最新AI【MiniMax H3】VRAM 8GBで動かす！最速4STEP・爆速攻略スタートキット！

2026年8月17日 17:09

ローカル動画AIモデルは絶滅したかと思っていたら、
MiniMax H3がやってくれましたね！
ついに来たか！という感動のあまり、
いじくり回して動画にしてしまいました。
WANが重い腰を上げ、LTXが慌てて2.5をドロップしたり、
など、この影響は小さくないでしょう。GJ！

ということで、
本記事はyoutube動画の書き起こし版でして、セットアップのノウハウ部分だけを簡潔にお伝えしています。
※NOTEは動画ファイルを直接埋め込めませんので、作例動画はコチラをご参照ください。
　　　　　　　　　　　　↓　↓　↓

動画生成AIの歴史を塗り替える超話題のスーパーモデル「MiniMax H3」を、一般的なPC環境（VRAM 8GB〜16GB）で、しかもたった4ステップで爆速稼働させるためのスタートキットと完全攻略ガイドをお届けします！

「VRAMが足りなくて諦めていた」「動画作りが初めて」という方も、この記事通りにセットアップすれば、映像と高品質なステレオ音声が「一撃で」同時生成されるビックリ体験ができるはずですので、ぜひトライしてみてください。

1. 「MiniMax H3」が動画生成AIの歴史を塗り替えた理由

従来のローカル動画生成AIにはできなかった、（僕が）待ち望んでいた機能が「MiniMax H3」にはありました。

映像とステレオ音声の「完全同期・同時生成」：Webサービスの動画AIサービスと同レベルで、1つのプロンプトから、映像・セリフ・効果音・BGMが完全に同期した動画が一発で出力されます。
完璧な日本語リップシンク（口パク）：日本語を含む11言語のネイティブ会話に対応。キャラクターが話しているようなリアルに発音する口元の動きを生成します。
※個人的にはこれだけを待ってました！
イラストや動物も喋る：実写の人物だけでなく、2Dイラストやアニメキャラ、さらには犬やモンスターといったキャラクターもプロンプトだけで喋り出します。
完全無料・表現の自由：オープンモデルのため、ローカル環境なら完全無料・作り放題。商用モデレーションの検閲を気にせず自由な表現が可能！
なぜにこのシーンが弾かれちゃうの？きみ、おかしいんじゃないの？という妙な検閲が減るのでこれもとても重要！

2. 一般向けPCで動かすための「ハック＆チート」

本来、MiniMax H3の公式推奨モデルをまともに動かすには「VRAM 24GB以上」が必要で、必要モデルの合計サイズは50GBを超える超ウルトラモンスター級です。

（当然、僕のインテルArcの内蔵GPUは完敗です）

でも、
やってみたいじゃないですか（笑）
僕はColabで動かさざるをえませんが。。。

そこで、ムキになって、このスタートキット一式で、以下の「低VRAMハック」を取り入れ、VRAM 8GB〜12GB環境（外付けのRTX 3000/4000、Radeon、Intel Arcなど）でサクサク動くように、最小✕最速を目指してみたところ、

軽量GGUFモデルの採用：画質を維持しながら、VRAMへの負担を極限まで抑えたGGUF形式モデルを使用。
テキストエンコーダーの分割化：プロンプト解析用の巨大なテキストエンコーダーを「本体（Q4_K_M）」と「画像参照用（F16）」の2つに分割し、メモリパンクを回避。
4STEP・爆速ターボLoRAの導入：通常20ステップ以上かかる処理を、専用のターボLoRAによってわずか4〜6ステップで完了させます。

こんなワークフローなど、MiniMax H3を動かすための一式ができましたのでシェアいたします。

👉 【第18回】MiniMax H3 スタートキット・ファイル置き場

3. 【スタートキット】準備するもの・ダウンロード先一覧

以下の「6つのモデルファイル」と「3つのカスタムノード」をあらかじめ準備します。

⚠️ 【重要なお知らせ（避難ハック）】 8/17現在、カスタムノードの1つである ComfyUI-H3-Multishot の開発者リポジトリが404エラー（一時閉鎖）になっています。そのため、通常インストールができない方は、こちらで用意したバックアップ用ZIPファイルをご利用ください！

① 必要なモデルファイル

動画生成本体モデル（GGUF版）
- minimax_h3_fl2va_pruned_fp8_Q4_0.gguf
- ダウンロードリンク（molbal氏 Hugging Face）
- 👉 保存先：ComfyUI/models/diffusion_models/
テキストエンコーダー（2つ必須）
- ①本体：MiniMax-H3-encoder-Q4_K_M.gguf
- ②画像参照用：MiniMax-H3-encoder-mmproj-F16.gguf
- ダウンロードリンク（joeygambino氏 Hugging Face）
- 👉 保存先：ComfyUI/models/text_encoders/
VAE（映像・音声それぞれ1つずつ必要）
- ①音声用：minimax_h3_audio_vae_fp32.safetensors
- ②映像用：minimax_h3_video_vae_fp16.safetensors
- ダウンロードリンク（Comfy-Org Hugging Face）
- 👉 保存先：ComfyUI/models/vae/
ターボLoRAモデル
- minimax_h3_turbo_v4_step600_ema_pruned_comfyui.safetensors
- ダウンロードリンク（drbaph氏 Hugging Face）
- 👉 保存先：ComfyUI/models/loras/

