見出し画像

動画生成AIを"一枚絵"に使う。MiniMax H3の非公式ComfyUI拡張を検証する

アイドリ | AI-Driven Lab

本記事の対象

  • 主な対象者：ComfyUIで画像生成のワークフローを組んでいるエンジニアやクリエイター、生成AIツールの一次情報を素早く押さえたいプロダクトマネージャーや事業担当者を想定しています。

  • 技術レベル：初級／中級／上級のうち、主に中級を想定しています。

  • 前提知識：ComfyUIでのノード接続やモデル配置といった基本操作と、text-to-image・image-to-imageという用語についての基礎的な理解を前提とします。

  • この記事で得られるもの：動画生成モデルであるMiniMax H3からなぜ静止画が取り出せるのかという仕組みが理解でき、この非公式拡張を自分の制作フローに導入する価値があるかどうかを判断する材料が得られます。

要約

本記事は、動画生成AI「MiniMax H3」を静止画生成に転用する非公式ComfyUI拡張『MiniMax H3 Image Studio』を検証します。H3が本来は動画モデルである理由と、そこから一枚の静止画を取り出す仕組み、実際の編集結果、速度とVRAMの実測値、そしてライセンス上の注意点までを順番に見ていきます。読み終える頃には、この拡張を自分の制作フローに取り入れる価値があるかどうか、自分の判断で決められるようになっているはずです。

MiniMaxが7月31日に発表した「MiniMax H3」は、動画生成モデルだ。テキストと画像と音声をひとつの文脈として理解し、最大2K・15秒の動画を音声つきで書き出す。ここまでは、もうご存じの方も多いだろう。

ところが8月に入ってから、SNSやnote上で目立つようになったのは動画ではなく「一枚の静止画」の話だった。しかも公式機能ではない。有志の開発者が動画モデルの内部構造を読み解き、一枚絵ジェネレーターとして使えるようにしたのだ。

正直、リポジトリ名を最初に見たときは「動画モデルで静止画を作るなんて、遠回りにも程がある」と思った。だが中身を読むと、これはこれで筋が通っている。本記事では、その拡張「MiniMax H3 Image Studio」を一次情報ベースで検証する。

先に一例をお見せしよう。これは拡張のImage-to-Image機能で、コケむした環境を溶岩地帯に置き換えた例だ。

編集前:

図1. 編集前の元画像。苔と木々に囲まれたロボットが立っている。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

編集後:

図2. 「苔と木々を、あたり一面の灰と燃える溶岩に置き換えて」という指示だけで環境を丸ごと変換した結果(1472×2144、12ステップ、87.57秒)。ロボットの姿勢や構図はそのまま保たれている点に注目。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

MiniMax H3は、本来「動画」を作るモデルだ

まず前提を揃えておきたい。H3は中国のAI企業MiniMaxが開発した「汎用オムニモーダル生成モデル」で、テキスト・画像・動画・音声を単一の文脈として理解し、ネイティブなステレオ音声つきで動画を生成する。Hailuo 01、Hailuo 02に続く第3世代で、消費者向けアプリでは「Hailuo 3.0」の名でも呼ばれている。

8月3日にはモデルウェイトがHugging Faceで公開され、ComfyUIにも公開当日からネイティブ対応が入った。ただし、その公式ワークフローが生成するのは一貫して動画だ。テンプレートライブラリにはText-to-Video、Image-to-Video、Reference-to-Videoの3種類が用意されているが、どれも出力は動画ファイルになる。

公式の仕組みを整理すると、H3は3つのモジュールで構成されている。

図3. 入力を解釈するH3-Context-IR、実際に動画・音声を生成するH3-Base、768pの結果を2Kへ引き上げるH3-Regenerate-2Kの3段構成。オープンソースとして公開されているのは中央のH3-Baseのみという点が重要。出典: MiniMaxAI/MiniMax-H3(Hugging Face)

ここが後々効いてくる。H3-Context-IRは複数のホスト型モデルを組み合わせた前処理システムのため公開されておらず、H3-Regenerate-2Kも「システムが複雑なため」公開が見送られている。つまり、ローカルで動かせるのはH3-Baseだけで、これは768p解像度が基本になる。ComfyUIの公式テンプレートも、この制約の上に成り立っている。

