メインコンテンツへスキップ
見出し画像

【MiniMax H3】動画生成モデルを画像生成モデルにしたP-H3-Imageが登場!アニメ絵生成と画像編集を試してみた

    こんにちは、かみもとです!

    動画生成モデルのMiniMax H3をベースにした、画像生成・編集モデル「P-H3-Image」がPrunaAIから公開されました!動画生成モデルなのに「画像生成」って、面白いですよねー。でも、動画も静止画のパラパラ漫画だと思えば、1枚だけ作る=静止画作成モデルにも使えるのは自然な流れではありますね。

    公式の紹介では、8ステップで約800万画素の画像生成に対応し、画像編集もできるとのこと。

    そこで今回は、RTX 4070 12GBで、黒髪お団子の女性をアニメ調で3パターン生成してみました!さらに、手持ちのアニメ絵3枚を使って、服や小物の色、髪型を編集してみました。

    結果からいうと、約800万画素のt2i生成は約43〜56秒、約400万画素の画像編集は約36秒で完了しました!編集作業についても結構精度良く編集できていましたー。

    今回は、導入方法とワークフロー、実際の生成結果を紹介しますー。

    P-H3-Imageはどんなモデル?

    P-H3-Imageは、MiniMax H3をベースにした静止画専用の生成・編集モデルです。動画や音声を作るモデルではありません。

    公式が挙げている主な特徴は、次のとおりです。

    • テキストからの画像生成と、画像を入力した編集に対応。

    • 8ステップ、CFGなしで生成。

    • 約800万画素の画像生成に対応。正方形なら2912×2912が推奨サイズ。

    • 編集時は最大8枚の入力画像に対応。1枚目を編集対象、残りを参照画像として利用。

    • 短い依頼を詳しいプロンプトへ展開する、Qwen3.5-9Bベースのプロンプト拡張モデルも用意。

    • ComfyUI向けにはbf16、int8、w4a8のモデルを配布。

    公式説明では、実写・映画風・エディトリアル写真などを得意としつつ、アニメのテレビ画面風の表現も対応範囲に入っています。今回は、その中からアニメ絵を試しています。

    なお、公式が示している量子化版の約800万画素生成時のピークVRAMは約21GBです。今回の12GBでの動作は、ComfyUIの標準オフロードを使った結果で、すべてをVRAM内に載せた状態ではありません。メインメモリは約48GBの環境です。

    ComfyUIへの導入方法

    1.P-H3-Image対応のComfyUIへ更新

    P-H3-ImageはComfyUIの標準ノードで利用できます。専用のカスタムノードは不要です。

    配布元のREADMEでは、対応コードが入った最新版への更新が案内されています。今回の動作確認はComfyUI v0.44.0で行いました。更新時は、ComfyUI本体に加えて、その版が要求する依存パッケージも更新してください。

    Gitで管理している環境なら、ComfyUIフォルダで次のように更新します。ポータブル版などは、それぞれの更新手順を使ってください。

    git pull

    2.モデルを3種類ダウンロード

    今回使ったのは、以下の組み合わせです。

    • 拡散モデル:p-h3-image_w4a8.safetensors → ComfyUI/models/diffusion_models/

    • テキストエンコーダ:p-h3-image_text_encoder_w4a8.safetensors → ComfyUI/models/text_encoders/

    • VAE:p-h3-image_vae_int8_convrot.safetensors → ComfyUI/models/vae/

    3ファイルの合計は約20.1GBです。配布ページの各フォルダからダウンロードして配置します。

    ComfyUI版のモデル配布先・導入手順

    Hugging FaceのCLIを導入済みなら、ComfyUIフォルダの1つ上の階層で、次のコマンドでも取得できます。

    hf download PrunaAI/P-H3-Image-Comfy --include "diffusion_models/p-h3-image_w4a8.safetensors" "text_encoders/p-h3-image_text_encoder_w4a8.safetensors" "vae/p-h3-image_vae_int8_convrot.safetensors" --local-dir ComfyUI/models

