならローカル(何本作っても電気代のみ)。月数本を最高画質(2K)で仕上げたいならホスト版。ローカルのネイティブ解像度は短辺768pxなので、2Kが必要な場面ではホスト版が有利です。
Q. 商用利用できますか?
年商$20M未満なら可能です(MiniMax Community License、帰属表示が条件)。個人クリエイターは実質的に問題ありませんが、公開前にライセンス条文を確認してください。
まとめ
MiniMax H3のオープンウェイト公開で、AI美女の動画量産は「課金」から解放されました。
- 2026年8月3日にオープンウェイト公開、ComfyUIが同日対応
- 音声がネイティブ。映像と同時生成で1本のMP4に同期
- 参照は画像9+動画3+音声3。R2Vで顔・動き・声を固定できる
- 実用ラインはVRAM 12〜16GB、快適なら24GB以上、ディスクは約63GB
- 年商$20M未満は商用OK(帰属表示が条件)
- 100本試して課金約29,300円 → 0円。試行錯誤するほどローカルが効く
静止画でキャラを固め、ローカルH3で動かして喋らせる。課金を気にせず何度でも回せる環境が手に入った今、ショート動画での集客は一段やりやすくなっています。
出典:ComfyUI 公式ドキュメント(MiniMax H3: T2V, I2V, R2V Workflows)/ComfyUI Wiki(MiniMax H3 Open Weights Land With Native ComfyUI Support)/MindStudio(Run MiniMax H3 Locally: VRAM Guide)











