/icon.png){kind=icon}
MiniMax H3（Hailuo 03）でAI MVを作る：曲そのものをモデルに渡せば、映像は拍に追いつく
ここ2週間、小紅書（RED）で最もよく見かけるのは「MiniMax H3が来た、MVの仕上がりがすごい」という声です。2026年7月31日時点で、この盛り上がりはおおむね3つの数字を軸にしています。ネイティブ2K、1カット15秒、生成時の音声同時付与です。
しかし実際にAIミュージックビデオを作った経験があれば、この3つの数字が昨晩あなたを深夜2時まで悩ませた問題ではないことがわかるはずです。画質はすでにプラットフォームに投稿できる水準に達しています。実際にひっかかるのはたいてい別の2点です。サビを歌っているシーンで口の動きがまったく合っていないこと、そしてカットの切り替えとビートがそれぞれ独立して動き、まるで曲に無関係な短編映像をつけたようになることです。
H3が実際に解決できるのはこの2点であり、しかも話題性が最も低い機能がその鍵を握っています。この記事では発表会のスペック表を繰り返すのではなく、H3がMV制作のどの工程を解決するのか、そして今日からどう使うのかだけを答えます。
一、まずH3の事実を整理する
MiniMaxは2026年7月17日のWAIC 2026でHailuo 03を初めて公開し、対外的にはMiniMax H3とも呼ばれています。各所に散らばっている情報を一つの表にまとめます。
| 機能 | H3の実際の内容 |
|---|---|
| 解像度 | ネイティブ2K（2560×1440）。720pを先に生成してからアップスケールする方式ではない |
| 1カットの長さ | 最長15秒（最短5秒から） |
| 音声 | 生成時にセリフ・効果音・環境音を同時に生成し、後から別途アフレコする必要がない |
| 参照入力 | テキスト、参照画像、参照動画、参照音声を同時に入力できる |
| 利用可否 | 発表当初は一部のクリエイターパートナーのみのベータ版で、その後海螺（Hailuo）や提携プラットフォームで段階的に開放 |
スペックの詳細なまとめは、サードパーティによるHailuo H3モデル解説やMiniMax H3（Hailuo 3.0）2K動画解説を参照してください。ここでスペックを繰り返すことはしません。
実用ルール： 新しい動画モデルを見たら、まず解像度を見るのではなく「手持ちの素材を入力として使えるか」を確認しましょう。解像度は完成品をどこに投稿できるかを決め、参照能力は素材を何度も作り直す必要があるかどうかを決めます。
二、AI MVの本当の課題は画質ではなく、映像が音楽に追いつかないこと
MVを台無しにする原因は、多くの場合映像が汚いことではなく、映像と音楽が独立した2本のタイムラインになっていることです。
具体的には次の3つのパターンがあり、おそらくすべて経験があるはずです。
- 口の動きが合わない：画面の中で人物が歌っているが、明らかにこの曲を歌っていない。視聴者は3秒以内に興ざめします。
- 拍がずれる：サビが盛り上がるそのビートで、映像はまだ前の空カットのまま止まっている。カットが切り替わる頃には、ビートはすでに0.5秒過ぎています。
- 人物が変わる：同じ主人公なのに、4秒目と12秒目で顔が違う。それだけで作品全体の物語がバラバラになります。
従来の解決策はこれらを後処理に任せることでした。まず映像を生成し、その後手作業で位置合わせをし、口パクを手動で補正し、拍に合わせて手動でトリミングする——という流れです。問題は、1曲は通常数十カットで構成されており、手作業での位置合わせのコストは映像生成そのものよりもはるかに高いということです。これが大量のAI MVが最終的に「トランジションを付けただけの画像スライドショー」に成り下がる理由でもあります。
実用ルール： AI MVがプロフェッショナルかどうかを判断するには、1フレームの画質ではなく、サビの8秒間で何回カットが切り替わり、それぞれが拍にきちんと乗っているかを見てください。
三、H3で最も過小評価されている機能：曲そのものを入力にできる
H3の参照入力の一つに参照音声という機能があります。音声を直接モデルに渡し、それをもとに映像を生成させることができます。SunoMVでは、この機能の上限は最大3本の参照音声です。
MVを作る人にとって、この機能の意味はとても明確です。BGMに使うその曲自体が、そのまま入力になり得るのです。
- 人物の口の動きは、渡した音声に合わせて動かせます。モデルが勝手に口パクを作り出すのではありません。
- 映像のリズムには参照できる時間軸の基準ができます。「リズムに合わせて切り替える」というテキスト指示だけに頼って運任せにする必要はありません。
- 原曲のボーカルの質感を保ちたいカバー曲やライブ感のあるカットでも、後処理で1フレームずつ口パクを修正する必要がなくなります。
これは同時期の人気動画モデルとの最も現実的な分かれ目でもあります。マルチカットの物語構成、より長い尺、より速い生成——ここ数年多くのモデルが取り組んできました。しかし**「曲」をファーストクラスの入力として扱える**モデルは、選択肢の中でも依然として少数です。
実用ルール： 口の動きと感情を曲に合わせたいなら、生成段階で音声を入力しましょう。後処理で口パクを修正するのはコストが数倍に跳ね上がります。
