Pollo AIでMiniMax H3を試してみた｜Seedance 2.5との比較もしました

はじめに

こんにちは、ネココです🐾
前回はPollo AIで「Seedance 2.5」を使い、30秒の実写風ストーリーやアニメ、バトル動画などを作ってみました。
今回は、新しくMiniMax H3を試してみます。
MiniMax H3は、最大15秒の動画を生成でき、映像だけでなくステレオ音声も同時に生成できる動画モデルです。MiniMax H3公式では最大2K、24fps、32kHzステレオ音声に対応し、日本語を含む複数言語の会話にも対応すると案内されています。
Pollo AIでもMiniMax H3は利用でき、「ネイティブ音声」と「マルチショット生成」が特徴として紹介されています。
今回は、

• Seedance 2.5との比較動画

• 日本語セリフ入りのミニドラマ

• 調理音を活かした料理動画

• ナレーション入りの商品CM

を作って、MiniMax H3を実際に試してみます。

👉 Pollo AI 公式サイト

MiniMax H3とは？

MiniMax H3は、テキストだけでなく、画像・動画・音声などをまとめて扱えるマルチモーダル動画生成モデルです。
大きな特徴は、動画と音を一緒に作れること。
たとえば、
「雨の音がする街で人物が話す」
「缶を開けた瞬間にプシュッと音がする」
「熱い鉄板からジュージュー音がする」
といった、映像と音を組み合わせた動画を一度に作ることができます。
MiniMax H3公式によると、生成時間は4〜15秒、9:16を含むさまざまな比率に対応しています。
前回使ったSeedance 2.5は最大30秒の長めの動画や多数の参照素材を使った制作に強く、一方MiniMax H3は最大15秒ながら、ネイティブステレオ音声を使った短い動画に向いている、という違いがあります。
そこでまず、同じような映像を作って違いを見てみることにしました。
使用方法はSeedance 2.5とほぼ同じ感じです。

1. Seedance 2.5とMiniMax H3を比較してみる

前回Seedance 2.5で作ったのが、夕暮れの崩壊都市を舞台にした高速アニメバトルです。
黒髪の女性剣士と白髪の男性槍使いが、
対峙
↓
激突
↓
連続斬撃
↓
空中回避
↓
衝撃波
↓
決着の余韻
という流れで戦います。
Seedance 2.5では30秒の動画として作りました。
前回のSeedance 2.5動画👇

今回は、同じキャラクターや参照画像、同じ6つの流れを使い、MiniMax H3向けに15秒へ圧縮して生成してみました。

今回のMiniMax H3動画👇

比較してみて

当たり前ですけど同じ内容でも、30秒と15秒ではかなりテンポが変わります。
Seedance 2.5版は、それぞれの場面に時間を使えるので、ストーリーや動きをゆっくり見せやすい印象。
MiniMax H3版は、同じ6シーンを15秒にまとめているため、よりテンポの速いショート動画になりました。
クオリティはほぼ同じ感じがします。
参照画像のとおりにしっかり動画ができています。
ここは単純に「どちらが上」というより、
長めのストーリーを作りたいのか
短時間でテンポよく見せたいのか
で使い分けるのがよさそうです。

2. 日本語セリフ入りミニドラマ「最後の一本」

次は、MiniMax H3の音声生成を活かして、15秒のミニドラマを作ってみます。
タイトルは、
「最後の一本」
雨の夜。
閉店間際の小さなパン屋に、雨に濡れた女性が入ってきます。
主人公
「いつものパン、まだあります？」
店員
「ありますよ。ちょうど最後の一つです。」
パンを受け取った主人公が、
「よかった……！」
とほっとする、小さな物語です。

参照画像

今回は4つの場面に合わせて参照画像を用意しました。

0〜4秒　入店
4〜8秒　最後の一本
8〜12秒　紙袋を受け取る
12〜15秒　傘をさして雨の街へ
という構成です。
店内にはほかの種類のパンが残っていても、「主人公がいつも買っているパン」は最後の一つ、という設定にしました。
また、店員が商品を素手で扱わないよう、トングとトレーを使う参照画像も用意しています。

完成動画👇

この作例では、

• 日本語のセリフ

• 雨音

• ドアベル

• 足音

• トングの音

• 紙袋の音

など、映像と音を一緒にどこまで自然に作れるかを試しています。

3. 調理音を主役に「深夜の鉄板ナポリタン」

次はセリフを使わず、音そのものを主役にした料理動画を作ってみました。
テーマは、
「深夜の鉄板ナポリタン」
昔ながらの洋食店で、ナポリタンを作っていく15秒動画です。

