
MiniMax-H3-Imageの編集能力はモンスター級!2点を除きQwen-Image-2.1の上位互換かも?
2026年11月11日にオープンウェイトで公開されたMiniMax-H3-Imageは、画像生成だけでなく、参照画像を使った編集にも対応している。
そこで、先日書いたQwen-Image-2.1の編集検証記事と全く同じ画像、同じプロンプトで編集を試した。比較しやすいように、プロンプトは人間が書いたものだけを表示している。それをPEモデルのqwen3.5_9b_w4a8_qptq.safeyensorsが生成しやすいようにプロンプトに修正している。
T2I(テキストからの画像生成)の検証はこちらの記事に書いたので、気になる方は併せて読んでほしい。
MiniMax-H3-Imageとは
MiniMaxが公開した画像生成モデルで、同社のH3をベースにしている。画像生成部は33.1Bパラメータで、T2I、参照画像を使った生成、画像編集に対応する。最大16枚の参照画像を扱えるとされている。
Qwen-Image-2.1は7Bなので、パラメータ数では約4.7倍の差がある。
検証環境
GPU:RTX4070(VRAM 12GB)
RAM:64GB
OS:Windows11
ComfyUI:11月14日に最新へ更新したもの
ワークフロー:ComfyUI標準テンプレートをそのまま使用
モデル:int8版
画像サイズ:主に8MPを中心にして4096x4096まで
33.1Bもあるモデルだが、int8版ならVRAM 12GBのGPUでも普通に生成できる。
文字&ロゴ削除
生成AIで作成した、嫌がらせのように文字が書き込まれている架空のCDジャケットです。
【入力画像】

まずは、画像内にある大量の文字やロゴをどこまで消せるか試してみましょう。ちなみに、以前のテストでは「qwen-image2.1」がこの画像から文字を完璧に消してくれたので、今回も俄然やる気が出ています。
<Image 1>の文字とロゴを全てリムーブする【MiniMax-H3-Image結果】

いきなり失敗してしまい、「このモデルは使えないのだろうか?」と見切りをつけかけましたが、サイズを4096×4096から2048×2048へと落として再生成してみました。

結果として、Qwenと変わらぬクオリティで文字を消すことに成功しました。
この時点で削除はチャッピーの編集と並ぶ能力があると判断できます。
ただ、その後もMiniMaxはなかなかの確率で失敗します。とはいえ4kサイズ自体が原因というわけではなく、seedを変えて再生成すればうまくいきます。
Qwenの記事制作時はすべて一発で成功していたのに対し、MiniMaxは成功率が低めです。これがComfyUIのテンプレートワークフローで使っているプロンプト(PE)に原因があるのか、あるいはモデル自体の特性によるものかは、現時点では判断が難しいところです。
PCの場合は画像を1クリックしてチェックしたい部分を更にクリックすると、原寸大に拡大されます。スマホはタッチしてピンチインで拡大です。
アニメ
横向き&黄色いパンチラに変更
【入力画像】

<image 1> の アニメのキャラを黄色いパンティが少し見えるシーンにして顔を横向きにして
【MiniMax-H3-Image結果】

Qwenとはかなり異なる構図になり、顔に連動して身体も横を向いてしまいました。いろいろな編集系の画像生成モデルを試してきましたが、その中でもプロンプトが強く効きすぎる傾向があるようです。
スタバをコカ・コーラに変えて、夏服に変えてピースに変更
【入力画像】

<image 1> の アニメのキャラの服を夏服に変えて、ロゴをすべてコカ・コーラに変更して片手はピースにして、片手でカップを握っている変更
【MiniMax-H3-Image結果】

こちらは完璧な画像になっています。ロゴもピースも夏服もいい感じです。qwenでは指が一本消えていました。
パンチラを隠す
これはanimaの記事で生成した画像です。躍動感のあるいいジャンプですが、パンチラどころかパンティ全開放は使いづらいので編集してみましょう。
【入力画像】

<image 1> の アニメのキャラのポーズを変えないようにしてパンティをスカートでうまく隠しつつ、飛んでいる躍動感を失くさないよう
【MiniMax-H3-Image結果】

いいですね。問題なく編集ができます。animaは容易にNSFW画像になるので、アニメ画像の調整編集に使えますね。
SF風の服にショートカットに変更
【入力画像】

<image 1> の アニメキャラの髪型をショートカットにして服をSF風にして
【MiniMax-H3-Image結果】

顔の維持は怪しいです。何度かリトライすれば顔が維持できるかもしれません。画質はやはりいいです。
3枚の画像の4キャラを同じ空間に変更
【入力画像1〜3】

全てアニメ絵で <image 1> に2名のキャラの女性、<image 2>に1名のキャラの女性 <image 3>に1名キャラの女性がいるので 背景を変えたうえで、4名が同じ背景の空間の中に自然に存在するようにして
【MiniMax-H3-Image結果】

