クリエイティブ実践ガイド
MiniMax H3-ImageをRTX 5090で実測|4096角の再生成は15秒台

目次
MiniMax H3-ImageをRTX 5090で動かし、渋谷の夜を指定した人物写真を作りました。4096×4096ピクセルのままseed(生成に使う乱数の出発点となる値)を変えたら、次の一枚はPNG保存まで15.53秒。その次は15.19秒でした。
最初の2048角には113.87秒かかりました。一度動いたあとなら、seedを変えて、同じ指示から次の候補を短い待ち時間で作れます。ただ、GPU全体のVRAM使用量は最大31.52GiB。大きな一枚を選び直せる速さと、32GBをほぼ使い切る重さが、今回の実測で見えてきました。
MiniMaxが2026年11月11日に発表したH3-Imageは、文章からの画像生成と参照画像を使った編集に対応し、約16MPを6ステップで生成する設計です。ComfyUIの導入手順と今回のプロンプトも載せています。
サムネイルは編集用イラストです。実測で生成した画像の掲載は見送りました。MiniMaxの画像版ライセンス第V.4条では、生成画像の表示・配布にも地域制限があり、米国・英国・EU・韓国が対象外です。
最初は約2分。その後の一枚は3秒台・15秒台
実行した順番は、2048角で3回、そのまま4096角へ変更して3回です。最初の2048角は113.87秒。文章を読む処理だけで約51秒かかり、画像生成モデルの初期化などが続きました。一度動いたあとにseedだけを変えると、待ち時間が大きく縮まります。
2048×2048は初回113.87秒、再生成は約3秒
| 実行条件 | 保存までの時間 | GPU全体のVRAM使用量の最大値 |
|---|---|---|
| サーバー起動後の初回 | 113.87秒 | 31.37GiB |
| 同じ文章でseed変更・1回目 | 3.18秒 | 31.37GiB |
| 同じ文章でseed変更・2回目 | 3.19秒 | 31.29GiB |
4096×4096は寸法変更直後49.86秒、再生成は約15秒
| 実行条件 | 保存までの時間 | GPU全体のVRAM使用量の最大値 |
|---|---|---|
| 2048角から4096角へ変更 | 49.86秒 | 31.52GiB |
| 同じ文章でseed変更・1回目 | 15.53秒 | 31.34GiB |
| 同じ文章でseed変更・2回目 | 15.19秒 | 31.39GiB |
4096角へ変えた直後は49.86秒でした。寸法を変えると文章処理もやり直します。同じ文章と寸法でseedだけを変えた再生成では、ComfyUIが文章処理の結果をキャッシュから再利用しました。時間はすべて、必要になったモデル読み込みからPNG保存までを含めています。
4096角のまま、候補を選び直せた
この待ち時間なら、4096角のまま別の構図を試せます。実際にseedを変えると、最初は両手がスマホの近くに集まっていた人物が、3枚目では身体を横に向け、片手でバッグのストラップに触れる姿になりました。
また、2048角から4096角に上げると、同じseedでも顔つきや手の位置が変わりました。気に入った2048角の絵をそのまま大きくしたいなら、別工程でアップスケールする方が目的に合います。
RTX 5090で16MP生成に成功。VRAMはほぼ上限まで使用
2048角と4096角のどちらも、観測したVRAM使用量は31GiB台でした。 解像度を下げると生成は速くなりましたが、モデルを動かすメモリは大きいままです。全試行の最大は31.52GiB。RAM 64GBのPCでも空きが約2.51GiBまで減り、64GiBのページファイルを有効にした構成で実行しています。
| 実測したPC | 生成中の様子 |
|---|---|
| RTX 5090、VRAM 32GB | GPU全体で最大31.52GiBを観測。デスクトップなどの使用分も含む |
| システムRAM 64GB | 空きが最小約2.51GiBに。64GiBのページファイルを有効化 |
| モデルはSATA SSDに保存 | 実測用の3ファイルで約49.29GB |
画像生成の本体は33.1B、約331億パラメータです。元のBF16版は本体だけで公式表記66.28GB。今回は数値の持ち方を変えて容量を減らす「量子化」を使い、ComfyUI向けINT8版の約20.98GBで動かしました。
それでも、文章や参照画像を読むQwen3-VLが約27.14GBあります。モデルの保存容量を全部足してVRAMへ載せるのではなく、ComfyUIが処理に合わせてGPUとRAMの間でデータを移します。これがオフロードです。今回の構成では、速く作り直せる一方で、VRAMとRAMを大きく使いました。5090で試すときは、VRAMと一緒にRAMの空きも見たいモデルです。
4MPでは同じ文章からseedを変える再生成が約3秒なので、構図の候補を探しやすくなりました。4096角の仕上がりを選びたいときは、約15秒の再生成で、その大きさのまま候補を比べられます。
今回はRTX 5090・RAM 64GBの一台で試しました。VRAMやRAMをどこまで減らせるかは測っていません。自分で動かすなら、まず4MPで一枚を保存してから4096角へ進む手順を後半に載せています。
この街撮りを作ったプロンプト
公式は、被写体に加えて配置、光、素材まで詳しく書く使い方を案内しています。今回使った全文がこちらです。6回すべて同じ文章で、プロンプト拡張はオフにしました。
