MiniMax H3-Image（ミニマックス・エイチスリー・イメージ）は、MiniMaxが発表した画像生成モデルで、テキストからの画像生成と参考画像を使った画像編集の両方をこなします。しかもモデルの重み（weights）まで公開されるオープンウェイトという形での登場です。
室谷代表取締役MiniMax H3-Imageは、MiniMaxが発表した画像生成モデルで、テキストから画像を作る文生図と、参考画像を渡して指示どおりに描き替える画像編集の両方を担うモデルなんですよね。発表と同時にモデルの重みを公開する「オープンウェイト」で出てきたのがポイントで・・・。
テキトー教師DotAI 認定講師単に新しい画像モデルが出たという話じゃないんですよ。MiniMaxは動画のH3というマルチモーダル基盤を持っていて、その画像版という位置づけで出してきた。
しかもAPIだけでなく重みまで配る。開発者にとっては選択肢が増える発表です。
しかもAPIだけでなく重みまで配る。開発者にとっては選択肢が増える発表です。
MiniMax H3-Imageとは？何が発表されたのか
MiniMax H3-Image 発表の要点
1600万画素
4096×4096（約1670万画素）の4K×4K生成に対応。出力面積の上限は20,000,000画素
10〜20秒
4K×4Kの画像を10〜20秒で生成
オープンウェイト
重みが公開されるオープンウェイト形式
面積档位は3段階
1K（1024×1024）、2K（2048×2048）、4K（4096×4096）
H3の画像版
テキスト・画像・動画・音声を扱う汎用マルチモーダル生成モデルH3の上に構築。H3本体は2Kの音声付き動画を最大15秒生成
タスク分断の解消
T2I・編集・被写体参照・スタイル参照などタスクごとに分断されていた画像生成を統合する方向で設計
3つを同時に
クリエイターはスピード・品質・コントロールのどれかを諦めるべきではない、というメッセージ
室谷代表取締役発表文を読むと、まず押さえるべきは3つの数字ですかね。1600万画素、10〜20秒、オープンウェイト。
この3つが並んでいるのが今回の売りなんですよ。
この3つが並んでいるのが今回の売りなんですよ。
テキトー教師DotAI 認定講師1600万画素というのは、4096×4096でおよそ1670万画素ですから、いわゆる4K×4Kの生成に対応するという意味ですね。そこを10〜20秒で出す、と。
ドキュメント側では出力面積の上限が20,000,000画素と書かれていて、面積档位は1K（1024×1024）、2K（2048×2048）、4K（4096×4096）の3段階です。
ドキュメント側では出力面積の上限が20,000,000画素と書かれていて、面積档位は1K（1024×1024）、2K（2048×2048）、4K（4096×4096）の3段階です。
室谷代表取締役で、これH3というモデルの上に作られている、と。H3自体はテキスト・画像・動画・音声をまとめて扱う汎用のマルチモーダル生成モデルで、2Kの音声付き動画を最大15秒出せるという話なんですよね。
その画像側を担うのがH3-Imageという理解でいいと思います。
その画像側を担うのがH3-Imageという理解でいいと思います。
テキトー教師DotAI 認定講師公式ブログのH3の説明を読むと、これまで画像生成はT2I、編集、被写体参照、スタイル参照みたいにタスクごとに専門モデルへ分断されていた、という問題意識が書かれているんですよ。H3はその分断を解消する方向で設計されていて、H3-Imageはその考え方を画像で具体化したもの、と位置づけられます。
室谷代表取締役そこはMiniMax H3とは？音声付き動画の料金・商用利用の条件とローカル実行の限界でも整理してますが、H3本体は動画が主役なんですよね。今回はその画像版が単体で出てきた、という順番で捉えると分かりやすいです。
テキトー教師DotAI 認定講師あと発表元の言い回しで面白いのが、クリエイターはスピード・品質・コントロールのどれかを諦めるべきではない、というメッセージなんですよ。この3つを同時に立てにきたのが今回の発表の芯ですね。
MiniMax H3-Imageでできること――4K画像生成と16枚参照の画像編集
MiniMax H3-Imageでできること
文生図
プロンプトから画像を生成。単回で1〜10枚、出力はjpeg/png/webp。
画像編集(最大16枚参照)
参考画像1〜16枚+指示文から新画像を生成。参考画像は公網URL・アップロード済みファイルID・Base64データURIで指定可。OpenAI SDKのimages.editにも対応。
サイズ指定が2通り
アスペクト比(1:3〜3:1)+面積档位(1K/2K/4K)の組み合わせ、または幅×高さの直接指定。2つ同時送信は400エラー。
長いプロンプト対応