(※中央の子の右手がないと思いましたが、そもそもオリジナル画像にも描かれていません)
構図としてはQwenより優れています。入力に背景が無いので2名の画像をそのまま横に引き伸ばして残り二人を配置した画像になっています。この辺りも違和感がないです。
抹茶ラテを飲んでいる少女に変更
【入力画像1・2】

アニメ絵で <image 1> のキャラクターが椅子に座って <image 2> の抹茶ジュースをストローで飲んでいる絵に変えて、アニメキャラの色合いとマッチする喫茶店を背景にして
【MiniMax-H3-Image結果】

プロンプトの指示通りに描かれています。ただ、喫茶店のシーンであれば、手前にテーブルが欲しかったところです。明記していないので仕方がないですが、Qwenは同じプロンプトでテーブル付きだったので、このあたりはモデル本体の性能というより、プロンプトエンジニアリング(PE)の特性の違いによるものかもしれませんね。
10名画像入力
Qwenは10画像をバラバラに入力にしましたがminimaxでは今のワークフローで対応できないので1画像に10名入れて画像処理できるかをチェックします。使用するのは美少女オープンモデルの記事からのセレクションです。
【入力画像1枚に10名】

<image 1>は女性の顔写真です。この顔写真から10人が並んで立っている集合写真にしてください。【MiniMax-H3-Image結果】

遠近感まで無視してそのまま切り貼りしたような仕上がりになってしまい、縮尺がバラバラで違和感の強い画像になりました。それでも顔の一貫性は維持しています。
さすがの33.1Bパラメーターを誇るモデルでも、このレベルの空間調整を伴う編集は難しいようです。そこで、プロンプトに少し指示を工夫して調整してみたいと思います。
<image 1>は女性の顔写真です。この顔写真から10人が並んで立っている集合写真にしてください。
全員異なるイブニングドレスを着せてください。
遠近感はうまく統一できており、7~8名の顔の特徴も残したまま生成されています。これは難しい処理です。それと10人を詰め込んだのも凄い。Qwenは簡単にあきらめて人数を間引いていました。しかし、無理に詰め込み全員が12頭身ほどに引き伸ばされてしまい、まるでアスペクト比がおかしい昔の映画を見ているような仕上がりになりました。
構図を上下に分けたり、ひな壇を作って5名ずつ並べたりするなど、配置に工夫を加えればもう少しバランスの良い画像になったかもしれません。
顔入れ替え
オープンモデルでは過去まともに使えるものがなかった顔入れ替えをしてみましょう。(だからヘッドスワップ系LoRAなどが作られた)
いつもの画像比較の11枚のプロンプトで作った画像を使います。顔は適当に生成したものです。
【入力画像1・2】

<image 1> の身体を <image 2> の顔に入れ替えて
【MiniMax-H3-Image結果】

顔の一貫性という点ではかなり高性能です。Qwenも同様ですが、顔が少し浮いた感じがするのは仕方がありません。これもフェイススワップではなくヘッドスワップになっています。
動画でキーフレームを作る際のキャラクター維持に使えそうです。
天候変化
いつもの11枚の土砂降り画像を晴れにしてみましょう。
【入力画像】

<Image 1> の 雨を晴れにして
【MiniMax-H3-Image結果】

雨を消した処理も、シャツのウェット感を失くした処理もうまいです。顔の一貫性の維持は少し怪しいです。背景を変えているのでこのモデルはQwenの一部を修正する変更ではなくチャッピーやflux2の編集のように全て描き直している可能性があります。あと初回に雨のまま変更できず、失敗してseedを変えてリトライした画像でした。
吹き出し
吹き出しに文字を入れてみましょう。
【入力画像】

<Image 1>の漫画の吹き出しに「こんにちは、お元気ですか?」と日本語を入れて
【MiniMax-H3-Image結果】

普通に書くとやはり横書きですね。では縦書きにしましょう。
<Image 1>の漫画の吹き出しに「こんにちは、お元気ですか?」と縦書きで日本語を入れて
【MiniMax-H3-Image結果】

Qwen同様このあたりも余裕です。では筆者のキャラクターのペンギンちゃんにもう少し長めのセリフをつけてみましょう。
【入力画像】

<image 1> の キャラクターに吹き出しをつけて 縦書きで "みんな元気ですか?いつも頑張っています。いいねをしていってね" と描いてください。吹き出しの場所が足りないので画面を広くして
【MiniMax-H3-Image結果】

日本語もかなり流暢です。高画質なので文字も滲まず綺麗に見えますね。この辺りも4096x4096の高画質が生成できる恩恵です。
いろいろ加工
顔だけの写真から全身写真へ
今回もフリー素材美女の河村さんのお顔を拝借して、全身写真にしましょう。要はアウトペイントです。
【入力画像】