    公式の作例ではプロンプト拡張モデルも使いますが、今回の検証では追加せず、詳しく書いたプロンプトを直接入力しています。この使い方もモデルページで説明されています。

    短い依頼から使いたい場合は、配布元の拡張モデル付きワークフローを参照してください。モデルの利用条件は、配布元のライセンスも確認してくださいね。

    ComfyUIワークフロー

    ワークフローはPrunaAIの配布したものを使えば良いです。v0.44.0のComfyUIであればテンプレートにもあるかもしれません。

    PrunaAI配布の公式ワークフロー

    公式には、通常モデル用のt2i・編集用と、既存のMiniMax H3にLoRAを適用する版が用意されています。今回は、P-H3-Imageの量子化モデルを直接読み込む方を使いました。

    基本の流れは、次のようになります。

    1. Load Diffusion Model、Load CLIP、Load VAEで各モデルを読み込む。CLIPの種類はminimax。

    2. ModelSamplingMiniMaxH3の動画・音声のshiftを、どちらも1.0にする。

    3. p-h3-image Conditioningにプロンプト、解像度、編集時は画像とVAEを渡す。

    4. ManualSigmasで公式の8ステップの列を指定し、BasicGuider、euler、SamplerCustomAdvancedで生成する。

    5. VAEでデコードして画像を保存する。

    通常の動画用H3の設定をそのまま使うのではなく、P-H3-Image用のshiftとsigma列を使う点が要所ですね。

    今回の実行条件に合わせて、プロンプト拡張を外した掲載用ワークフローも用意しました。ComfyUIへJSONを読み込み、モデル名が選択されていることを確認してください。

    プロンプトから画像を生成するワークフロー:

    画像を入力して画像を生成するワークフロー(画像編集):

    t2iはp-h3-image Conditioningのプロンプトを変更して実行します。編集用はLoad Imageで画像を選び、変更したい内容と、残したい内容を書き分けます。

    添付の編集用は、今回の縦長画像に合わせて1664×2432に設定しています。別の比率の画像を使う場合は、出力の幅・高さも元画像に合わせて変更してください。両方を0にすると、ノードが入力画像の比率を基に出力サイズを決めます(今回の固定サイズとは異なります)。

    黒髪お団子の女性を3パターン生成

    今回のt2i条件はこちらです。

    • GPU:RTX 4070 12GB、標準オフロード使用。

    • モデル:拡散モデルとテキストエンコーダはw4a8、VAEはint8。

    • 解像度:2912×2912。

    • 生成:8ステップ、Euler、CFGなし。

    • プロンプト拡張:なし。各パターン1回ずつ生成。

    3枚はそれぞれ異なるプロンプト・シードです。同じキャラクターの固定を比較したものではなく、「黒髪お団子の成人女性」という共通条件で、場面を変えた作例になります。

    春のカフェ

    桜が見える窓辺で、クリーム色のカーディガンを着た女性が白いカップを持つ場面です。

    画像

    黒髪のお団子、服の色、白いカップ、桜の背景が反映されています。アニメっぽい塗り方ですねー。画風は好みがあると思いますが、プロンプト通りの画像が生成されています。解像度については2912x2912という超解像度なので、画像が粗い部分はないですね。

    夏祭りの浴衣

    紺の花柄浴衣と赤い帯、うちわ、提灯のある夏祭りを指定しました。

    画像

    浴衣の柄や髪型、提灯の光が出ています。一方で、「文字なし」と指定していても、背景の屋台には文字や疑似文字が出てきました。背景まで指示どおりとはいかないですね。なんらか指示したほうが良いかもしれません。それでも夜の提灯の雰囲気などは高画質で良いですね!

