guides

MiniMax H3 Image APIガイド:4K生成と編集

Poyo.ai Team
6 min read
Share:

要点

  • MiniMax H3 Image(MiniMax-H3-Image)は、MiniMaxの画像モデルです。 2026年11月10日にリリースされました。MiniMax H3は音声付きの動画を作る別のモデルです。「MiniMax H3で画像を生成できる?」と検索したなら、答えはH3 Imageです。
  • 1つのモデルでテキストから画像と編集に対応。 最大16枚の参照画像を使え、1K、2K、4K、または最大20,000,000ピクセルの正確なサイズで出力します。
  • 4Kはネイティブ。 4096×4096から6272×2688まで、どのアスペクト比でも約16メガピクセルで、フルサイズのまま直接描画されます。
  • PoYoは1枚あたりの定額で課金します。 1Kまたは2Kで$0.016、4Kで$0.056と、MiniMaxのトークン単位の定価(Standardの画像1枚あたり$0.02179、$0.02333、$0.06879)より19〜31%安くなっています。
  • ウェイトはオープンで、MiniMax-H3-Image Community LicenseのもとHugging Faceで公開されています。セルフホストには約135 GBのウェイトと大型のGPUが必要なため、ほとんどのチームにとっては、PoYoのホスト型APIが手早い選択肢です。1つのキーで、従量課金で使えます。

MiniMax H3 ImageとMiniMax H3:画像を作るのはどちらか

MiniMaxは2つのモデルにH3という名前を使っており、検索では両者が混同されがちです。

MiniMax H3 ImageMiniMax H3(Hailuo 03)
作るもの静止画ネイティブ音声付きの動画
タスクテキストから画像、画像編集、複数参照の合成テキストから動画、最初と最後のフレーム、画像・動画・音声の参照
出力1K、2K、4Kの画像、最大20 MP5〜15秒の2K動画
PoYoのモデルIDminimax-h3-imagehailuo-03
PoYoの料金画像1枚$0.016から動画1秒あたり$0.105
ガイドこの記事MiniMax H3 APIガイド

2つは関連しています。MiniMaxのモデルカードでは、H3 ImageをH3のアーキテクチャを画像向けに特化させたものと説明しており、H3のテキストエンコーダーをそのまま再利用しています。つまり、**MiniMax H3で画像を生成できるか? という問いの答えは「はい、MiniMax H3 Imageで」**です。H3ファミリーの静止画担当のモデルです。動画にはMiniMax H3を、画像にはMiniMax H3 Imageを使いましょう。

MiniMax H3 Imageの概要

項目仕様
リリース2026年11月10日(ライセンスの日付)
モデル331億パラメータの拡散トランスフォーマー。高速化のため6サンプリングステップに蒸留
タスク1つのチェックポイントでテキストから画像と画像編集
ネイティブの4Kサイズ4096×4096(1:1)、4736×3552(4:3)、5024×3360(3:2)、5472×3072(16:9)、6272×2688(21:9)、および縦長の各バージョン
カスタムサイズ(MiniMax API)655,360〜20,000,000ピクセル、アスペクト比1:3〜3:1
参照画像1回の編集につき1〜16枚
プロンプトの拡張どの言語の短いプロンプトも、画像全体を詳しく描写した英語の説明に書き直す
速度に関する主張4K(4096×4096)の画像を「10秒未満で」生成。Standardは「主流の代替モデルの1.5〜2倍」、Highspeedは3〜4倍の速さ
MiniMaxのホスト型ティアMiniMax-H3-Image(Standard)とMiniMax-H3-Image-Highspeed
オープンウェイトあり。Hugging FaceのMiniMaxAI/MiniMax-H3-Image

MiniMaxは目標を、「4K画像生成を日常的なクリエイティブワークフローで実用的にすること」と説明しています。自分の用途での品質を判断するには、PoYoのPlaygroundで自分のプロンプトを試すのがいちばんです。

MiniMax H3 Imageのショーケース:3Dのファンタジーの戦闘、青緑の山水画、アマガエル、餃子、ハイランド牛、ピクセルアートの猫、タマムシなど、横長と縦長の15点のテキストから画像の結果