この人物の顔を持したまま、全身写真にして。服装だけシャツとホットパンツに変更。カメラは正面から少し右、屋外の駅前 画像は9:16です。高画質にして
【MiniMax-H3-Image結果】

顔だけの画像から全身へアウトペイントするのはかなり難易度が高い処理ですが、若干頭が大きい気もしますが身体とのバランスは綺麗にまとまっています。
ただ、指定したホットパンツがブルマになってしまいました。こればかりは筆者の好みではなく、プロンプトエンジニアリング(PE)かモデル本体のクセによるものです。
また、少し横を向けたかったのですが思った以上に真横を向いてしまったため、今回は別の正面を向いた採用画像を使います。

こちらの方が頭身のバランスがあっています。
やはりブルマにしてしまいますが、ホットパンツに修正するのが面倒なので、そのまま使います。
くれぐれも筆者の好みというわけではありません。
1980年代アイドル風に変更
<image 1> の 女性を1980年代アイドル風に変えて
【MiniMax-H3-Image結果】

顔は何とか維持しているようです。ただ服と髪型がおそらく80年代アイドル風ではないようです。おそらくこのモデルに日本の80年代アイドルスタイルが学習されていないのでしょう。
2人の集合記念写真にする
元の立ち姿と、適当に画像生成したビキニ美人を入力に、集合記念写真に変えてみます。
【入力画像】

<image 1> の 女性を笑顔にして制服に着替えて <image 2> の 女性と肩を組んで富士山をバックに記念撮影している自然なシーンにして
【MiniMax-H3-Image結果】

顔の肌感については、あと一歩といった印象です。河村さんは良い感じに再現できていますが、もう一人のビキニ女性の輪郭が丸顔に変わってしまいました。それとオリジナルはさらさら黒髪が黒いナイロン糸のような質感です。
seedによるばらつきの可能性もありますが、顔の一貫性を維持する精度はQwenの方が高いのかもしれません。もっとも、このあたりはある程度枚数を出してサンプル数を増やさないと断定はできないところです。
ただ、今回はQwenのときのように河村さんの顔が大きく見えてしまう現象も起きなかった、太陽を当てなくても同一空間に存在しているように描く構図はこちらの方が強いようです。顔のサイズは調整不要なので、次は前回と同様に太陽光を当てる編集を試してみましょう。
<image 1> の 女性二人の前から太陽光が当たって後ろに影を作って
【MiniMax-H3-Image結果】

光の当たり方も前の画像でうまく出ていたので、光源の追加で明るくなりすぎて、素材として使い辛いためこの画像は捨てて、前の画像を次の入力に採用します。
40代の顔に変更
ジョークで2人を40代に変えてみる。
<image 1> の 女性二人を40代の顔に変化させて【MiniMax-H3-Image結果】

2回クリックしてズームするとわかりますが、画質が高い分Qwenに比べて、皺が深すぎます。顔の肌に関しては極端になりバランスをとるのが苦手です。
横向きにする
次は若い方の画像の二人を横に向けます。
<image 1> の 女性二人を横に向けて
【MiniMax-H3-Image結果】

河村さんの横顔はいい感じです。横顔って難しいんです。真横にして、ここまで描けるのは凄いです。
殴り合いの喧嘩にする
<image 1> の 殴り合いの喧嘩をする二人にして。背景はそのままです。顔は横を向きます
【MiniMax-H3-Image結果】

Qwenもそうでしたが、殴り合いのけんかにするのは難しいようです。
高画質化
この手の編集は高画質化で顔を変えてしまうものですがMiniMax-H3-Imageではどうでしょう。
【入力画像】

<image 1> 顔を超高画質化にして
【MiniMax-H3-Image結果】

顔の一貫性をしっかり維持したまま高画質化できており、その精度はQwenといい勝負です。
肌の質感がリアルすぎて、過剰に描き込まれています。やはり顔の肌表現に関しては、粗くなったりリアルになったり極端な出力になる傾向があるようです。プロンプト次第でしっかり書き込んでくれるのは、リアル志向の方には刺さる編集能力かもしれません。
顔の角度変更
<image 1> の顔を少し横に向ける【MiniMax-H3-Image結果】

ひとつ前の画像は使わず、Qwenで高画質化した画像を横向きにする編集を試したところ、顔の一貫性がいい感じに維持されました。肌の質感(粒子感)もこれはいいバランスです。
ただ、「少し横に向ける」つもりが真横を向いてしまったため、相変わらずプロンプトの指示が強めに効いてしまう傾向があるようです。
顔融合
有名女優 x 有名女優 x 有名女優を融合させてみました。20代女優の誰かは想像してください。
<image 1>と<image 2>と<image 3> 顔をマージして美女を作成して。眉毛と目は<image 1>で<image 2>は口で<image 3>は鼻です。
【MiniMax-H3-Image結果】

