中国のAI企業MiniMaxは2026年11月、画像生成・編集モデル「MiniMax H3-Image」の重みを公開した。テキストからの画像生成と、参照画像を使った生成・編集を一つのモデルに統合し、最大16枚の画像を参照できる。最大の特徴は、アップスケーリング処理を使わず、約1,600万画素の高解像度画像を直接生成できる点だ。APIに加え、MiniMax CodeやHailuo AIでも提供されている。
MiniMaxは、4096×4096ピクセルの画像を「10秒未満」で生成できると説明している。しかし、同じ発表に掲載された公式比較図では、4K画像の生成時間が用途やモードによって10秒を超えている。両者が同じ測定条件に基づく数値かは明らかでなく、実際の制作環境でどの程度の速度が得られるかを判断するには、測定対象と条件を詳しく確認する必要がある。
約1,600万画素の画像を生成・編集できる統合モデル
Hugging Faceで公開されたモデルカードによると、H3-Imageはテキストからの画像生成に加え、参照画像に基づく新規生成や既存画像の編集に対応する。これらの機能を一つのチェックポイントに統合しており、用途ごとに異なるモデルを使い分ける必要がない。最大16枚という数字は入力できる参照画像の枚数を指し、一度に生成できる画像の枚数ではない。
解像度も大きな特徴だ。H3-Imageは、生成した画像を後から拡大するアップスケーラーに頼らず、約1,600万画素の画像を直接生成できる。公式資料では、正方形の4096×4096ピクセル、16:9の5472×3072ピクセル、21:9の6272×2688ピクセルが例示されている。対応する画素数の範囲は約400万〜2,000万画素で、モデルカードによると、約1,600万画素で最も良い結果が得られる傾向があるという。
モデルの基盤にはMiniMax H3を採用した。画像生成に用いるDiffusion Transformer（DiT）は、H3から音声関連の層を除いた331億パラメータで構成され、テキストエンコーダにはH3のものをそのまま使用する。ただし、331億という数字はDiTのパラメータ数であり、テキストエンコーダなどを含むシステム全体の総パラメータ数ではない。
高速化に向けた工夫も施されている。MiniMaxの公式発表によると、蒸留によって画像生成時のサンプリングステップ数を6回に削減したほか、学習データの改善、強化学習、プロンプト拡張、推論環境の最適化を組み合わせている。ただし、各技術が生成速度の向上にどの程度寄与したかは明らかにされていない。また、ユーザーが所有するGPUでの実行時間も示されておらず、公式サービスとローカル環境で同等の速度が得られるとは限らない。
「10秒未満」の生成速度と公式ベンチマークの違い
MiniMaxは公式発表で、4096×4096ピクセルの画像を10秒未満で生成できると説明している。一方、同じページに掲載された公式の生成時間比較図では、4K画像の生成時間が用途とモードによって異なっている。以下は比較図からH3-Imageの数値を抜き出したものだ。単位は秒で、P50は処理時間の中央値を意味する。
| 用途 | Standard | Highspeed |
|---|---|---|
| テキストからの画像生成 | 16.0秒 | 10.3秒 |
| 参照画像1枚を使った編集 | 18.2秒 | 12.5秒 |
| 参照画像3枚を使った編集 | 21.4秒 | 14.4秒 |
4K画像をテキストから生成する場合、Standardモードの中央値は16.0秒、Highspeedモードでも10.3秒となっている。参照画像を1枚使った編集では、それぞれ18.2秒と12.5秒、3枚使った編集では21.4秒と14.4秒に増加する。少なくとも公式比較図の範囲では、参照画像を使う編集処理はテキストからの新規生成より時間がかかっている。
ただし、発表本文の「10秒未満」と比較図の中央値が、同じ条件で測定されたものかは不明だ。そのため、数値の違いだけでどちらかが誤っていると判断することはできない。また、P50は全処理の半数がその時間以内に完了することを示す統計値であり、常に同じ速度で生成できるわけではない。これらはMiniMaxが公表した数値であり、第三者が独立して検証した結果でもない。
比較図の脚注には、H3-Imageの測定値には第2回のP50を使用し、他モデルについては元データを使用したと記されている。このため、すべてのモデルを同一環境・同一条件で測定した速度ランキングとして解釈するのは適切ではない。測定に使用したGPUやプロンプトの内容、前処理と後処理を計測時間に含めたかどうかも特定できない。最大16枚の参照画像を入力した場合の生成時間についても、公開された数値から推定することは難しい。
画質や指示追従性についても、MiniMaxは最先端の性能を持つと評価しているが、独立した検証結果は限られている。指示追従性能について他モデルと比較したベンチマーク数値が掲載されていない点が気になるところだ。生成速度と出力品質は別々に評価する必要があり、公式発表だけで総合的な優劣を判断することはできない。
ローカル実行では英語プロンプトへの変換が重要