    夕暮れの街

    緑の上着と茶色のショルダーバッグを身につけ、夕暮れの橋で振り向く場面です。

    画像

    こちらも髪型、服、小物、夕景の指定が反映されました。3パターンとも、今回指定したアニメの画面風の絵柄で出力されています。こんなアニメシーンありそう!それくらいいい感じの生成結果になっています。

    手持ちのアニメ絵を画像編集

    続いて、手持ちの画像から3枚を選び、1枚ずつ編集しました。

    入力は1248×1824、出力は縦横比を維持した1664×2432です。各画像に対して、変える部分だけでなく「顔・ポーズ・背景・元のアニメ調を保つ」といった条件も記載しています。

    下の比較は、左が元画像、右が編集結果です。上から、スーツ、ドレス、スマホの順に並べています。

    画像

    上段では、黒いスーツを紺色、黒いネクタイをえんじ色へ変更しました。顔や座ったポーズ、植物とブラインドの背景を概ね保ったまま、指定した色が変わっています。

    中段では、黒いドレスをエメラルドグリーンへ、髪型を黒髪のお団子へ変更。出力のドレスは明るい青緑寄りになりましたが、顔やアクセサリー、部屋の構図は概ね残っています。

    下段は、ピンクのスマホケースを水色、赤いネクタイを紺色へ変更しました。鏡越しの構図や顔、光輪は概ね保たれています。

    正直、ここまで編集に強いとは思いませんでしたが、プロンプト通り編集できています。動画生成モデルを応用することでここまで対応できるもんなんですねー。

    しかも面白いのは「入力は1248×1824、出力は縦横比を維持した1664×2432」なので、画像編集だけでなくアップスケールにも使えるということです!これは強い。

    なお、実際に使った6件のプロンプトとシードはこちらにまとめました。参考までー。

    生成時間はどれくらい?

    今回の実測は次のとおりでした。

    • 春のカフェ:56.13秒。

    • 夏祭りの浴衣:43.27秒。

    • 夕暮れの街:42.91秒。

    • スーツの編集:35.84秒。

    • ドレスと髪型の編集:35.87秒。

    • スマホとネクタイの編集:36.07秒。

    時間は生成の受付から画像保存処理の完了までです。最初のカフェには初回のモデル読み込みを含みます。プロンプト拡張の時間は含みません。

    t2iと編集では解像度が違い、各条件1回の測定なので、両者の速度差をそのまま性能比較には使えません。今回は、この12GB環境で1枚を試す際の所要時間の目安として見てくださいー。

    まとめ

    今回は、P-H3-Imageでアニメ絵の生成と画像編集を試してみました!

    • RTX 4070 12GBでも、量子化版と標準オフロードで生成できた。

    • 約800万画素のアニメ絵を、8ステップ・約43〜56秒で生成。

    • 画像編集では、顔や構図を概ね残しながら色や髪型を変更できた。

    • 手・背景の文字・編集時の細部の変化は確認が必要。

    今回はw4a8版だけの確認で、bf16版との画質比較や、複数画像を使った編集までは試していません。まずは「H3ベースのモデルで、静止画生成と編集の両方を動かせた」という検証です。

    動画で使ってきたH3が、画像の生成や編集にも広がってきました。今後の使い道も楽しみですねー!


    最後まで読んでいただき、ありがとうございました!

    もしこの記事が「面白かった」と思っていただけたら、ぜひ画面下の【スキ(ハートマーク)】を押していただけると嬉しいです!

    これからもローカルAIの面白い検証や実践ノウハウをお届けしていきますので、ぜひフォローもよろしくお願いいたします!


     
     
    かみもと ひろた(神下紘汰)。ソフトウェアエンジニア+R&Dエンジニア。Codex + Claude使い(Geminiはオマケ)。コスパの良いRTX4070のローカル環境で画像生成・音声生成・LLMを実行させたり、アプリ開発したり、最新技術のフォローアップをしたりします。

    あなたへのおすすめ