実際の生成結果を見てみると分かりやすい。ComfyUI公式ドキュメントのImage-to-Videoサンプルでは、透過PNGの製品画像を渡すと、それが動く映像に変換される。

動画1. ComfyUI公式のImage-to-Videoテンプレートで実際に使われている入力画像。クリックすると、この画像からH3が生成した公式デモ動画が再生される。出典: ComfyUI公式ドキュメント

ここまでで確認したいのは一点だけだ。H3は公式には「動画を作るモデル」であり、静止画専用の生成モードは用意されていない。ここから先で紹介する拡張は、この前提を踏まえたうえで生まれた"寄り道"だということを覚えておいてほしい。

動画モデルから"静止画"を取り出す仕組み

では、動画モデルからどうやって一枚の画像を取り出すのか。ここが本記事のいちばんの核心だ。

H3-Baseの時間VAE(動画を潜在表現に変換する仕組み)は、フレームを「1, 4, 4, 4, 4」という単位の繰り返しでまとめて処理する。つまり、単独の1フレームだけを生成するという操作がそもそも存在しない。「静止画が欲しいので1フレームだけ生成してください」とは頼めない構造になっているわけだ。

だから拡張側は、要求されたフレーム数を「その数をカバーできる最小の自然なパケット」に丸める。たとえば20フレームを指定すると、実際には22フレーム分がまとめて計算される。次の図で流れを整理した。

図4. 時間VAEがフレームをパケット単位に丸め、パケット全体を復号したうえで使う1枚だけを残す流れ。20フレーム設定を選んでも、実際には22フレーム分の計算コストを先に払っている点がポイント。(筆者作成、README記載の仕様をもとに図解)

つまり「20フレーム(高品質)」設定は、20枚の動画を待ってから1枚を選ぶという意味ではない。22フレーム分の映像と音声をまるごと生成しておいて、そのうち採用するのはたった1枚、残りは全部捨てるという豪快な仕組みだ。無駄に見えるかもしれないが、H3は5フレームや20フレームといった長い時間的文脈を見た方が、結果として1枚の絵の完成度も上がるらしい。動画モデルらしい発想と言える。

決め手は「Exact Frame Decode」ノード

採用する1枚をどう選ぶかにもルールがある。テキストからの生成(T2I)と参照編集(REF2VA)では、常にフレーム0が採用される。ところが20フレーム設定でのImage-to-Image編集だけは事情が違う。この場合、フレーム0はまだ編集前の状態に近いことがあるため、拡張は各フレームを元画像と比較し、変化が安定して定着した最初のフレームを自動で探して採用する。地味な工夫だが、ここを手動でやるのはかなり面倒なはずで、実装した人の苦労がしのばれる部分だ。

ComfyUI拡張『MiniMax H3 Image Studio』の中身

この拡張を作っているのは、GitHub上で「astropuzzo」を名乗る開発者だ。READMEには「実験的で、コードはすべてAIが書いた。開発者自身はプログラミングやモデル設計の正式な知識を持たない」と、かなり率直な注意書きがある。拡張自体のコードはUnlicense(パブリックドメイン相当)で公開されているが、これはあくまでコードの話であり、H3のモデル本体が持つライセンス条件とは別物なので混同しないようにしたい。この点は後半の注意点でもう一度触れる。

拡張が提供するのは、大きく分けて次の4系統のワークフローだ。

  • Text to Image：プロンプトのみからFL2VAモデルで一枚絵を生成する。

  • Image to Image：元画像をアンカーにしてFL2VAで編集する。

  • Reference Edit：REF2VAモデルを使い、最大9枚の参照画像から要素を合成する。

  • LightX Turbo：Kijai氏のLightX v0.1 LoRAを使った4ステップ高速版。開始強度0.75で適用し、ER-SDEやSA-Solverといった専用サンプラーで動かす設定になっている。ラフ出しを何度も繰り返したい場面で効いてくるはずだ。