Qwenの出力とはかなり印象が異なる女性になりました。鼻はご本人とあまり似ていないものの、目や口元には特徴がしっかり残っています。
肌の質感は非常にリアルに生成されています。これはいいバランスの肌に見えますしQwenではここまの再現はできないでしょう。
海
チャッピーに生成させた画像の海にミニチュア感があるので修正させてみましょう。
【入力画像】

<image 1> の海をもっとリアルにして
【MiniMax-H3-Image結果】

これはさすが33.1Bパラメーターモデルといった出来栄えです。岩に打ち寄せる波の泡や船の航跡による白波、そして波全体のうねりに至るまで、コンピューターが生成したような不自然な規則性がまったく見当たりません。
実写からアニメ化
特にLoRAを使わなくてもできるようです。
<image 1> 実写の女性をアニメ絵に変えて【MiniMax-H3-Image結果】

Qwenに比べて目を大きくする傾向が強いようです。その分似顔絵としての特徴が薄れてしまい、元が誰なのか分からない人がいます。実写からのアニメ化については、Qwenに軍配が上がります。これもプロンプトの書き方次第なのかもしれません。
今回の「融合美女」はこの中から3名を選んで合成していますが、この仕上がりでは誰がベースになっているのか判別が難しいため、正解を推測してみたい方はぜひ過去の「Qwen編集の記事」もあわせてご覧ください。
サムネイル制作
11枚画像の1枚を、動画からキャプチャーしたサムネ用画像に見立てて作成してみましょう。
【入力画像】

<image 1> Youtubeのサムネイルにします。上部には赤枠白抜きの目立つエフェクトの入ったフォントで "着物着付け入門" 下部には "あなたも今日から着付けのプロだ!" とテロップを入れて。なおライティングで女性の髪を綺麗に輝かせて
【MiniMax-H3-Image結果】

これも一発目はミスをしました。女性を上のテロップから避けようとして、ずらすのを失敗しているのがわかります。seedを変えて再生成すると女性の位置を下げ、うまく完成させました。

髪のライティングエフェクトも美しく効いていますし顔の一貫性も維持できています。テロップも綺麗です。
但し原画に上部のテロップ分継ぎ足した画像になったので、動画としてアスペクト比があっていません。サムネに使うならあらかじめテロップを入れる場所から顔の位置を外した画像を選択するのがよさそうです。
古い写真の高画質&カラー化
【入力画像】

<image 1> の女性を超高画質化して、現代のカラー化して
【MiniMax-H3-Image結果】

顔の維持も出来ていますし、この辺りもぬかりなく生成できます。
総括:Qwen-Image-2.1との比較
さすがにパラメータ数が33.1Bあるモデルだけあって、7BパラメータのQwen-Image-2.1よりかなり強い部分がありました。
画像のコメントでは文句が多かったですが(笑)、成功した画像のクオリティは高かったです。
特に別々の人物をまとめる場合に構図の質はQwenよりMiniMax-H3-Imageの方が上に感じました。
しかも、33.1Bもあるのにint8モデルを使えばVRAM 12GBのGPUで4096x4096が普通に生成できるのが強みです。
筆者の環境の生成時間はPEに2分、生成に1分弱といった感じでした。
顔の一貫性についてはminimaxもQwenもシードガチャの要素があります。minimaxの方が少し確率が悪い気がしますが、サンプル枚数が少ないのであくまで印象です。
タイトルの気になる2点というのは、
- プロンプトの指示が強く出てしまう
- Qwenより失敗が多い
指示への追従性が極端になってしまう背景には、ベースの質感(肌の質感など)が影響している可能性があります。
メリット: 効果が強く、はっきりと反映されること
デメリット: 失敗や極端な出力が多くなりやすいこと
こうした課題は、公式のプロンプトの書き方のテンプレートを読み込ませたクラウドAIや、そこそこ優秀なオープンモデルにプロンプトエンジニアリング(PE)を任せることで、解決できるかもしれません。(未確認)
アニメ編集はQwenを使った方が扱いやすい気がします。
筆者は途中の加工はQwenで、仕上げにminimaxを使おうと考えています。
最後に、今回使ったComfyUIのテンプレートのワークフローだと参照画像が1枚制限になってしまい、2枚以上の入力ができません。
そこで、入力画像のノードを2つ追加し、それぞれをサンプラー方面とLLM方面へと接続するように変更しました。さらに、1枚目のサンプルから自動でサイズを算出していたノードを削除し、画像サイズを手動で入力して生成できるようにしました。
関連記事