四、参照画像9枚で顔を固定：15秒間ずっと同じ人物を保つ
H3のもう一つの機能は参照画像で、SunoMVでの上限は最大9枚です。この枚数がもたらす違いは「少し似ている」という程度ではなく、キャラクターを一貫させられるかどうかです。
参照画像1枚では1つの角度しか固定できません。9枚あれば正面、横顔、上半身、異なる光の当たり方、複数の衣装をカバーできます。モデルがこの人物の多面的な情報を持つことで、振り向きや動き、光の変化があっても急に別人になることがなくなります。さらに動きとカメラワークの参考になる参照動画を最大3本重ねれば、15秒のカットを最初から最後まで同じ人物が演じるものに仕上げるチャンスが生まれます。
キャラクターの一貫性はAI MVの中で最もコストのかかる工程です。方法論についてはAIミュージックビデオのキャラクター一貫性の手法でさらに詳しく解説しています。H3はこの工程のハードルを「画像を多めに用意する」だけにまで下げました。
五、H3を使うべきとき、使うべきでないとき
H3はフラッグシップ級で、画質が高い分コストも高く、全編をH3で作るのはほとんどの場合無駄です。「重要カット専用」として使うほうが効率的です。
| シーン | 推奨 |
|---|---|
| サビのクライマックス、人物のクローズアップ、口の動きがあるカット | H3を使用し、参照画像と参照音声を同時に渡す |
| 空カット、トランジション、雰囲気作り | より速く安価なプランを使い、浮いた分を重要カットに回す |
| 全体の構成を試す下書き段階 | 低コストのプランで一度通してから、構成が固まったらH3に切り替える |
| 5秒未満の短いカット | H3は最短でも5秒から。このようなカットは他のモデルに任せる |
同じMVの中で複数のモデルを使い分けるのは一般的な運用であり、妥協ではありません。少し前のバイトダンス（ByteDance）Seedanceのアップデートについても同様で、Seedanceのネイティブ4KがAIミュージックビデオにもたらす意味で同じトレードオフの分析をしています。
実用ルール： 1本のMVの予算はピラミッド型に配分すべきです。80%のカットは安価なプランで構成を作り、20%の重要カットはフラッグシップモデルで完成度を決めます。
六、今すぐSunoMVでH3を使ってMVを作る
ベータ版の公開を待つ必要はありません。SunoMVの動画モデル一覧では、Hailuo 03がすでに選択可能で、参照画像による顔固定、参照音声によるリップシンク、ネイティブ2K出力をすべて直接利用できます。
4ステップで実行できます。
- 曲を決める：AIで1曲生成するか、手持ちの音声をそのままアップロードします。音楽は作品全体の時間の骨格になります。
- 主人公の素材を用意する：同じ人物の複数アングルの画像を用意します。正面、横顔、異なる光の当たり方で数枚ずつ用意しましょう。
- 重要カットにHailuo 03を選ぶ：参照画像とそのフレーズのボーカルを一緒に渡します。それ以外のカットはより安価なプランを使います。
- 3トラックを揃えてから書き出す：歌詞を文字単位のタイムスタンプでタイムラインに配置し、映像・字幕・ビートを揃えてから書き出します。
歌詞と映像を文字単位で正確に合わせる方法は逐語同期リリックビデオ制作ガイドを参照してください。まず全体の流れを知りたい方は、このAIソングを完全なMVに仕上げるチュートリアルが入門として役立ちます。
よくある質問
Q：H3とHailuo 03は同じものですか？ A：はい。MiniMaxがWAIC 2026で発表したこの動画モデルの正式名称はHailuo 03で、対外的にはMiniMax H3と表記されることが多いです。
Q：参照音声を使うには、原曲のボーカルが必ず必要ですか？ A：必要ありません。AIが生成した曲も同様に参照音声として渡せます。重要なのは確定した音声データがあることであり、その出所ではありません。
Q：15秒で1本のMVを作るのに十分ですか？ A：1カットとしては十分です。3分のMVはもともと数十カットで構成されており、1カットあたり15秒はすでに長めです。多くの音楽カットは3〜8秒で切り替わるべきです。
Q：全編をH3だけで作るのは割に合いますか？ A：割に合いません。フラッグシップ級のプランで、消費コストは高速プランより明らかに高くなります。サビとクローズアップに使い、それ以外は安価なプランに任せるのが最もコストパフォーマンスの高い方法です。
Q：なぜ口の動きがまだ合わないのですか？ A：まずそのフレーズの音声を本当に参照として渡しているか確認してください。テキストの指示に「歌に合わせて」と書くだけでは効果がありません。モデルは音声データそのものを受け取る必要があります。リップシンクの一般的な方法についてはHailuoリップシンクガイドにさらに詳しい解説があります。
七、次のステップ
発表会の盛り上がりは1週間で過ぎ去りますが、「好きな曲をきちんとしたMVに仕上げる」ことのハードルは、実際に着実に下がり続けています。H3の価値はあの数字にあるのではなく、「音声」と「人物」を後処理の面倒事から生成段階の入力へと変えた点にあります。
今すぐSunoMV 音声から動画への生成ツールにアクセスし、Hailuo 03を選んで、最近ハマっているあの曲を放り込んで、サビの8秒間がどんな仕上がりになるか確かめてみてください。
—— SunoMV チーム