最大32000文字。ただしPrompt拡張オフ時は約4096トークンのみ読む。
Prompt拡張の挙動
編集では常にオンで切れない。文生図は既定オン、disable_prompt_enhanced=trueでオフ可(その場合はサイズかアスペクト比の指定必須、無いと400)。
フォトリアル志向
細部の作り込みとフォトリアルさ、AIっぽさを出さないことを主張。
未対応機能
プレビュー画像、マスクを使った部分編集、透明背景は未対応。
室谷代表取締役機能を整理すると、文生図と画像編集の2本柱です。文生図はプロンプトから画像を作る。
画像編集は参考画像と指示文から新しい画像を作る。ドキュメントでは編集の参考画像が1〜16枚まで指定できると書かれています。
画像編集は参考画像と指示文から新しい画像を作る。ドキュメントでは編集の参考画像が1〜16枚まで指定できると書かれています。
テキトー教師DotAI 認定講師16枚というのはかなり多いですよね。しかも参考画像は公網URLでも、アップロード済みファイルのIDでも、Base64のデータURIでも渡せる。
OpenAI SDKのimages.editでファイルをそのままアップロードする使い方も用意されています。
OpenAI SDKのimages.editでファイルをそのままアップロードする使い方も用意されています。
室谷代表取締役出力まわりも細かくて、サイズの指定が2通りあるんですよ。ひとつはアスペクト比と面積档位の組み合わせ。
もうひとつは幅×高さの直接指定。この2つを同時に送ると400エラーが返るので、そこは実装時に注意ですね。
もうひとつは幅×高さの直接指定。この2つを同時に送ると400エラーが返るので、そこは実装時に注意ですね。
テキトー教師DotAI 認定講師アスペクト比は1:3から3:1の範囲で指定できて、areaは1K・2K・4K。2Kで16:9を選ぶと2720×1536になる、という例がドキュメントに載っています。
あと単回で1〜10枚まで生成できて、出力形式はjpeg、png、webpから選べます。
あと単回で1〜10枚まで生成できて、出力形式はjpeg、png、webpから選べます。
室谷代表取締役品質の話で言うと、発表文には「Incredible detail and photorealism, without the typical "AI look."」とあります。細部の作り込みとフォトリアルさ、しかもよくあるAIっぽさを出さない、という主張なんですよね。
作例の評価は実際に見て判断するしかないですが、方向性としてはフォトリアルな描写に振っていると読めます。
作例の評価は実際に見て判断するしかないですが、方向性としてはフォトリアルな描写に振っていると読めます。
テキトー教師DotAI 認定講師指示追従性が強いというのも発表文の柱です。プロンプトは最大32000文字まで受け付けるんですが、Prompt拡張をオフにすると約4096トークンしか読まない、という制約もあるんですよ。
長い指示を書くなら拡張をオンにしたままのほうがよさそうです。
長い指示を書くなら拡張をオンにしたままのほうがよさそうです。
室谷代表取締役あと地味に大事なのが、編集ではPrompt拡張が常にオンで切れないこと。文生図は既定でオンで、disable_prompt_enhancedをtrueにすれば切れますが、その場合はサイズかアスペクト比を必ず指定しないと400が返る。
この挙動は覚えておいたほうがいいですね。
この挙動は覚えておいたほうがいいですね。
テキトー教師DotAI 認定講師できないことも明確に書かれています。プレビュー画像、マスクを使った部分編集、透明背景は未対応。
ここは過度な期待をしないほうがいい部分です。
ここは過度な期待をしないほうがいい部分です。
MiniMax H3-Imageの使い方・始め方――API・MCode・Hailuo AIの3経路
MiniMax H3-Imageの3つの入口
API
- MiniMax開放平台から利用
- 文生図: POST /v1/images/generations
- 画像編集: POST /v1/images/edits
- 同期インターフェース(stream=trueでSSE)
- 冪等性なし・再試行で二重課金に注意
- OpenAI SDKはmax_retries=0推奨
- サーバー最長待ち600秒→クライアントも600秒以上に
- 入力テキスト/入力画像/出力画像をトークン単価で課金
MCode
- MiniMax Code(エージェント型作業環境)から利用
室谷代表取締役使い方の入口は3つ。API、MCode、Hailuo AIです。
APIはMiniMaxの開放平台から叩く形で、エンドポイントは文生図がPOST /v1/images/generations、画像編集がPOST /v1/images/edits。どちらも同期インターフェースです。
