同じ 10 本のプロンプトを 2 つのモデルで — API の Wan 3.0 と、手元の GPU の MiniMax H3

Wan 3.0 でつくるキービジュアル (1) では、Alibaba Cloud の公式ガイドが勧める書き方のプロンプトで、トロフィーの写真 1 枚から 10 本のティザー動画を作りました。今回は同じ写真と同じ 10 本のプロンプトを、20 GB の GPU 1 枚の ComfyUI で動かす MiniMax H3 に渡し、結果を並べました。
先に結論を書きます。ロゴと文字を崩さず、布や光を大胆に動かすのは H3。カメラの指示に従い、約 3 倍速いのは Wan です。
動かすのに必要なものも違います。AICU API の Wan は鍵だけで動き、GPU は要らず、3 本を同時に回せます。元のロゴを last_frame に渡せば、崩れていないロゴで終わらせることもできます。H3 はメモリ 20 GB ほどの GPU が要り、1 本に約 8 分かかります。ライセンスは EU・英国・韓国・米国を対象から除いています。
比べた条件
| Wan 3.0 | MiniMax H3 | |
|---|---|---|
| 動かす場所 | AICU API(wan3.0-video) | 自前の GPU 上の ComfyUI(NVIDIA RTX 4000 Ada・20 GB) |
| 入力 | トロフィー写真(1671×941)を first_frame に | 同じ写真を 1088×608 に切り抜き、first_frame だけ(最後のコマなし) |
| 解像度・長さ | 720p・5 秒(10 番は 10 秒) | 1088×608・124 コマ = 5.2 秒(10 番は 243 コマ = 10.1 秒)・24 fps |
| 設定 | 既定値 | 20 ステップ・サンプラー res_multistep・seed 20261113 |
| 音 | 生成する | 生成する |
| 1 本あたりの時間 | 111〜204 秒・同時に 3 本まで | 481〜501 秒(5 秒)・1,342 秒(10 秒)・1 本ずつ |
| 費用 | 720p で 1 秒 1,400 AP。5 秒 1 本で 7,000 AP、10 本で 77,000 AP。GPU は不要 | AP はかからないが、メモリ 20 GB ほどの GPU が要る(今回は自前の機材) |
| 失敗 | 0 本 | 0 本 |
H3 の length は 5 + 17n コマでなければならないので、5 秒は 124 コマ(5.17 秒)、10 秒は 243 コマ(10.1 秒)になります。5 秒のときの VRAM のピークは 17〜19 GB でした。10 秒の動画もメモリ不足にならずに生成できました。
プロンプトは Wan の記事のものとまったく同じです。公式ガイドの「画像から動画 = 動き + カメラワーク」の式に沿って書いたもので、H3 向けには調整していません。
ComfyUI のワークフロー
H3 は ComfyUI の標準ノード(ComfyUI 0.30.0 以降)で動きます。ワークフローは短く、4 つのモデルファイルを読み込み、MiniMaxH3ImageToVideo → サンプラー → 映像と音声のデコード → 保存、という流れです。API 形式の JSON はここからダウンロードできます。プロンプトと画像名を書き換えて使ってください: h3-i2v-api.json
| ノード | 設定 |
|---|---|
UNETLoader | minimax_h3_fl2va_pruned_int8_convrot.safetensors |
CLIPLoader | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors・type minimax |
VAELoader × 2 | minimax_h3_video_vae_fp16.safetensors・minimax_h3_audio_vae_fp32.safetensors |
MiniMaxH3ImageToVideo | prompt・width 1088・height 608・length 124・first_frame |
CreateVideo | 24 fps・デコードした音声つき |
モデルファイルは Hugging Face の Comfy-Org/MiniMax-H3 にあります。H3 は MiniMax H3 Community License Agreement で公開されており、一部の地域(EU・英国・韓国・米国)が対象から除かれています。使う前にライセンスを読んでください。
10 通りの結果
どの比較でも、上の段が Wan 3.0、下の段が MiniMax H3 で、1 秒ごとのコマを左から並べています。各比較の下の動画は H3 です。Wan の動画は元の記事にあります。
01 依頼文をそのまま
A teaser video that evokes shimmering radiance, wind, influence, intelligence, history,
authority, creativity, and contribution to the community.

