MiniMax H3 オープンウェイト: ローカルで実際に実行できるもの
8 月初旬、MiniMax は、Hugging Face で H3 ビデオ モデルの重みを公開しました。ステレオ サウンドのクリップを自分のマシンで生成できるようになりました。サブスクリプションや世代ごとの API 料金は不要です。ただし、数百ギガバイトをダウンロードする前に、次の 2 つの点に留意してください。2K パイプライン全体がオープン リリースに組み込まれていないこと、およびライセンスがどこにいても誰でも許可されているわけではないことです。
いったい何が発売されたのか
MiniMax-H3 リポジトリには、タスク固有の 2 つのチェックポイントが同梱されています。 FL2VA はテキストから音声付きのビデオを作成し、フレームをアニメーション化できます。最初、最後、または両方を指定します。 Ref2VA はリファレンスからクリップを構築します。1 つのリクエストには最大 9 つの画像、3 つのビデオ、3 つのオーディオ ファイルを含めることができるため、キャラクターの外観、カメラの動き、スタイル、音声はそれぞれ独自の例によって設定されます。コアは高密度の 330 億パラメータのトランスフォーマーで、重みは BF16 で公開されており、リポジトリ全体の重さは約 288 GB です。
モデルができること
H3 は、テキスト、画像、ビデオ、オーディオを入力として受け取り、24 fps で 4 ～ 15 秒のクリップを生成します。これには、モデルが画像と同期して自動的に合成する内蔵ステレオ オーディオが含まれます。基本解像度は短辺で768pです。ここでオーディオは別個の処理ステージではなく、同じモデルの一部です。リファレンスによって音声や音楽のリズムを設定できるため、通常のワークフローが著しく変わります。
2K について — 重要な注意点
宣伝されている 2K は、パイプラインのオープン部分から得られたものではありません。 Regenerate-2K と呼ばれる別のモジュールが解像度の向上を処理しますが、MiniMax はそれをリリースしませんでした。2K への正式なルートは、ローカルの 768p の結果を会社のクラウド API に送り返すことです。プロンプトと参照の複雑な組み合わせを解析するモジュールである Context-IR もオープンしていません。したがって、「すべてをローカルで実行する」ということは、現時点では「ベース生成を実行する」ことを意味します。
普通のパソコンでも対応できるのでしょうか？
ComfyUI チームは、ゼロ日目にサポートを追加し、実行を大幅に最適化しました。変調の重み (全パラメータの約 40%) がコンパクトなルックアップ テーブルに置き換えられ、int8 量子化により総フットプリントが 123.6 GB から 42.5 GB に縮小されました。システム RAM への動的なオフロードと組み合わせると、RTX 3060 のような控えめなカードでモデルを実行するには十分です。コミュニティはさらに進んで、5 ～ 6 GB の VRAM を搭載したカード向けの WanGP 構成が登場しました。これは、積極的な RAM オフロードを使用し、解像度を下げ、短いクリップあたりの時間を長くします。これらはコミュニティのレシピであり、公式の要件ではないことに注意してください。詳細はより柔らかく表示され、安定性は RAM サイズとディスク速度に依存します。完全な品質を実現するには、開発者は RTX 5090 などの最上位カードを推奨します。
ライセンス: これは通常の意味でのオープンソースではありません
ウェイトはオープンですが、条件付きのコミュニティ ライセンスに基づいて配布されます。商業利用は年間収益が 2,000 万ドル未満の企業に許可されています。大企業の場合は別途契約が必要です。そして重要なのは地理です。ライセンスは米国、欧州連合、英国、韓国のみをカバーしています。それ以外の場所で使用するには、MiniMax からの書面による許可が必要です。 「オープンウェイト」は正確な用語であり、「完全にオープンソース」ではありません。
本当にローカルでの実行が必要なのは誰ですか
プライバシー、大量の生成、または独自のデータの微調整が重要な場合、自己ホスト型インスタンスは理にかなっています。まさにオープン ウェイトによって可能になります。 GPU ファームや環境に手間をかけずに、高品質のクリップをすばやく作成したい場合は、クラウドの方が簡単です。 NeuralSpace ビデオセクション クリップは数回クリックするだけで作成できます。H3 自体でできることについては、 個別のレビュー.
よくある質問
MiniMax H3 にはどの GPU が必要ですか?
快適な作業のために、豊富なメモリを備えた最上位のカード。実際には、解像度と速度を犠牲にして、6 GB の VRAM 上でも ComfyUI と WanGP を介してベース生成を実行します。短いクリップには 10 ～ 15 分かかることがあります。
H3を商用利用できますか?
はい、会社の年間収益が 2,000 万ドル未満の場合、それがコミュニティ ライセンスの条件となります。大規模な組織の場合は、MiniMax との個別の契約が必要です。
H3 が完全にオープンソースではないのはなぜですか?
パイプラインのベース部分のみがオープンです。2K へのアップスケーリングと複雑な参照の解析のためのモジュールはクローズされたままで、ライセンスにより商用利用と地域が制限されます。