写真、絵画、3D、ピクセルアートを1つのモデルで。MiniMaxのH3-Imageモデルカードのショーケースより。

MiniMax H3 Imageの料金:トークンから1枚あたりのコストへ

公式のトークン料金

MiniMaxは自社のAPIで、100万トークン単位で課金しています。

ティアテキスト入力画像入力画像出力
MiniMax-H3-Image(Standard)$2.30$1.50$3.80
MiniMax-H3-Image-Highspeed$2.30$3.00$7.60

テキスト入力には、プロンプトの拡張で追加されたトークンも含まれます。そのため、同じ解像度でも「実際のコストは変動することがある」とMiniMaxは注記しています。

公式の1枚あたりのコスト

MiniMaxは1枚あたりの例も公表しており、トークン料金を換算するにはこれが最も確実な方法です。

リクエストStandardHighspeed
テキストから画像、1K$0.02179$0.03529
テキストから画像、2K$0.02333$0.03622
テキストから画像、4K$0.06879$0.13001
編集、参照画像1枚(1K入力)→ 2K$0.02658$0.04576
編集、参照画像1枚(1K入力)→ 4K$0.07312$0.13673
編集、参照画像3枚(1K入力)→ 2K$0.04177$0.06069
編集、参照画像3枚(1K入力)→ 4K$0.07914$0.15407

トークンの積み上がり方

2026年11月のPoYoのテストでは、画像1枚が使うトークンは4,096出力トークンと 幅 × 高さ ÷ 1,024 のうち大きいほうでした。1,024ピクセルあたり1トークンという値はモデルカードと一致しており、DiTのトークン1つが32×32ピクセルのパッチをカバーしています。

出力ピクセル数出力トークン出力のコスト(Standard)
1K、1024×10241,048,5764,096(最小)$0.0156
2K、2048×20484,194,3044,096$0.0156
4K、4096×409616,777,21616,384$0.0623
カスタムの最大20,000,00019,531$0.0742

これにプロンプトの拡張によるテキストトークン(1リクエストあたり約2,700〜3,400、100万トークンあたり$2.30で約$0.006〜$0.008)を加えると、MiniMaxの例と一致します。1Kでは$0.0156 + $0.0062 ≈ $0.0218、4Kでは$0.0623 + $0.0065 ≈ $0.0688です。

ここから2つのことがわかります。

  • 1Kと2Kのコストはほぼ同じです。どちらも最小の4,096トークンに収まるためです。少しでも細部が必要なら、2Kのほうがお得です。
  • 4Kのコストは2Kの約3倍です。ピクセル数が2Kの4倍あるためです。

PoYoでのMiniMax H3 Imageの1枚あたりのコスト

PoYoはプロンプトの拡張を含めた1枚あたりの定額で課金するため、送信前に正確なコストがわかり、どのリクエストもMiniMaxのトークン単位の定価より安くなります。

リクエストPoYoの料金クレジットMiniMaxの定価差
テキストから画像、1K$0.0163.2$0.02179−27%
テキストから画像、2K$0.0163.2$0.02333−31%
テキストから画像、4K$0.05611.2$0.06879−19%
編集、参照画像1枚 → 2K$0.01853.7$0.02658−30%
編集、参照画像3枚 → 2K$0.02354.7$0.04177−44%
編集、参照画像3枚 → 4K$0.063512.7$0.07914−20%

PoYoの料金の内訳:

  • 1Kまたは2K: 画像1枚あたり3.2クレジット($0.016)。4,500,000ピクセルまでのカスタムWIDTHxHEIGHTもこの料金です。
  • 4K: 画像1枚あたり11.2クレジット($0.056)。4,500,000ピクセルを超えるカスタムサイズもこの料金です。
  • 参照画像: 1枚ごとに+0.5クレジット($0.0025)。
  • 失敗したタスクは無料です。
  • 1つのAPIキーで、MiniMax H3 ImageとPoYoのほかのすべての画像・動画・音声モデルを、従量課金のクレジットで利用できます。