Wan は自分でカットを割りました(引き → 寄り → 引き)。H3 は 1 つのショットのままで、布が揺れ、先端にフレアが灯ります。抽象的な言葉だけだと、H3 は「写真がそっと動く」動画に落ち着きます。
02 基本の式(動き+カメラ)
Sunlight shimmers across the facets of the crystal trophy, and the white cloth ripples gently
in the breeze. The camera slowly pushes in.

Wan ははっきり寄っていきます。H3 は少ししか寄りません。布やカットの面の光は、H3 のほうが Wan よりよく動きます。
03 ゆらめく輝き
Golden caustic light dances and ripples across the white cloth around the trophy, and a soft
lens flare pulses at its tip. Backlight, rim light, warm tones. Fixed camera.

カメラを止めると、2 つはよく似た結果になります。H3 はプロンプトのとおり先端のフレアが脈打ちながら大きくなり、最後は画面全体にやわらかいレンズフレアがかかって終わります。どちらもループ素材の有力な候補です。
04 風
A gust of wind sweeps across the scene: the white cloth billows in slow waves, the leaves behind
sway, and dappled light flickers over the crystal. The camera moves slowly to the left.

H3 の一番よい結果です。 布が大きく波打ち、カメラが左へ流れます。Wan も布を動かしますが、「一陣の風」に見えるのは H3 の動きのほうです。トロフィーと文字は最後まで崩れません。
05 権威(ローアングル)
The trophy stands still and solemn as the light grows stronger along its edges. Low-angle shot,
the camera slowly pushes in and tilts up toward the glowing tip. Side light, high contrast.

一番差が出たパターンです。 Wan は寄りながら見上げ、光る先端で終わります。H3 はカメラをほとんど動かさず、先端のフレアが強くなるだけです。決まったカメラワークが必要なら、それを出せるのは Wan です。
06 歴史(タイムラプス)
Time-lapse photography: the shadow of the trophy sweeps slowly across the white cloth as the
light shifts from bright morning white to deep sunset gold. Fixed camera.

どちらも白い光から夕方の金色へ変わります。Wan はトロフィーの形と合わない帯のような影を描きます。H3 は終盤に金色になり、布の陰影も変わりますが、影が布の上をはっきり横切っていく様子は見えません。
07 知性(光の回路)
Inside the crystal, fine lines of light trace and branch like a network, rising slowly from the
base to the tip, while refracted light glints across its facets. Orbiting camera movement, a slow
arc of less than 30 degrees.

Wan は書いたとおり、根元から光の線でトロフィーを満たしていきます。H3 は最後の 1〜2 秒に線をうっすら見せるだけです。 H3 は写真に無いものを足さない傾向があり、その代わりに文字は読めるまま残ります。
08 コミュニティ(広がる光)
Small sparks of golden light spread outward from the base of the trophy across the cloth like
ripples, multiplying as they travel toward the edges of the frame. The camera slowly pulls out
to reveal the whole scene.

2 つはプロンプトを違うふうに読みました。Wan は同心円を描き、カメラを大きく引くので、文字が読めなくなります。H3 は放射状の光の筋を布の上で画面の端へ広げ、トロフィーは大きいままです。「外へ広がる」に近いのは H3 のほうです。
09 音の式(効果音+BGM)
The white cloth ripples in the wind and light shimmers across the crystal trophy. Sound: wind
rustling through the leaves, a clear crystal chime as a flare passes the tip, and a slow, rising
orchestral score with strings and soft brass. No dialogue.