公開されたモデルをローカル環境で利用する場合、公式APIとの入力処理の違いにも注意が必要だ。Hugging Faceのモデルカードには、H3-Imageが「画像全体を詳しく説明した英文」を前提に設計されていると記されている。つまり、日本語で短い指示を入力できる公式サービスと、同じ文章をローカルモデルへ直接渡す場合とでは、処理の流れが異なる。
MiniMax APIでは、任意の言語で入力された短い指示を「H3-Image-Context-IR」という仕組みで画像全体の詳細な説明に変換してから生成処理を行う。ローカル向けにも、任意で使用できるプロンプト拡張モデル「PE」が用意されている。ただし、PEを使用すればAPIと完全に同じ前処理や生成結果が得られると保証されているわけではない。この違いは、APIとローカル環境の画質や指示追従性を比較する際に重要になる。
SGLangを使ってローカル実行する場合、入力されたプロンプトはそのままモデルに渡され、4096トークンを超える部分は切り詰められる。また、画像編集で使う「Picture 1」などの指定は、参照画像をアップロードした順番に対応する。複数の画像を扱う際には、画像の順序とテキスト内の参照指定を一致させる必要がある。
推論パラメータにも制約がある。num_inference_stepsは省略するか6、guidance_scaleは省略するか1のみが認められ、それ以外の値を指定すると400エラーが返される。また、negative_promptには対応していない。ほかの画像生成モデルで一般的なステップ数の調整やネガティブプロンプトによる出力制御を、そのままH3-Imageに適用することはできない。
実行環境の準備にも相応の負担がかかる。モデル本体のファイルサイズは68.65GBで、別のリポジトリから取得するテキストエンコーダは66.7GB、任意のプロンプト拡張モデルPEは17.9GBとなっている。ただし、これらは保存ファイルの容量であり、必要なGPUメモリ（VRAM）の容量をそのまま表しているわけではない。実際の必要メモリは、使用する推論フレームワークや精度、モデルの読み込み方法などによって変わる。
モデルカードでは、実行環境としてSGLang、vLLM-Omni、diffusers、ComfyUIが紹介されている。vLLM-OmniについてはNVIDIAとAMDのGPUへの対応が説明され、H200、RTX PRO 6000 Blackwell、MI350Xなどが例示されている。ただし、これらの記載は、一般的な個人向けGPUでも快適に動作することを保証するものではない。
APIとローカル環境の性能を比較するなら、プロンプト、出力解像度、参照画像の枚数、生成モードなどをそろえる必要がある。特に、プロンプト拡張などの前処理を計測時間に含めるかどうかによって、利用者が実際に待つ時間は変わってくる。また、日本語の指示を英語の詳細な説明へ変換する能力と、生成画像の中に正しい日本語の文字を描く能力は別の問題であり、混同すべきではない。
日本での利用は可能だが、商用提供には条件がある
H3-Imageの重みが公開されたからといって、地域や用途を問わず自由に利用できるわけではない。Hugging Faceで公開されているライセンスでは、EU、英国、韓国、米国を除いた地域に対し、無償の限定的な利用許諾を与えている。日本は除外地域に含まれていないため、ライセンスで定められた条件を満たせば利用できる。
ただし、商用利用では追加の条件が設けられている。利用者本人または関連会社の年換算売上高が100万米ドルを超える場合、あるいは第三者向けにホステッドサービスを提供する場合には、事前にMiniMaxから書面による許可を得なければならない。この二つは独立した条件であり、売上高が100万ドル以下でも、第三者が利用するAPIやWebサービスとして提供する場合には事前許可が必要となる。
また、商用ユーザーインターフェースにはモデル名を表示する義務がある。そのため、自社の制作業務でモデルを使用する場合と、外部の利用者が画像を生成できるサービスに組み込む場合とでは、確認すべきライセンス条件が異なる。重みの公開を、商用サービスへの無条件の組み込みが認められたものと解釈しないよう注意が必要だ。
生成画像の権利についても、複数の条項を確認する必要がある。ライセンスでは、MiniMaxは生成された出力物に対する権利を主張しないとしている。一方、許諾地域外でモデルや出力物を利用、複製、改変、配布、表示することは許可されていない。また、H3-Image自体やその派生モデルを除き、ほかのAIモデルの性能改善に本モデルや出力物を使用することも禁止されている。
なお、これらは公開されたモデルの重みに適用されるライセンス条件であり、MiniMaxが運営するAPIにも同じ条件が適用されるとは限らない。API経由で利用する場合は、別途、そのサービスに適用される利用規約を確認する必要がある。特に、第三者へのサービス提供や複数地域にまたがる運用を検討している場合は、契約上の制限が導入方法に影響する可能性がある。
H3-Imageは、約1,600万画素の直接生成と最大16枚の参照画像への対応によって、高解像度の画像制作や複数画像を使った編集の選択肢を広げるモデルだ。ただし、実用性を判断するには解像度だけでなく、用途別の生成時間、プロンプトの前処理、GPU環境、ライセンス条件まで考慮する必要がある。今後、ローカル環境での独立した性能検証が進めば、公式APIと公開モデルのどちらが用途に適しているかを、より具体的に比較できるようになるだろう。