計算例

シナリオリクエストPoYoのコスト
2Kの商品サムネイル500枚500 × $0.016$8.00
4K・16:9のキャンペーン用キービジュアル20枚20 × $0.056$1.12
ルームステージング:空の部屋 + 家具9点、2K$0.016 + 10 × $0.0025$0.041
2KのSNS用画像10,000枚10,000 × $0.016$160

オープンウェイトか、ホスト型APIか

MiniMaxはH3 ImageのウェイトをHugging Faceで公開しました。「H3と同様に、H3-Imageのモデルウェイトも公開します。」これでローカルへのデプロイも現実的な選択肢になったため、APIと比較しておく価値があります。

ローカルで動かすために必要なもの

  • ダウンロードサイズ: 画像モデルのチェックポイントは68.65 GBで、MiniMax-H3のリポジトリからH3のテキストエンコーダー(66.7 GB)を読み込むため、合計で約135 GBを見込んでください。任意のプロンプト拡張モデルを使うと、さらに17.9 GBが加わります。
  • GPU: MiniMaxによると、「B200またはB300なら約135 GiBでモデル全体を保持でき、H200 1枚ならテキストエンコーダーをオフロードする」とのことです。SGLangは空きが130 GiB未満のときにモデルのコンポーネントをオフロードし、「B300から12 GBのカードまで」のレシピを用意しています。複数GPUでのシーケンス並列化により、レイテンシーを下げられます。
  • フレームワーク: SGLang、vLLM-Omni、diffusers、LightX2V、ComfyUI。
  • 最適な品質の範囲: 約4〜20 MPで、16 MP前後が最適です。

ライセンスの仕組み

ウェイトには、MiniMax独自のライセンスであるMiniMax-H3-Image Community License Agreementが適用されます。

  • 自由に利用・改変可能: ライセンスの「適用地域」内で、使用、複製、配布、改変、派生物の作成をロイヤリティなしで行えるライセンスです。適用地域は、欧州連合、英国、大韓民国、米国を除く全世界と定義されています。MiniMaxは、これら4つの地域の組織にはライセンスについて問い合わせるよう案内しています。
  • 大規模な導入: 年間換算の売上高が$100万を超える企業や、第三者にホスト型サービスを提供する場合は、MiniMaxのライセンスコンソールから書面による許可を申請します。
  • 表記: 商用製品では、ユーザーインターフェースに「MiniMax-H3-Image」を目立つように表示します。
  • 出力: MiniMaxは生成された出力の権利を利用者に委ねており、その使い方の責任は利用者が負います。

ローカルとAPIの比較

セルフホストのオープンウェイトホスト型API(MiniMaxまたはPoYo)
事前の作業約135 GBのダウンロード、大型GPUの用意、推論サーバーの運用APIキー
コストの仕組み稼働中でも待機中でもかかるGPUの時間画像1枚単位(PoYo)またはトークン単位(MiniMax)
速度自分のハードウェアによるマネージド。PoYoでは2K画像1枚が約12秒
制御再現可能な実行のためのシードを含め、パイプライン全体にアクセスできる各APIが公開しているリクエストフィールド
規約Community Licenseの地域と売上の条件プラットフォームの利用規約
向いている用途研究、オフラインのパイプライン、ライセンス対象地域での非常に安定した大量処理プロダクト、変動する利用量、初日から結果を出したいチーム

ほとんどのチームにとって、PoYoのホスト型APIが実用的な選択です。 2K画像1枚$0.016なら、10,000枚で月$160です。1つのAPIキーで画像1枚ごとに課金され、何もインストールする必要がありません。セルフホストは、すでに大型GPUを運用していて余力があるチームや、大型GPUを24時間稼働させ続けられるほど利用量が多く安定しているチームに向いています。