An unposed-looking nighttime street photograph in Shibuya, Tokyo, taken by a friend with a smartphone. The subject is a fictional Japanese woman who is 24 years old. She has fair ivory skin with a gentle rosy undertone, a fresh youthful adult face, dark eyes, straight black hair falling just below her shoulders, and light wispy bangs. Her makeup is understated, with a soft pink lip color. She wears an elegant white off-the-shoulder fine-knit top and a high-waisted black skirt, with a small burgundy shoulder bag. She turns slightly toward her friend with a relaxed, confident half-smile. One hand loosely holds a dark smartphone near her waist; the other touches the bag strap. Frame her from the top of her head to mid-thigh, with her face clearly visible and comfortable space around her. Behind her are the diagonal zebra stripes of Shibuya Scramble Crossing, illuminated shopfronts and tall electronic billboards, and a few softly moving pedestrians. Keep the street recognizable instead of dissolving it into large bokeh circles. Soft neutral-white light from a nearby storefront brightens her face and preserves her pale complexion, while the surrounding city retains its nighttime colors. Natural skin with delicate detail rather than exaggerated pores, fine hair, believable hands, and visible knit texture. Casual eye-level phone-camera perspective, balanced exposure, a hint of low-light grain, and a subtly glamorous mood. No studio lighting, heavy orange color cast, watermarks, prominent brand logos, or beauty-filter plastic skin.
同じ場面の別案を見たいなら、この文章を保ったままseedを変えます。実測した4096角のseedは 20261112、20261113、20261114 の順です。
文章から変えてみるなら、白いニットを別の色にする、街の明かりを雨上がりの路面へ映す、といった一か所から。衣服だけ変えたいのか、写真全体の雰囲気を変えたいのかを決めると、次の一枚を見る楽しみもはっきりします。
自分で試す:ComfyUIで同じ街撮りを生成する
今回のようにモデルを保存して自分のGPUで計算する手順です。使うファイル、更新方法、設定を以下にまとめました。最初は公式テンプレートの4MP・プロンプト拡張なしで始めます。
導入手順を開く(ライセンス・4ファイルの配置・生成設定)
導入前にライセンスを確認する
利用条件は独自のMiniMax-H3-Image Community License Agreementです。ダウンロード前に、自分の用途で使えるかを確認しましょう。2026年11月10日版には、次の条件があります。
- 適用地域からEU・英国・韓国・米国を除外しています。日本はこの除外一覧に含まれていませんが、利用場所や提供先も確認します。
- 自分や関連会社のAnnualized Revenueが100万米ドルを超える場合、または第三者へHosted Serviceを提供する場合は、事前の書面による別途許可が必要です。
- 商用製品・サービスのUIには、モデル名を目立つ形で表示する条件があります。
- 出力も含め、適用地域外での使用・複製・変更・配布・表示や、別のAIモデルの改善への利用に制限があります。
特に、生成した画像を公開・配布する場合は出力の条件、他人が使える生成サービスを作る場合はHosted Serviceの条件が関わります。ライセンス全文と、別途許可が必要な用途のMiniMaxの申請先はこちらです。