4つの調理工程

0〜4秒
ソーセージ、玉ねぎ、ピーマンを炒める。
4〜8秒
麺とケチャップを加え、フライパンで炒める。
8〜12秒
完成したナポリタンを熱々の鉄板へ。
12〜15秒
粉チーズをかけて完成。

今回はBGMもナレーションも使わず、
ジュッ！
ジュワァァッ！
ジュージュー……
といった調理音を中心にしました。
特に、ナポリタンを熱い鉄板へ移した瞬間の音が、映像とうまく同期するか気になるところです。

完成動画👇

こちらも参照画像通りの動画に仕上がりました😊

4. 架空商品の15秒CMも作ってみる

最後は、実際の広告を想定した商品CMです。
架空の炭酸飲料、
「LUMINA SODA（ルミナ・ソーダ）」
を作ってみました。
商品は、深いメタリックブルーの缶。
冷たい青い光、水滴、氷、炭酸の泡を使って、高級感のあるCMを目指します。

CMの構成

0〜3秒
冷えた缶が登場。
3〜6秒
プルタブを開ける。
6〜10秒
氷の入ったグラスへ注ぐ。
10〜15秒
缶とグラスを並べた商品カット。

今回は効果音だけでなく、CMらしい日本語ナレーションも入れてみました。
たとえば、
「夜にひらく、新しい爽快感。」
「ひと口で、気分まで弾ける。」
「LUMINA SODA。夜を、もっと輝かせよう。」
という短いナレーションです。
開栓時の「プシュッ！」、炭酸のシュワシュワ音、グラスの氷が鳴る「カラン」という音も指定しています。

完成動画👇

なんとなくアルコールっぽいですけどジュースですよ！
炭酸飲料です😁
架空の商品ですけどね😁

MiniMax H3を使って感じたこと

今回のMiniMax H3では、映像そのものだけでなく、
「音を含めて15秒をどう作るか」
を意識して動画を作りました。
前回のSeedance 2.5では、30秒という長さを利用して複数シーンのストーリーを組み立てました。
一方、MiniMax H3では15秒という短い時間の中で、

• セリフ

• 環境音

• 効果音

• ナレーション

• 複数カット

を組み合わせられるのが面白いところです。
特に今回の3つの作例は、
「最後の一本」＝会話と環境音
「深夜の鉄板ナポリタン」＝調理音
「LUMINA SODA」＝CMナレーションと効果音
と、それぞれ違う使い方を試しました。

Seedance 2.5とMiniMax H3、どちらを使う？

今回両方を使ってみて感じるのは、用途によって選ぶのがよさそうだということです。
Seedance 2.5は最大30秒の動画に対応しているため、ある程度長さのあるストーリーや、複数の場面をゆっくり見せたい場合に使いやすいです。
MiniMax H3は最大15秒ですが、映像とステレオ音声を同時生成できるため、CM、SNS動画、短いドラマなど、音を含めた短尺コンテンツとの相性がよさそうです。
どちらか一方だけを使うというより、
長めの映像ならSeedance 2.5
音付きの短い動画ならMiniMax H3
というように使い分けるのも面白そうです。

まとめ

今回はPollo AIでMiniMax H3を使い、Seedance 2.5との比較と、3種類の音付き15秒動画を作ってみました。
MiniMax H3は、映像だけではなく、
「どんな音を入れるか」
まで考えてプロンプトを作れるのが面白いモデルです。
日本語セリフを使ったミニドラマ。
ジュージューという音を活かした料理動画。
ナレーションと炭酸音を組み合わせた商品CM。
同じ15秒でも、音の使い方によってかなり違う動画を作れます。
これまでAI動画では映像ばかりを考えることが多かったのですが、これからは、
「何を見せるか」＋「何を聞かせるか」
まで考えることで、動画の作り方がさらに広がりそうです😊

おまけ

今回のおまけは、ペットインタビューです。

完成した動画👇

ウマネコがインタビューされてますね🎙️

👉 Pollo AI 公式サイト

🐾 関連記事はこちらもどうぞ！

ぜひ前回のSeedance 2.5の記事も合わせてお読みください👇

今までにPollo AIを紹介した記事のnoteマガジンのリンクです👇

ここまでお読みいただき、ありがとうございました🐾

#PolloAI #MiniMaxH3 #AI動画生成 #動画生成AI #生成AI #AI動画 #AIで作ってみた #動画制作