ホスト型での設定の選び方

APIを使う場合、品質とコストを左右するのは次の設定です。

目的設定
十分な細部を保ちつつ最低コストでresolution: "2K"。PoYoでは1Kと同じ料金
印刷物、大きなバナー、トリミング約16 MPのresolution: "4K"
1920×1080のスライドのような正確なレイアウト1920x1080のようなカスタムのsize
長く詳細なプロンプトを書いたとおりに反映させるenable_prompt_expansion: false(テキストから画像)
短いアイデア、またはどの言語のプロンプトでもプロンプトの拡張を有効のままにする
元画像の構図を保つ編集<Picture 1>に合わせるsize: "auto"

MiniMax H3 Imageの編集:ローバーと宇宙飛行士がいる月面基地のテクスチャーなしのグレーの3Dレンダリングと、その下に同じシーンをフォトリアルな映画のスチールに編集した結果

テクスチャーなしの3Dレンダリングを、同じレイアウトのまま映画のスチールにした例。MiniMaxのH3-Imageモデルカードより。

PoYoでMiniMax H3 Imageを使う方法

1つのモデルIDで両方のタスクに対応します。テキストから画像ならプロンプトを送り、編集ならimage_urlsを追加します。

パラメータ

フィールド型値デフォルト
modelstringminimax-h3-image必須
input.promptstring1〜5,000文字必須
input.image_urlsarray公開されたJPEG、PNG、WebPのURLを1〜16件、各20 MBまで、1辺128〜8,192 pxなし
input.sizestring1:1、5:4、4:5、4:3、3:4、3:2、2:3、16:9、9:16、21:9、auto(編集)、またはWIDTHxHEIGHT1:1(テキストから画像)、auto(編集)
input.resolutionstring1K、2K、4K2K
input.enable_prompt_expansionboolean生成前にプロンプトを拡張する(テキストから画像)true
input.output_formatstringpngまたはjpegpng
callback_urlstringタスクの完了時または失敗時にPOSTを受け取るURLなし

よく使うプリセットサイズ:

size1K2K4K
1:11024×10242048×20484096×4096
4:31184×8962368×17604736×3552
3:21248×8322496×16645024×3360
16:91376×7682720×15365472×3072
9:16768×13761536×27203072×5472
21:91568×6723136×13446272×2688

カスタムのWIDTHxHEIGHTには、合計655,360〜20,000,000ピクセル、アスペクト比1:3〜3:1の範囲で、任意の整数の幅と高さを指定でき、画像はそのサイズちょうどで返ります。

4K画像を生成する

curl --request POST "https://api.poyo.ai/api/generate/submit" \
  --header "Authorization: Bearer ${POYO_API_KEY}" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "minimax-h3-image",
    "input": {
      "prompt": "A vintage travel poster for Kyoto, headline \"KYOTO\" in large bold serif letters at the top and subtitle \"City of a Thousand Gates\" below it, red torii gates receding up a mossy hill, autumn maple leaves, 1960s screen-print style",
      "size": "16:9",
      "resolution": "4K"
    }
  }'

MiniMax H3 Imageの文字の描画:中国語の人選びのロジックパズルのボードとその答え、そして6人の容疑者と検証表が載った英語の「Confidential File Missing」パズルのボード

中国語と英語の文字をボード上に描画し、パズルを解いた例。MiniMaxのH3-Imageモデルカードより。

このリクエストは11.2クレジットで5472×3072の画像を返します。送信のレスポンスにはタスクIDが含まれます。

{
  "code": 200,
  "data": {
    "task_id": "task-unified-1794383400-abcd1234",
    "status": "not_started",
    "created_time": "2026-11-14T10:30:00"
  }
}

複数の参照画像で編集する

画像にはimage_urlsの順に番号が付き、1枚目が<Picture 1>、2枚目が<Picture 2>のようになります。

curl --request POST "https://api.poyo.ai/api/generate/submit" \
  --header "Authorization: Bearer ${POYO_API_KEY}" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "minimax-h3-image",
    "input": {
      "prompt": "Place the sofa from <Picture 2> and the floor lamp from <Picture 3> in the empty living room in <Picture 1>. Keep the walls, windows and daylight of <Picture 1> unchanged.",
      "image_urls": [
        "https://example.com/empty-room.png",
        "https://example.com/sofa.png",
        "https://example.com/floor-lamp.png"
      ],
      "resolution": "2K"
    }
  }'