Wan と同じく、H3 もプロンプトで音に触れていなくても、すべての動画に音を付けます(01〜08)。09 の音は実際に聞いて判断してください。Wan と同じで、ナレーションや BGM を乗せるつもりなら、生成された音は差し替える前提で考えてください。
10 マルチショット(10 秒)
A teaser for an international award, in three shots. Shot 1 [0-3 s]: close-up, light glides
along the crystal edge of the trophy, fixed camera. Shot 2 [3-6 s]: medium shot, the white cloth
ripples in the wind and golden caustics dance around the base, the camera moves left. Shot 3
[6-10 s]: the camera pulls out and rises to reveal the trophy standing in sunlight against the
green trees, and a lens flare blooms at its tip. Sound: soft wind, a crystal chime, an orchestral
swell. No dialogue.

どちらも 3 ショットの構成に従いますが、最初のコマの扱いが違います。 Wan は写真の引きの構図から始まるので、Shot 1 が寄りになりません。H3 は写真を1 コマだけ見せ、すぐに Shot 1 の指定どおりクリスタルの縁の寄りへ切り替わります。Shot 2 と Shot 3 はプロンプトどおりです。寄りから始まるマルチショットが欲しいなら台本に近いのは H3、自分の画像から始めたいなら Wan です。
この動画は生成に 1,342 秒(約 22 分)かかりました。
分かったこと
| Wan 3.0(API) | MiniMax H3(手元) | |
|---|---|---|
| ロゴと文字を崩さない | よい。ただし寄りや引きで失われる | 一番よい。 ほぼすべての動画で最後まで読める |
| カメラの指示(寄り・見上げ・引き)に従う | 従う | ほぼ無視する。動いても小さい |
| 物理的な動き(布・風・光) | よい | 大胆(04・08) |
| 写真に無いものを足す(07) | 描く | うっすら描く |
| マルチショットの始まり | 自分の最初のコマから始まる | 最初のコマを 1 コマ見せ、そのあと台本に従う |
| 速さ | 2〜3 分・並列 | 5 秒で約 8 分・10 秒で 22 分・1 本ずつ |
| 必要なもの | API の鍵 | メモリ 20 GB ほどの GPU、ComfyUI、ライセンスの対象地域であること |
選び方:
- ロゴのカット、商品カット、文字を読ませたい素材で、急がないもの: H3。
- カメラワークに頼るティザー、何かを新しく足すエフェクト、今日中に欲しいもの: AICU API の Wan。
- カメラワークと、読めるロゴを 1 本の中で両立したいもの: Wan で元の画像を
last_frameに渡す。Wan 3.0 でつくるキービジュアル (2) では、ロゴへ移る動画の最後のコマが元の画像と PSNR 37.8 dB で一致し、つなぎ目では念のため元の静止画に差し替えました。 - どちらも既定で音を付けます。上映に使うなら差し替える前提で。
AICU API で試す
写真を first_frame に、ロゴで終わらせたいならロゴを last_frame に渡します。
curl -X POST https://api.aicu.ai/v1/video/generate \
-H "Authorization: Bearer $AICU_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "wan3.0-video",
"first_frame": "<写真の base64>",
"last_frame": "<ロゴの base64>",
"prompt": "the camera slowly pushes in as light sweeps across the trophy",
"resolution": "720p",
"seconds": 5
}'
呼び出しはすぐに返り、status_url を見に行けば進み具合が分かります。AP はジョブの開始時に預かり、失敗したら全額戻ります。1 本の鍵で同時に 3 本まで回せます。鍵はダッシュボードで発行でき、パラメータは Video API のガイドにすべて載っています。
関連
- Wan 3.0 でつくるキービジュアル (1) — トロフィー写真 1 枚から、公式プロンプトガイドで 10 通りのティザー — 元の記事と Wan の動画
- Video API — AICU API で
wan3.0-videoを呼び出す方法 - Comfy-Org/MiniMax-H3 — ComfyUI 用のモデルファイル
- MiniMaxAI/MiniMax-H3 — オリジナルの公開元とライセンス
⭐︎ 価格は原稿公開時の値です。現在の単価は 料金 と GET /v1/models で確かめられます。
MiniMax H3 is licensed under the MiniMax H3 Community License Agreement, Copyright © 2026 MiniMax. All Rights Reserved.