② 必要なカスタムノード（git clone用）

[ 簡単なgit cloneのやり方 ]
ComfyUIの custom_nodes フォルダのアドレスバーに「cmd」と入力すると自動的にターミナルが起動しますので、以下のコマンドを実行します。

# ① ターボサンプラーノード
git clone --depth 1 https://github.com/Larryvrh/ComfyUI-MiniMax-H3-Turbo.git

# ② GGUFモデル読み込み用ノード
git clone --depth 1 https://github.com/city96/ComfyUI-GGUF.git

# ③ 動画＋音声の合体保存ノード
git clone --depth 1 https://github.com/Kosinkadink/ComfyUI-VideoHelperSuite.git

# ④ 各種お役立ちノード
git clone --depth 1 https://github.com/kijai/ComfyUI-KJNodes.git
git clone --depth 1 https://github.com/rgthree/rgthree-comfy

🚨 閉鎖中ノード「ComfyUI-H3-Multishot」の手動導入手順（避難用）

こちらからバックアップZIP をダウンロードします。
ZIPを解凍し、できた ComfyUI-H3-Multishot フォルダを ComfyUI/custom_nodes/ 内に直接保存します。
ComfyUIを再起動すれば準備完了です！

（ComfyUI-H3-Multishot が404中です。。。）
※https://github.com/jlucasmcrell/ComfyUI-H3-Multishot

4. 失敗しない！快適に動かすための「初回テスト設定」パラメータ

初めての生成で失敗画像（顔が伸びる、真っ黒になるなど）を出さないための、おすすめ初期設定値です。

サンプラー・LoRA：ダウンロードした「ターボLoRAモデル」を選択します。専用ノード MiniMaxH3TurboSampler が自動的に4ステップの超高速処理に最適化してくれます。
生成ステップ数（重要）：
- 理論上は 「4ステップ」 から生成可能。
  ですが、、、
- 「6ステップ以上」 に設定すると、画質と音声がさらに安定しやすくなるので、テスト段階でも「６」くらいがおすすめです。
解像度セレクター：初回は一番小さく軽い 0.2Mpx（608px ✕ 352px） で動作テストをしましょう。VRAMからあふれると生成に数十分かかります。
動画の長さ（Duration）：まずは 5秒でテスト。H3は最大15秒の動画を生成できますが、時間がかかるので失敗時のダメージがデカいです。
あと、10秒前後から「ドリフト（画像が徐々に崩れる現象）」が起きやすくなりますし。まず短めが推奨です。
フレームレート（fps）：H3の推奨値である 24 に設定。スムーズで滑らかな動画になります。

5. MiniMax H3専用「3ブロック・プロンプト構文」とAI自動化

映像と音声を同時に生成するため、H3のプロンプトには独自の「映画の脚本のような構造」が必要です。大きく分けて以下の3つの指示を1つにまとめます。

Shot 1 (0-3s): [映像の具体的な動きやカメラワーク、キャラクターのセリフ（話者タグ「S1」「S2」など）]
overall_soundscape: [効果音、エンジン音、環境音、物音など]
non_diegetic_music: [BGMのジャンル、映画音楽、楽器などの音楽指定]

✍️ 面倒な手書きを解決！「AIプロンプトメーカー」

慣れれば大丈夫かもですが、ぶっちゃけ、ゼロからこの書式で書くのも大変だなあと思いまして。
「英語で効果音やカメラワークまで書くのはめんどくさい！」という方のために、日本語で大まかな動画のイメージを入力すれば、H3書式のプロンプトを吐き出すGemini/ChatGPT/Claude用のシステムプロンプトをつくりました。
※これに関しては、めずらしくGeminiがいちばんちゃんと表現してくれるみたいです。

ファイル置き場から「AI用システムプロンプト」をゲットして、ChatGPTの最初の指示欄に貼り付け、あとは「戦闘機がUFOに遭遇して…」みたいに日本語で入力しますと、Minimax用の書式でプロンプトが出力されます！

6. ローカルムリ❗️クラウドで動かしたい！方は、
「Google Colab」でも、できMAX！

僕のように！「PCグラボのスペックが足りない」「どうしても重くて埒が明かない」という方のために、Google Colab用の起動ノートブック（.ipynb）をシェアします。

動作条件：ランタイムは L4 GPU 以上が必須（約1.54ユニット/時間）。
注意点：ファイル容量が非常に大きいため、起動まで最大20分程度かかることがあります。

🎁 配布ファイル置き場（ワークフロー・プロンプト・Colabコード）

今回使用した「T2V（テキストから動画）」「I2V（画像から動画）」の2つの軽量４STEPターボのComfyUIワークフロー、ChatGPT用システムプロンプト、Colab用ノートブックは、すべて以下のGoogleドライブからゲットしていただけます。