MiniMax H3 Imageの複数参照の例:日の差し込む空の部屋と家具9点の計10枚の参照画像と、その下に9点すべての家具を配置したリビングルーム

空の部屋と家具9点を組み合わせて1つのリビングルームにした例。MiniMaxのH3-Imageモデルカードより。

デフォルトのsize: "auto"では、出力は<Picture 1>のアスペクト比に合わせ、面積は約2048×2048ピクセルになります。このリクエストは3.2 + 3 × 0.5 = 4.7クレジット($0.0235)です。編集では常にプロンプトの拡張が使われます。

結果をポーリングする

curl --request GET "https://api.poyo.ai/api/generate/status/${TASK_ID}" \
  --header "Authorization: Bearer ${POYO_API_KEY}"
data.status意味次のステップ
not_startedキューで待機中再度ポーリング
running生成中再度ポーリング
finished完了data.files[0].file_urlを読む
failed失敗、料金はかからないdata.error_messageを読む

最小限のPythonのポーラー:

import os, time, requests

BASE_URL = "https://api.poyo.ai"
HEADERS = {"Authorization": f"Bearer {os.environ['POYO_API_KEY']}"}

def wait_for_image(task_id, interval=4, max_checks=60):
    for _ in range(max_checks):
        resp = requests.get(f"{BASE_URL}/api/generate/status/{task_id}", headers=HEADERS, timeout=30)
        task = resp.json()["data"]
        if task["status"] == "finished":
            return task["files"][0]["file_url"]
        if task["status"] == "failed":
            raise RuntimeError(task["error_message"])
        time.sleep(interval)
    raise TimeoutError(f"Still running; keep {task_id} and check again later")

2026年11月のPoYoのテストでは、1Kまたは2Kの画像に約12秒、4Kの画像に約22〜25秒、参照画像3枚での編集に約44秒かかりました。待機がタイムアウトした場合はtask_idを保存しておき、あとでもう一度問い合わせてください。タスクはPoYo側で実行され続けています。

MiniMaxのプロンプトガイドからのヒント

MiniMax公式のプロンプトのヒントと、その活かし方です。

  1. 「スタイルよりタスクを先に、細部よりレイアウトを先に」。 画像の用途と写っているものを書き、次にレイアウト、最後に目に見える色、素材、光でスタイルを伝えます。
  2. 「表示する言葉はすべて引用符で囲み、位置と改行も書く」。 公式のショーケースでは、中国語と英語のロジックパズルがボード上に正しく描画されています。
  3. すっきりした画像にしたいときは、メインのプロンプトに「no text, letters or numbers in the image」(画像に文字・アルファベット・数字を入れない)と書きます。 除外の指示は、プロンプトの本文に直接書くとモデルが最もよく読み取ります。
  4. 「グラフや教育用の画像には正確なデータを与える」。 単位や期間も添えましょう。
  5. 「各参照画像に役割を与え、何を変えて何を残すかを書く」。 たとえば、「<Picture 1>は部屋、<Picture 2>はソファ。床と窓はそのまま保つ」のように書きます。
  6. グリッドは行と列で書く。 「2行3列」のように指定します。
  7. 下書きには2Kを使う。 PoYoでは1Kと同じ料金で4倍のピクセル数が得られます。仕上げには4Kに切り替えましょう。

MiniMax H3 Imageの指示による編集:男性がヘッドホンをつけた2人のポッドキャストのホストの参照写真と、その隣に、ヘッドホンが外され2人がMONEY TALKSのサインの上でグータッチしている編集結果

明確な指示で細部を1つだけ変え、シーンのほかの部分は保った例。MiniMaxのH3-Imageの資料より。

ほかの画像モデルについては、Nano Banana 2.1とGPT Image 2.5の比較とMAI Image 2.6 APIガイドもあわせてご覧ください。H3 Imageの静止画から動画を作るには、GPT Image 2.5 + MiniMax H3の絵コンテチュートリアルをご覧ください。

よくある質問

MiniMax H3で画像を生成できますか?