ComfyUIを更新し、画像版のテンプレートを開く
ComfyUI公式ガイドが示す対応条件は、ComfyUI 0.45.0以降、テンプレートパッケージ0.11.104以降です。ComfyUI本体に組み込まれた機能を使うので、この手順のために第三者のH3用カスタムノードを追加する必要はありません。
ComfyUIがまだ入っていない場合は、先にStability MatrixからComfyUIを導入する手順で起動まで進めてください。既存環境を更新する場合は、保存したワークフローを残したうえで、自分のインストール方式に合う方法を使います。
| 導入方式 | 更新の入口 |
|---|---|
| ComfyUI Desktop | ManageパネルのUpdateタブ。アプリ自体とComfyUIの実行環境の更新は別なので、実行環境の版も確認します |
| Windows Portable | 配布フォルダーの update/update_comfyui_stable.bat。開発版を使う場合は update_comfyui.bat |
| 手動インストール | 自分のComfyUI用Python環境を有効にし、本体の更新と requirements.txt の依存関係の更新を行います |
更新操作の詳細はComfyUI公式の更新ガイドにまとまっています。Stability Matrixを使っている場合は、PackagesのComfyUIカードからパッケージを更新します。
更新後はComfyUIを再起動し、Templates(テンプレート)で MiniMax-H3-Image: Text to Image を探します。動画用のH3 T2V・I2Vではなく、名前に H3-Image が入るものを選んでください。
一覧に出ない場合は、公式の文章から画像を作るJSONを保存し、キャンバスへ読み込む方法もあります。JSONの読み込み方と同じ操作です。JSONで処理の組み方を読み込んだら、次のモデルファイルを配置します。
モデルをダウンロードして配置する
公式テンプレートで使う4ファイルと、ダウンロードする容量をまとめました(2026年11月12日確認、GB表記)。
| 部品・ダウンロード先 | ファイル容量 |
|---|---|
| 画像生成の本体(INT8) | 約20.98GB |
| 文章・参照画像を読むQwen3-VL | 約27.14GB |
| プロンプト拡張用のQwen3.5 9B | 約7.34GB |
| 画像用VAE(FP16) | 約1.17GB |
合計は約56.63GB。下の手順では、プロンプト拡張をオフにする場合も公式テンプレートに合わせて4ファイルをそろえます。実測に使ったのは拡張用モデルを除く3ファイル、約49.29GBです。既に同じテキストエンコーダーを持っていれば再利用できます。
保存先には、このモデル容量に加えて、ComfyUI本体・生成画像・ダウンロード中の一時ファイルの空きも用意します。
文章や参照画像を読むテキストエンコーダーは動画版H3と共通です。本体とVAEは画像版を使い、ファイル名に h3_image があるものを選びます。VAEは、モデル内部の表現を目で見える画像へ戻す部品です。
Windows Portableなら、配置は次の形です。DesktopやStability Matrixではモデル保存先が別の場所になっている場合があるため、使用中のComfyUIが読み込むフォルダーを開いてください。
ComfyUI_windows_portable/
└─ ComfyUI/
└─ models/
├─ diffusion_models/
│ └─ minimax_h3_image_pruned_int8_convrot.safetensors
├─ text_encoders/
│ ├─ qwen3vl_32b_minimax_h3_int8_convrot.safetensors
│ └─ qwen3.5_9b_w4a8_gptq.safetensors
└─ vae/
└─ minimax_h3_image_vae_fp16.safetensors
プロンプト拡張用モデルは、短い依頼を詳しい文章へ書き直す部品です。画像生成に必要なテキストエンコーダーとは役割が違います。MiniMax自身が配布する別の H3-Image-PE もありますが、ここで使うComfyUIテンプレートの指定は Qwen3.5 9B です。
配置したらComfyUIを再起動し、各モデルの選択欄に同じファイル名が出ることを確認します。出ない場合は、モデルが一覧に出ないときの確認手順で保存先と拡張子から見直しましょう。
最初の一枚は4MP・プロンプト拡張なしで試す
公式テンプレートを開いたら、次の順で設定します。
- モデル名を合わせる。 本体、テキストエンコーダー、VAE、PE用モデルの選択欄を、上の4ファイルに合わせます。ひとまとめのノードに見える部分はサブグラフで、内部に複数の処理が入っています。
enable_PEをfalseにする。 PEはプロンプト拡張です。今回は入力した文章をそのまま使うため、初期値にかかわらずオフへ切り替えます。- Resolution Selectorを1:1・4MP・32の倍数にする。 これは比率、画素数、寸法の刻みの指定です。まずテンプレートの4MPを出発点にします。
- 一枚ずつ実行する。 最初から複数のジョブを続けて予約せず、出力の保存まで確認します。
サンプラーの設定は、公式テンプレートの組み合わせを保ちます。
| 設定 | 最初に使う値 |
|---|---|
| Sampler | euler |
| Scheduler | simple |
| Steps | 6 |
| CFG | 1 |
| Denoise | 1 |
| 参照画像 | なし |
enable_PE |
false |
StepsとCFGはサブグラフ内のKSamplerで指定されています。H3-Imageは6ステップ向けに調整されているので、ここは6と1のまま使います。通常のネガティブプロンプトによるCFGの使い方とも異なり、絵を変えたいときは、まず指示文やseedを変えて試すのがおすすめです。
上の全文プロンプトを入力し、seedを 20261112 に合わせて Run で実行します。Save Imageに出力が現れ、通常はComfyUIの output/ にPNGが保存されます。画像を開いて寸法と描かれた内容を見てみましょう。
保存できたら、同じ条件で解像度を上げる
4MPで保存できたら、同じプロンプトと固定したseedで、約16MPの画像も試してみましょう。今回は2048角から4096角へ直接変更しました。メモリ使用量を見ながら少しずつ上げたい場合は、途中に8MPを挟む方法もあります。
公式が案内する得意な解像度は約16MP、有効な範囲はおおむね4〜20MPです。4MPで動作を確かめたあとに16MPを試したいのは、モデルが想定する大きさで、服や背景の描写も見たいからです。
| 比率 | 公式が挙げる約16MPの寸法 |
|---|---|
| 正方形1:1 | 4096×4096 |
| 横長4:3 | 4736×3552 |
| 横長16:9 | 5472×3072 |
正方形の4096×4096は約16.78MP。テレビなどの4K UHD(3840×2160)より画素数が多くなります。横長にしたい場合は、同じ約16MPでも上のように幅と高さの組み合わせを変えます。
画像編集は、参照一枚から始める
文章からの生成ができたら、MiniMax-H3-Image: Image Edit のテンプレートを開きます。画像編集用の公式JSONからも読み込めます。ここからは公式資料に沿った手順で、画像編集の実機測定はしていません。
画像編集も、文章からの生成と同じ本体モデルを使います。扱える参照画像は最大16枚です。
Load Imageに自分が利用できる画像を入れ、変更したい点を書きます。最初の画像の呼び名は <Picture 1> です。例えば、元画像の人物のトップスだけを変えたいなら、「白を紺色へ」と変更点を書き、顔・髪型・背景など残したい部分も続けます。
Change the white knit top in <Picture 1> to a navy blue knit top. Keep the woman's face, hairstyle, pose, skirt, bag, lighting, and nighttime street background unchanged.
これは未実行の入力例です。画像編集テンプレートには、短い指示を詳しい文章にする処理も組み込まれています。編集を試すときはテンプレートの構成を保ち、拡張用モデルも選びます。
二枚目を加える場合はLoad Imageを追加し、画像を Generate TextとMiniMax H3 Image Conditioningの両方へ接続します。二枚目以降は <Picture 2>、<Picture 3> と順に指定し、どの画像の何を使うかを書きます。編集時はVAEの接続も保ちます。参照画像を文章の理解だけでなく、画像の特徴として利用するためです。
一枚で変更が反映されたら、人物の外見や小物など、追加したい参照の役割を決めて増やします。
止まった場所から原因を絞る
| 症状 | 最初に確認すること |
|---|---|
| テンプレートが見つからない | ComfyUI本体とテンプレートパッケージの両方が対応版か。公式JSONも利用できます |
| 不明なノードが表示される | 今回使うのは標準ノードです。本体を更新して再起動し、起動ログに読み込みエラーがないかを見ます |
| モデル名を選べない | 保存先、ファイル名、ダウンロードの完了、拡張子を確認します |
| Generate Textで止まる | 拡張用のQwen3.5 9Bと文章を読むQwen3-VLを取り違えていないか。文章から画像を作るT2Iでは、enable_PE: false にして、拡張処理を外すと動くか確かめます |
| CUDA out of memory | どのノードで失敗したかを読みます。文章処理なら入力やモデル、生成中なら解像度・枚数、VAEなら画像へ戻す処理を確認します |
| 編集時だけメモリ不足になる | 参照を一枚に戻し、テンプレートのResize Image/Maskを有効にして画素数を調整します |
| 黒い画像やノイズだけになる | 画像版の本体・VAE、指定の量子化ファイル、6ステップ・CFG 1がそろっているか確認します |
表の操作でメモリ不足が続く場合は、ComfyUIのVRAM不足を切り分ける手順で、止まったノードごとの設定を見直せます。
保存まで長く待つ場合は、ログが進んでいるかとRAMの空きを見ます。今回も初回と再生成では待ち時間が大きく変わりました。一枚保存できたら、同じ文章で別の表情を探す、16MPへ上げて細部を見る、編集へ進む、と試す先が広がります。