APIはMiniMaxの開放平台から叩く形で、エンドポイントは文生図がPOST /v1/images/generations、画像編集がPOST /v1/images/edits。どちらも同期インターフェースです。
テキトー教師DotAI 認定講師同期というのは、リクエストを投げたら生成が終わるまで待つ方式ということですね。streamをtrueにすると、1枚できあがるごとにSSEで結果が push されてくる。
順番は完成順なので、image_indexで区別してください、と。
順番は完成順なので、image_indexで区別してください、と。
室谷代表取締役ここで実装者がハマりやすいのが冪等性がないことなんですよ。リクエストを送ったあと、クライアント側がタイムアウトしたり接続が切れたりしても、サーバー側は生成を完遂して課金される。
で、再試行するとまた生成されて二重課金になる。
で、再試行するとまた生成されて二重課金になる。
テキトー教師DotAI 認定講師しかもOpenAI SDKは接続エラー、タイムアウト、429、5xxのときに自動で2回リトライするのが既定なんですよ。max_retries=0に設定してください、とドキュメントに明記されています。
サーバー側の最長待ちは600秒なので、クライアントのタイムアウトも600秒以上にしておく。
サーバー側の最長待ちは600秒なので、クライアントのタイムアウトも600秒以上にしておく。
室谷代表取締役これはMYUUUでも同じで、画像生成のAPIを組むときはリトライ設計を最初に決めるんですよね。便利だからと既定のまま回すと、気づいたら課金が膨らんでいた、という事故が起きる。
今回のドキュメントはそこを親切に書いてくれています。
今回のドキュメントはそこを親切に書いてくれています。
テキトー教師DotAI 認定講師料金の考え方もAPI経由ならではです。入力テキスト、入力画像、出力画像がそれぞれトークン単価で課金される。
だから解像度を上げれば必ず高くなるとは限らない、と注記されているんですよ。テキストのトークン消費が変動するからですね。
だから解像度を上げれば必ず高くなるとは限らない、と注記されているんですよ。テキストのトークン消費が変動するからですね。
室谷代表取締役もうひとつの入口がMCode。MiniMax Codeというエージェント型の作業環境から使える形ですね。
そしてHailuo AI。こちらはMiniMaxのクリエイティブ向けプロダクトの入口という理解でいいと思います。
そしてHailuo AI。こちらはMiniMaxのクリエイティブ向けプロダクトの入口という理解でいいと思います。
テキトー教師DotAI 認定講師開発者以外はHailuo AIから試して、プロダクションに組み込むならAPI、という順番が素直ですね。なお、動画パッケージはH3に非対応で、H3を使うならAPIの従量課金か個別契約が必要、と料金ページに書かれています。
画像についても同じで、パッケージではなくAPIの従量課金が基本線です。
画像についても同じで、パッケージではなくAPIの従量課金が基本線です。
MiniMax H3-Imageの料金と提供範囲――ローンチ週50%オフはいつまでか
室谷代表取締役料金ページを見ると、MiniMax-H3-Imageの標準版は入力テキストが100万トークンあたり2.30ドル、入力画像が1.50ドル、出力画像が3.80ドル。高速版のMiniMax-H3-Image-Highspeedは入力テキスト2.30ドル、入力画像3.00ドル、出力画像7.60ドルという設定です。
テキトー教師DotAI 認定講師で、実際の1枚あたりの例が親切に載っているんですよ。標準版の文生図だと、1Kが約0.02179ドル、2Kが約0.02333ドル、4Kが約0.06879ドル。
4Kでも7セント弱という水準ですね。
4Kでも7セント弱という水準ですね。
室谷代表取締役編集はどうなってますか。
テキトー教師DotAI 認定講師参考画像1枚で4K出力の場合が約0.07312ドル。参考画像3枚で4K出力だと約0.07914ドルです。
高速版は4Kの文生図で約0.13001ドル、参考画像1枚の4K編集で約0.13673ドル。標準版のおよそ2倍という関係ですね。
高速版は4Kの文生図で約0.13001ドル、参考画像1枚の4K編集で約0.13673ドル。標準版のおよそ2倍という関係ですね。
室谷代表取締役ここは整理しておきましょうか。数字が多くて読みにくいので。
テキトー教師DotAI 認定講師そうですね、表にするとこうです。
| 項目 | MiniMax-H3-Image（標準） | MiniMax-H3-Image-Highspeed |
|---|---|---|
| 入力テキスト | 2.30ドル / 100万トークン | 2.30ドル / 100万トークン |
| 入力画像 | 1.50ドル / 100万トークン | 3.00ドル / 100万トークン |
| 出力画像 | 3.80ドル / 100万トークン | 7.60ドル / 100万トークン |
| 文生図1Kの例 | 約0.02179ドル | 約0.03622ドル |
| 文生図4Kの例 | 約0.06879ドル | 約0.13001ドル |
| 編集（参考1枚・4K）の例 | 約0.07312ドル | 約0.13673ドル |
室谷代表取締役ただしこの例はあくまで参考値で、実際の請求はトークン使用量に基づく、と注記されています。固定の1枚単価ではないので、そこは誤解しないほうがいいですね。
テキトー教師DotAI 認定講師レート制限も見ておきましょう。IPM、つまり毎分生成できる枚数が標準版で500、高速版で60。
同じモデルの文生図と編集はこの枠を共有していて、1リクエストでn枚生成するとn枚分カウントされる、という仕組みです。
同じモデルの文生図と編集はこの枠を共有していて、1リクエストでn枚生成するとn枚分カウントされる、という仕組みです。
室谷代表取締役そしてローンチ週の50%オフ。発表文には「16 million pixel+ generations during launch week」が50%オフと書かれています。
1600万画素以上の生成、つまり4K相当の生成が対象という理解ですね。
1600万画素以上の生成、つまり4K相当の生成が対象という理解ですね。
テキトー教師DotAI 認定講師ただ、いつまでがローンチ週なのかは、今回の資料からは読み取れないんですよ。現時点では終了日が明らかにされていません。
だから大きいサイズを試すなら早めに、という判断になりますね。
だから大きいサイズを試すなら早めに、という判断になりますね。
室谷代表取締役あと前世代のimage-01 / image-01-liveは1枚0.0035ドルという安さでした。単純比較すると新モデルは上がっていますが、あちらはRPM10・TPM60という制限があって、4Kも16枚参照もできなかった。
用途が違うので、単価だけで新旧を比べるのは乱暴なんですよね。
用途が違うので、単価だけで新旧を比べるのは乱暴なんですよね。
オープンウェイト公開の意味――自前運用とHugging Faceでの入手
室谷代表取締役今回いちばん大きいのがここで。モデルの重みを公開する、と。
Hugging Faceへのリンクも貼られているんですが・・・実は資料のHugging Faceページは404で、現時点では実物が確認できていません。
Hugging Faceへのリンクも貼られているんですが・・・実は資料のHugging Faceページは404で、現時点では実物が確認できていません。
テキトー教師DotAI 認定講師そこは正確に伝えないといけないところですね。発表では重み公開を告知しているが、提示されたページは404だった、と。
公開の準備中なのか、URLが変わったのかは現時点では明らかにされていません。
公開の準備中なのか、URLが変わったのかは現時点では明らかにされていません。
室谷代表取締役ただ、オープンウェイトで出る意味は大きいんですよ。APIだけだと、レート制限と料金と提供終了リスクに縛られる。
重みがあれば自前の環境で動かせるし、ファインチューニングもできる。可用性の設計が根本から変わってくるんですよね。
重みがあれば自前の環境で動かせるし、ファインチューニングもできる。可用性の設計が根本から変わってくるんですよね。
テキトー教師DotAI 認定講師公式ブログも、重み公開の狙いとしてオープンソースコミュニティへの支援、より広いAIハードウェアとの互換性の加速、ユーザーが自分用のカスタム版を作りやすくすることを挙げています。H3の設計初期からハードウェア互換性を重視してきた、とも書かれています。
室谷代表取締役動画生成は長くクローズドソースのモデルが支配していて、反復が遅くエコシステムが閉鎖的だった、という問題提起もブログにあります。画像側でも同じことをやるよ、という宣言なんですよね。
テキトー教師DotAI 認定講師自前運用を検討するなら、まずHugging Faceの公開状況を確認して、ライセンス条件を読む。そのうえで、手元のGPUで4K相当が出せるかを試す、という順番ですね。
ライセンスの内容は今回の資料では確認できていないので、公開ページで必ず確認してください。
ライセンスの内容は今回の資料では確認できていないので、公開ページで必ず確認してください。
室谷代表取締役速さ・品質・コントロールをどう両立したか――発表元の狙い
テキトー教師DotAI 認定講師ここはH3全体の技術的な考え方を知ると理解が深まります。ブログによると、H3はContextual Omni Representationという考え方で、言語を汎化の橋渡しにしているんですよ。
タスクを固定の集合に閉じ込めず、自然言語で参照や編集の関係を表現する。
タスクを固定の集合に閉じ込めず、自然言語で参照や編集の関係を表現する。
室谷代表取締役だから指示追従性が強く出る、と。H3-VAEでトークナイザを一新して、高い圧縮率で実効的な系列長を4倍に伸ばし、学習と推論のコストを大きく下げた。
これが2Kのネイティブ対応を支える技術だと。
これが2Kのネイティブ対応を支える技術だと。
テキトー教師DotAI 認定講師さらにH3-Omni Transformerでは、理解と生成のワークロードを分離する学習アーキテクチャを採用して、エンドツーエンドで学習スループットが約30%上がったと書かれています。
室谷代表取締役高解像度化の考え方も面白いんですよ。従来みたいに専用の超解像モジュールを足すのではなく、H3のベースモデルが自分の低解像度出力をin-contextで再生成する。
元のマルチモーダルな文脈をもう一度参照できるから、小さな文字や細部のディテールも復元しやすい、と。
元のマルチモーダルな文脈をもう一度参照できるから、小さな文字や細部のディテールも復元しやすい、と。
テキトー教師DotAI 認定講師これが「4K×4Kを10〜20秒」という速度と品質の両立につながっている、という説明ですね。従来の生成モデルが抱えていたタスク分断を解消する、という第一原理が根っこにある。
室谷代表取締役発表元は今後についても正直で、H3にはまだ伸びしろがあると。次のHシリーズではMシリーズの能力を統合する予定、モデルサイズも拡大の余地がある、視覚的な細部もさらに高めていく、と書いています。
テキトー教師DotAI 認定講師現時点のH3-Imageが完成形ではなく、伸びしろ込みで公開されたというのは、導入判断の材料になりますよね。すぐ本番に使うより、まず検証環境で試すのが現実的です。
室谷代表取締役画像生成の選択肢を比較したい人は、ChatGPT Imageの完全ガイド【2026年最新】：画像生成・編集・解析・GPT Image 1.5まで徹底解説も読むと、何を基準に選ぶべきかが見えてきますよ。API連携の実装はCursorとChatGPT（OpenAI API）連携完全ガイド【2026年最新】：APIキー設定・料金・Slack連携まで徹底解説が参考になります。
よくある質問
室谷代表取締役ここからは、よく聞かれそうな点を整理していきましょう。
テキトー教師DotAI 認定講師まず「MiniMax H3-Imageとは何か」ですが、MiniMaxが発表した画像生成モデルで、H3をベースに画像生成向けに適応したものです。文生図と画像編集の両方を担い、モデルの重みも公開されるオープンウェイトとして登場しました。
室谷代表取締役「H3本体との違いは？」というのも多いですね。H3はテキスト・画像・動画・音声を扱う汎用のマルチモーダル生成モデルで、動画生成が主役です。
H3-Imageはその画像側のタスクを担うモデル、という関係になります。
H3-Imageはその画像側のタスクを担うモデル、という関係になります。
テキトー教師DotAI 認定講師「性能スペックは？」については、出力面積の上限が20,000,000画素、面積档位が1K・2K・4K、発表文では4K×4Kを10〜20秒で生成するとされています。モデルサイズやステップ数の詳細は今回の資料には書かれていません。
室谷代表取締役「無料で使えるのか、ライセンスは？」については、重みが公開される予定であることは発表されていますが、Hugging Faceのページは404で実物が確認できておらず、ライセンス条件も今回の資料では確認できていません。公開ページで確認が必要です。
テキトー教師DotAI 認定講師「APIの料金は？」は、標準版で出力画像が100万トークンあたり3.80ドル、例として文生図4Kが約0.06879ドルです。ローンチ週は1600万画素以上の生成が50%オフですが、終了日は現時点では明らかにされていません。
室谷代表取締役「どんな画風が得意か」は、発表文では細部の作り込みとフォトリアルさ、AIっぽさのない描写を挙げています。それ以上の細かい作風の分類は資料に書かれていないので、実際に生成して確かめるのが確実ですね。
テキトー教師DotAI 認定講師「注意点は？」として、同期APIで冪等性がなく再試行で再課金されること、プレビュー画像・マスクによる部分編集・透明背景が未対応であること、動画パッケージがH3非対応であること。この3つは導入前に必ず押さえてください。
室谷代表取締役まとめると、今日試す価値があるのは、4K相当の高解像度と16枚参照の編集をAPIで回したい人、そしてオープンウェイト前提で自前運用を視野に入れている開発者なんですよね。まずはローンチ週の割引があるうちに、小さめの検証から始めるのがいいと思います。
テキトー教師DotAI 認定講師