はい、MiniMax H3 Imageで生成できます。MiniMax H3は動画と音声のモデルで、MiniMax H3 ImageはMiniMaxが2026年11月10日にリリースした別の静止画モデルです。同じアーキテクチャをベースに、画像向けに特化しています。PoYoでは、画像にはminimax-h3-imageを、動画にはhailuo-03を呼び出します。

MiniMax H3 Imageとは何ですか?

MiniMax H3 Image(MiniMax-H3-Image)は、テキストから画像と画像編集のためのMiniMaxのオープンウェイトのモデルです。331億パラメータの拡散トランスフォーマーで、約16メガピクセルのネイティブ4K画像を出力し、最大16枚の参照画像を編集・合成できます。

MiniMax H3 Image APIの料金はいくらですか?

MiniMaxのStandardティアの定価は、100万トークンあたりテキスト入力$2.30、画像入力$1.50、画像出力$3.80で、画像1枚あたり1Kまたは2Kで約$0.022、4Kで約$0.069になります。PoYoでは、1Kまたは2Kで画像1枚$0.016、4Kで$0.056の定額で、参照画像1枚ごとに$0.0025が加わり、プロンプトの拡張も料金に含まれています。

MiniMax H3 Imageは4Kに対応していますか?

はい。4Kでは、どのアスペクト比でも約16メガピクセルの画像を出力します。たとえば1:1なら4096×4096、16:9なら5472×3072です。カスタムサイズは最大20,000,000ピクセルまで指定できます。

MiniMax H3 Imageでは参照画像を何枚使えますか?

1回の編集につき最大16枚です。プロンプトでは順番どおりに<Picture 1>、<Picture 2>のように呼び、それぞれに役割を与えましょう。

MiniMax H3 Imageはオープンソースですか? ローカルで動かせますか?

はい。MiniMaxは、MiniMax-H3-Image Community LicenseのもとでHugging Faceにウェイトを公開しています。動かすには、テキストエンコーダーを含めて約135 GBのウェイトが必要です。B200またはB300 1枚でモデル全体を保持でき、SGLangにはオフロードを使って12 GBのカードまで対応するレシピがあります。ライセンスは適用地域内ではロイヤリティ不要で、大企業やホスト型サービスはMiniMaxに書面による許可を申請します。本番のアプリなら、PoYoのホスト型APIを使えば1つのキーですぐに始められます。

StandardとHighspeedの違いは何ですか?

MiniMaxのプラットフォームでは、HighspeedはStandardと同じパラメータと上限を持ちながら、より速く動作します。MiniMaxによると、主流の代替モデルに比べてStandardが1.5〜2倍、Highspeedが3〜4倍の速さです。画像入力と画像出力のトークン料金は2倍なので、4K画像は$0.069ではなく約$0.13になります。PoYoでは、minimax-h3-imageは4Kで$0.056の定額です。

プロンプトの拡張は何をするもので、追加料金はかかりますか?

生成前に、プロンプトを画像全体の詳しい説明に書き直す機能です。MiniMaxのAPIでは、追加されたテキストが入力トークンとして課金され、1リクエストあたり約$0.006〜$0.008です。PoYoでは1枚あたりの料金に含まれています。長いプロンプトを書いたとおりに反映させたい場合は、テキストから画像でオフにしましょう。編集では常に使われます。

MiniMax H3 Imageの出力を商用利用できますか?

はい。MiniMaxのライセンスでは、生成された出力の権利は利用者に委ねられており、その使い方の責任は利用者が負います。ライセンスの利用ポリシーと、利用するプラットフォームの規約に従ってください。

MiniMax H3 Imageの生成にはどのくらい時間がかかりますか?

PoYoのテストでは、1Kまたは2Kの画像に約12秒、4Kに約22〜25秒、参照画像3枚での編集に約44秒かかりました。送信するとすぐにtask_idが返るため、画像の描画中もアプリケーションは快適に動作し続けます。

Share: