
12GBでキャラが喋る22.6秒アニメ。MiniMax H3とTTSの設定全部公開
自分のキャラにセリフを言わせて、カラーで動く動画を作りたい人向けの記録だ。クラウドの動画生成サービスは月額が高いし、プロンプトの自由度も効かない。手持ちのPCだけで22.6秒のフルカラー動画(セリフ4つ・字幕・効果音つき)を作り終え、設定値は全部残した。

完成動画がこれ
主人公は自作のオリジナルキャラ、26歳の会社員「紬」。帰宅から缶ビールで乾杯までの4カットである。音声はセリフが前面、環境音は裏に薄く敷いただけ。
動画生成は全部で15回走って合計約70分。一度で決まれば18分に縮む計算だ。判断は上の完成動画を見てからで構わない。
この記事から持ち帰れるもの
キーフレーム4枚のプロンプト全文とパラメータ
MiniMax H3(オープンウェイトの動画生成モデル)のプロンプト全文テンプレ
セリフ音声を作るIrodori-TTSの設定と実測秒数
字幕焼き込み(ASS)とffmpeg合成の完成コマンド
数値QAの合格基準と実測値、12フレームグリッド検査の手順
あなたのPCがRTX 3060 12GBクラスなら、そのまま同じ設定で動く。
必要な環境
| 項目 | 値 |
|---|---|
| GPU | 12GB(実機はRTX 3060 12GB、メモリ32GB) |
| ComfyUI | 0.42.0 |
| 動画モデル | MiniMax H3 オープンウェイト(fl2va pruned_int8_convrot)+ turbo 8step LoRA |
| 静止画モデル | SDXL系(私は waiIllustriousHSWQ_v170Base を使用) |
| 音声 | Irodori-TTS(セリフ音声用・ローカル) |
MiniMax H3 のローカル生成物を商用利用する場合は Comfy 側のライセンスが必要だ(https://comfy.org/minimax/license )。記事6にも同じ注記を付けた。
手順の全体地図
工程は6つに割れる。
1. SDXLでキーフレームを1カット1枚ずつ生成(4枚)
2. MiniMax H3で1枚ずつ動画化(キーフレーム1枚から5〜7秒)
3. Irodori-TTSでセリフ4本を音声化
4. ffmpeg ASSで字幕を描画し、動画に焼き込み
5. xfadeでカットを繋いで1本に合成
6. 数値QAと12フレーム内容確認で合否を出す動画化まで30分もかからない。本当の勝負は最後の検査だ。数値が全部合格でも絵が溶けていることがあった。この話は後の失敗例で書く。
最初に詰まった3箇所
1. キーフレームの「手に缶」がSDXLで3連敗
ソファで缶を掲げる絵を作りたかったのに、seedを変えても缶はテーブルに置かれたまま。4回目は生成をやめ、Qwen-Image-Editで「持っている指の形を変えず、黒い缶を握らせる」局所編集に切り替えた。249秒で「缶の有無以外完全一致」の絵が返っている。
生成で3回出ないものは、編集に回したほうが早い。
2. 数値検査を全合格した動画が、絵として壊れていた
初版は字幕も色差も口の開閉も全部合格。なのに12フレームを等間隔に抜いて並べた途端、冷蔵庫の庫内の品が毎フレーム増減融合、鞄が本に溶ける、缶がボトルに化けていた。
数値検査だけでは物体の時間破綻は捕まらない。以後、全カットにグリッド検査を必須にした。
3. 静止寄りだと口が動かない
物体が溶けないよう「ほぼ静止・鞄静止・庫内不変」とプロンプトを締めた瞬間、口の開閉が基準の3回を割る。口だけ動かすのはモデルなので、「話す時の口の大げさな動き+小さなくらうなずき」まで指定して両立させた。