導入手順そのものは難しくない。ComfyUI/custom_nodesディレクトリでgit clone https://github.com/astropuzzo/ComfyUI-MiniMax-H3-Image-Studio.gitを実行し、ComfyUIを再起動するだけで、追加のPythonパッケージなしに拡張が使えるようになる。ただし拡張自体はモデルを同梱していない。拡散モデル・テキストエンコーダー・VAEは、ComfyUI公式のH3ガイドに従ってComfyUI/models/diffusion_models/、text_encoders/、vae/にそれぞれ手動で配置する必要がある。

実際のワークフロー画面を見てもらった方が早い。Text to Imageのグラフはこうなっている。

図5. Load Diffusion Model〜MiniMax H3 Image・Sampling Preset〜SamplerCustomAdvanced〜Exact Frame Decode〜Single Image Outputという一本道の構成。中央のText to Imageノードにquality_profile(recommended・5フレーム)とoptimize_for_still(true)が設定されている点に注目。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

Text to Image：プロンプトだけで一枚絵を作る

上の画面にあるoptimize_for_stillというトグルは地味だが重要だ。これをオンにすると、動画エンコーダーに送るテキストに「カメラは固定、構図もカット割りも動きも音声もなし、鮮明な静止画を」という一文が自動で追加される。解像度やフレーム数、サンプラーの設定そのものはいじらない。プロンプトの意味づけだけを変えるスイッチだと考えると分かりやすい。

サンプリングはres_multistepサンプラーとsimpleスケジューラーを使い、20ステップが最高品質のプリセット、12ステップが高速版になる。H3のチェックポイントはCFG蒸留済みのため、CFGスケールの概念自体が存在せず、BasicGuiderだけで完結する。この割り切り方は、通常のStable Diffusion系のワークフローに慣れていると少し新鮮に映るはずだ。

Reference Edit：最大9枚の参照画像に役割を持たせる

個人的に一番おもしろいと感じたのはこちらの機能だ。REF2VAモデルを使うReference Editでは、ソース画像1枚に加えて最大9枚までの参照画像を渡せる。しかも、それぞれの参照画像に<Picture 1>、<Picture 2>という形でプロンプト内から直接名前をつけて役割を指示できる。

図6. 2枚のLoad Imageノードがそれぞれsource_imageとreference_image_2に接続され、プロンプト欄には「<Picture 1>の人物・構図・環境はそのまま保ち、<Picture 2>のジャケットと指輪だけを反映する」という趣旨の指示が書かれている。source_fidelity(0.75)が同一性の強さを決めるスライダーである点も確認できる。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

「この人物の構図はそのまま、服だけ別の写真から持ってきて」といった指示が自然文で通るのは、複数の参照画像を個別にエンコードして扱えるH3の設計あってこそだろう。source_fidelityの値を上げれば同一性を強く保持し、下げれば変化を通しやすくなる。編集がうまく反映されないときにまず疑うべきパラメータはここだ。

実際にどんな編集ができるのか

もう一つ、具体例を見ておこう。こちらはReference EditではなくImage-to-Imageの例で、「女性をピエロに置き換えて」という指示一本で被写体を丸ごと差し替えている。

編集前:

図7. 編集前の元画像。車の前に女性が立っている。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

編集後:

図8. 背景の車や構図、カメラ位置はほぼそのまま保たれつつ、中心の被写体だけがピエロに置き換わった結果(1184×1760、12ステップ、58.41秒)。冒頭の溶岩の例と合わせて見ると、環境ごとの置換と被写体だけの置換のどちらにも対応できることが分かる。出典: astropuzzo/ComfyUI-MiniMax-H3-Image-Studio

冒頭の溶岩の例とこの例を並べると、得意なことがはっきり見えてくる。背景ごと世界観を変える大胆な置換にも、被写体だけを差し替える細かい置換にも対応できる一方で、どちらの例も「元の構図・カメラ位置・ポーズを保つ」という制約のもとで成立している。まったく異なる構図を新規に描かせる用途というより、既存の写真を土台にした編集に向いたツールだと捉えるのが実態に近いだろう。