2048角で動かし、4096角で構図を探す
まず2048角を一枚保存して、モデルとメモリの具合を確かめます。次に4096角へ上げて、同じプロンプトでseedを変えてみます。寸法を上げた直後は49.86秒でしたが、続く2枚はどちらも15秒台。この環境では、出力したい大きさで候補を選び直せるくらいの待ち時間でした。
付録:同じ条件で試すための測定メモ
測定環境・時間とメモリの記録方法を開く
| 項目 | 実測時の構成 |
|---|---|
| GPU・ドライバー | GeForce RTX 5090 32GB、617.42 |
| CPU・メモリ | Ryzen 9 9950X、RAM 64GB(OS認識約61.58GiB) |
| モデル保存先 | Crucial MX500 500GB SATA SSD |
| OS・Python | Windows 11 Home、Python 3.13.15 |
| ComfyUI | 0.45.0、commit 989d93d0d968、テンプレート0.11.105 |
| PyTorch・CUDA | PyTorch 2.11.0+cu130、CUDA 13.0版 |
| 演算関連 | comfy-kitchen 0.2.41、comfy-aimdo 0.6.0、PyTorch attention |
| メモリ管理 | ComfyUI既定のNORMAL_VRAM、非同期オフロード。追加のlowvram設定なし |
実行設定: ComfyUIの標準ノードで、公式テンプレートのPEなしT2I部分に合わせたAPIワークフローを組みました。画面用JSONそのものではなく、PE分岐を含まない構成です。INT8本体・INT8 Qwen3-VL・FP16 VAEの3ファイルは配布元のSHA-256と照合済み。外部APIノードとカスタムノードは無効化しました。
画像と試行順: 全文プロンプトを共通に、2048×2048、4096×4096の順で各3回実行。各寸法のseedは 20261112 → 20261113 → 20261114 で、失敗・再試行はありません。各回一枚、Euler/simple、6ステップ、CFG 1、denoise 1。PE・参照画像・LoRA・アップスケールは使っていません。元の出力はいずれもPNGで保存しました。
時間: ローカルAPIへの送信直前から処理完了通知まで。必要になったモデル読み込み、文章処理、画像生成、VAE処理、PNG保存を含み、ダウンロードとブラウザー表示は含みません。初回でもOSのディスクキャッシュは消していません。4096角の一回目は、再起動せず2048角から寸法を変更した値です。
メモリ: VRAM使用量は、GPUの状態を取得するNVMLで約200ms間隔(最大観測間隔約216ms)に記録しました。表にはGPU全体で記録した最大値を載せています。初回開始前は約2.82GiB。デスクトップ、ほかのアプリ、再生成時に残るモデルも含み、記録の合間に起きた瞬間的なピークや、ComfyUIだけを動かすために最低限必要な容量は、この測定では分かりません。ファイル容量のGBは十進、使用量のGiBは二進の単位です。
比べるときの範囲: 実測の2048角は約4.19MPで、テンプレートの「4MP」選択値と区別して幅・高さを直接指定しました。MiniMax公称の「4096角を10秒未満」とは実行環境・測定範囲が異なります。今回は一つの文章による6回の生成で、起動直後の4096角、8MP、画像編集、PE有効時、長時間の安定性は未測定です。別のComfyUI版や演算条件では、同じseedでも絵が変わる場合があります。
まとめ
- H3-Imageは文章からの生成と参照画像の編集を一つのモデルで扱い、約16MPの画像を6ステップで生成する設計です。
- RTX 5090では2048角の初回が113.87秒、4096角へ変更した直後が49.86秒。4096角の再生成は15.19〜15.53秒でした。
- 測定中に記録したGPU全体のVRAM使用量は最大31.52GiB、システムRAMの空きは最小2.51GiB。試した構成とComfyUIの手順を掲載しています。
参照した情報源(13件)
- MiniMax H3-Image公式発表 ↗MiniMax
- MiniMax-H3-Image公式モデルカード ↗MiniMax
- MiniMax-H3-Image Community License Agreement ↗MiniMax
- MiniMax-H3-Image ComfyUI公式導入ガイド ↗Comfy Org
- MiniMax H3 Image is now available in ComfyUI ↗Comfy Org
- H3-Image公式T2Iテンプレート(確認版) ↗Comfy Org
- H3-Image公式画像編集テンプレート ↗Comfy Org
- ComfyUI用H3-Image配布ファイル ↗Comfy Org
- H3共通Qwen3-VLテキストエンコーダー配布一覧 ↗Comfy Org
- ComfyUI用Qwen3.5プロンプト拡張モデル配布一覧 ↗Comfy Org
- ComfyUI公式更新ガイド ↗Comfy Org
- GeForce RTX 5090 公式仕様(2026年9月26日確認) ↗NVIDIA
- Local Gen:MiniMax H3-ImageのRTX 5090実測データ(2048角・4096角の計6回) ↗local-gen.jp