速度・解像度・VRAMのリアルな数字

ここからは実務目線の話をしたい。README記載の実測値を見ると、フレーム数と解像度がそのまま生成時間に直結することが分かる。計測環境はWindows 11、Core i9-13900KF、RTX 4090(24GB VRAM)、メモリ64GB、ComfyUI 0.30.0というハイエンド構成だ。単発実行の数値も含まれるため、あくまで目安として見てほしい。

$$
\begin{array}{|l|l|l|l|}
\hline
\textbf{解像度} & \textbf{5フレーム・20ステップ} & \textbf{20フレーム・20ステップ} & \textbf{所要時間の差} \\
\hline
\text{1.99MP(1184×1760)} & \text{27.8秒} & \text{50.1秒} & \text{約1.8倍} \\
\hline
\text{3.96MP(1664×2496)} & \text{38.9秒} & \text{138.6秒} & \text{約3.6倍} \\
\hline
\text{8.02MP(2368×3552)} & \text{84.0秒} & \text{401.8秒(約6分42秒)} & \text{約4.8倍} \\
\hline
\end{array}
$$

高解像度になるほど「20フレーム設定」のコストが跳ね上がっているのが分かる。8MPでは5フレームから20フレームに切り替えるだけで、84秒が6分42秒まで伸びる。それでいて画質が比例して向上するわけではない、とREADME自身が明言している。時間がかかる設定は「常に正義」ではなく、素材やあたりを素早く出したいなら5フレーム、じっくり詰めたい一枚だけ20フレームで回す、といった使い分けが現実的だろう。

もう一つ押さえておきたいのが、解像度を上げても質感が比例して増えるわけではないという点だ。公式のH3-Regenerate-2Kはオープンソース化されていないため、この拡張で「2K」や「4K」を指定しても、それは単に大きなキャンバスでネイティブ生成しているだけで、MiniMaxが訓練した専用の高解像度化処理は通っていない。README自身も「画素は増えるが、学習済みの精細さが比例して増えるとは限らない」と釘を刺している。大きく作りたいなら、素直に外部のアップスケーラーに任せた方が結果が安定するはずだ。

ソフトさやブロックノイズ、色帯、グリッド状のアーティファクトが出ることもあると明記されている。動画モデルを画像用途に流用している以上、これは構造的な限界として受け止めておくのが健全だろう。

導入前に知っておきたい注意点

(1) バージョンの動きが速い、実験段階のツールであること。 リポジトリは8月3日の公開から同日中にv10からv13まで一気に進み、8月8日にはv14・v15と立て続けに更新されている。しかも直近のv15は、開発者本人が「CUDA環境から約1週間離れるため、本番ウェイトでの実機検証ができないまま公開した」と明言し、コミュニティに動作報告を呼びかけているタイミングだった(Issue #13 )。コード監査やCI、ワークフローの構造検証は通っているが、実GPUでの生成結果そのものはリリース時点で未検証だったということになる。試す際は、GitHubの最新リリースとIssueに一度目を通してから取りかかることをおすすめしたい。

(2) ライセンスは「拡張」と「モデル」で別物。 拡張自体のコードはUnlicenseで自由に使えるが、生成に使うMiniMax H3のウェイトにはMiniMax H3 Community License Agreementが別途かかる。このライセンスは年間売上2,000万米ドル未満の個人・企業であれば商用利用も無償で認めている一方、それを超える場合はMiniMaxへの個別申請が必要になる。商用プロダクトには「MiniMax H3」の表示義務があり、生成物を使って競合モデルを学習させる行為も禁止されている。

(3) 地域制限には要注意、ただし日本は対象外。 このライセンスは米国・EU・英国・韓国をローカル実行の対象地域(Applicable Territory)から明確に除外している。日本はこの除外リストに含まれていないため、国内での利用自体は制限の対象外だ。とはいえライセンス文言は変更される可能性があるので、商用で本格導入する前には一次情報を直接確認することを勧める。

こんな人に向いている、向いていない

すでにComfyUIでH3の動画ワークフローを動かせる環境があり、「動画のついでに、確認用の一枚絵もサクッと欲しい」という人には向いている。既存の写真を土台にした環境変換や被写体置換、複数の参照画像を組み合わせた編集を試したい人にも面白い選択肢になるはずだ。

逆に、安定した商用パイプラインに今すぐ組み込みたい人にはまだ早い。実験的な位置づけであることをREADME自身が繰り返し強調しているし、直近のリリースがGPU未検証のまま公開されたという経緯もある。素直に静止画が欲しいだけなら、最初から静止画用に訓練された専用モデルを使う方が、速度でも安定性でも分があるだろう。H3を選ぶ理由があるとすれば、それは「動画モデルならではの時間的な文脈理解が、結果として一枚の絵の完成度にも効いている」という、この拡張の作者が体感した仮説に賭けてみたい場合だ。

まとめ

MiniMax H3は公式には動画生成モデルであり、静止画専用のモードは用意されていない。ComfyUI拡張「MiniMax H3 Image Studio」は、時間VAEが持つ「1,4,4,4,4」というフレームパケットの仕組みを逆手にとり、パケット全体を計算したうえで代表となる1枚だけを残すことで、この制約を回避している。実際の編集結果は環境の一括置換から被写体の差し替えまで幅広く対応する一方、20フレーム設定は解像度が上がるほど時間コストが跳ね上がり、真の2K高解像度化も再現されていない。何より、開発者自身が実験段階であることを繰り返し明言しているツールだ。導入するなら、まずは検証目的の小さな用途から試してみるのが良さそうだ。

参考資料・使用素材

この記事が役に立ったら、ぜひスキ❤️やコメントをお願いします！質問があれば、コメント欄でお気軽にどうぞ。

テクノロジーで、あなたのビジネスに革新を

この記事をお読みいただき、ありがとうございます。「システムを作りたいけど、初期投資が高すぎる」「IoT製品を開発したいが、技術とコストの両面で不安」とお悩みではありませんか?

✨ 初期費用0円でSaaSを開発。ポノテクのマイクロSaaSサービス

私たちポノテク株式会社は、お客様専用のSaaSを初期費用0円で開発します。

マイクロSaaS開発の特徴

  • 初期費用0円: Webアプリ、モバイルアプリ、デスクトップアプリを無料で開発

  • 月額サブスクで提供: 必要な機能に応じた月額料金で利用開始

  • 買取オプション: サブスク利用中に、システムを自社所有物として買い取ることも可能

「自社専用のSaaSが欲しいけど、数百万円の初期投資は厳しい」そんな企業様に最適なソリューションです。

🔧 IoT受託開発 × 補助金活用で、ものづくりを支援

ハードウェアからソフトウェアまで一貫して開発可能。IoTシステムの構築を、補助金を活用して最大66%のコスト削減で実現します。

補助金活用でシステム開発コスト削減

経済産業省認定のIT導入支援事業者として、以下のサービスをワンストップで提供。

  • 補助金診断・申請サポート: 採択率82.8%の実績で、最適な補助金をご提案

  • 要件定義から開発まで一貫支援: 補助金要件に100%準拠した開発体制

  • 省力化補助金・ものづくり補助金など: 最大8,000万円の補助金活用をサポート

📚 最新刊『ComfyUIマスターガイド』5月9日発売！

AI技術に関する深い知見を持つ私たちの代表・早野康寛が共著者として参加した画像生成AI書籍『ComfyUIマスターガイド』が、2025年5月9日にSBクリエイティブ社より発売されました。AI画像生成の最前線を理解したい方は、ぜひご覧ください。

📈 こんな課題をお持ちの企業様に最適です

  • 「専用SaaSが欲しいが、初期投資を抑えたい」

  • 「IoT製品を開発したいが、ハードとソフト両方の知見が必要」

  • 「補助金を活用したいが、申請方法がわからない」

  • 「サブスクで始めて、必要なら買い取りたい」

🌟 三つの強みで、確かな未来を共に創る

  1. マイクロSaaS開発: 初期費用0円で専用システムを構築

  2. IoT受託開発: ハードウェアからソフトウェアまで一貫対応

  3. 補助金活用: 開発コストを最大66%削減

ぜひ初回無料相談をご利用ください。技術と経営の両面から、貴社の成長戦略を共に考えましょう。
ポノテク株式会社へのお問い合わせはこちらから！

▶ テクノロジーで成長を加速する第一歩を踏み出す

― 技術で未来を創る。ポノテク株式会社

いいなと思ったら応援しよう！