MiniMax H3はローカルで動く？ComfyUI・必要VRAM・RTX 3060の条件を整理

MiniMax H3は、33Bパラメータ級なのにRTX 3060クラスでもローカル実行できるとして注目を集めている動画生成モデルだ。

ただし、この説明だけを見ると誤解しやすい。

RTX 3060の12GB VRAMへ33Bモデルの全重みがそのまま収まるわけではない。MiniMaxとComfy Orgが案内しているローカル実行は、枝刈り、int8量子化、カスタムカーネル、Dynamic VRAMによるオフロードを組み合わせた最適化済み構成を前提としている。

そのため、MiniMax H3を自分のPCで使えるか判断するときは、GPUのVRAM容量だけを見てはいけない。

MiniMaxとComfy Orgの公式情報から、MiniMax H3のローカル実行条件、ComfyUIでの導入、12GB・16GB・24GB以上のGPUでの判断、ライセンス上の注意点を確認できる。

MiniMax H3とは

MiniMax H3は、MiniMaxがオープン重みとして公開した第三世代の動画生成モデルだ。公式配布では33B パラメータとされている。

大きく2系統のワークフローがある。

• FL2VA: テキストから動画への生成、画像から動画への生成、開始・終了フレーム制御向け
• Ref2VA: 複数の画像・動画・音声を参考として使う生成向け

H3の特徴は、映像だけを作って後から音を付ける構成ではなく、動画とステレオ音声を同じ生成系で扱えることにある。

MiniMax公式によると、オープン重みは短辺768pをネイティブ出力とし、オンライン/API側では追加処理による2K出力も提供されている。したがって、「H3は2K対応」という情報をそのままローカルオープン重みのネイティブ出力条件として読まない方がよい。

また、最大15秒の動画生成や、画像・動画・音声を組み合わせた参考入力も特徴になっている。

RTX 3060 12GBで本当に動くのか

結論から言えば、公式側はRTX 3060級12GB VRAMでのローカル実行を案内している。

ただし条件付きだ。

MiniMax公式のハードウェア目安では、12GB VRAM級について、枝刈り済み int8 チェックポイントを使った480p動画＋音声の参考例が示されている。Comfy Orgも、H3向け最適化とDynamic VRAMを組み合わせることでRTX 3060上で実行可能だとしている。

重要なのは、次の2つを分けることだ。

「12GB VRAMで実行できる」ことと、「モデル一式が12GBに収まる」ことは同じではない。

Comfy Orgは、H3の高精度時のメモリ使用量を123.6GB、最小の最適化済み構成では42.5GBまで削減したと説明している。

42.5GBは12GBより大きい。その差を成立させているのが、Dynamic VRAMを含むメモリ管理とシステムRAM側へのオフロードだ。

そのため12GB GPUで使う場合は、VRAMだけでなくシステムRAMにも余裕を持たせる必要がある。

MiniMax公式は32〜64GBのシステムRAMを目安として挙げている。

「33Bなのに12GB」の仕組み

H3が一般的な33Bモデルのイメージより小さなGPUで動く理由は、主に3つある。

1. 変調重みの枝刈り

Comfy Orgは、H3のパラメータのうち約40%を占める変調重みについて、枝刈りしたうえで機能的に同等の参照表へ置き換えられると説明している。

これにより、保持する重み量そのものを減らしている。

2. int8 ConvRotによる圧縮

さらに重みへint8 ConvRot 量子化を適用し、高精度よりメモリ使用量を小さくしている。

ここで「33Bだから4bitなら約16.5GB」のような単純計算だけで必要VRAMを判断するのは危険だ。

動画生成処理パイプラインでは拡散モデルだけでなく、テキストエンコーダー、VAE、音声関連構成要素、生成途中のテンソルなどもメモリを消費する。チェックポイントファイルサイズと実行時VRAM使用量のピークも一致しない。

3. Dynamic VRAMによるオフロード

ComfyUIは、VRAMへ全構成要素を常駐させるのではなく、必要に応じて重みを移動させるメモリ管理を持つ。

H3ではこの仕組みが特に重要になる。

GPUに載らない部分をシステムRAMへ逃がせる一方、PCIe越しの転送が増えるため、VRAMが少ないほど生成速度とのトレードオフが大きくなる。

「動く」と「快適に使える」は分けて考えた方がよい。

VRAM別にどう考えるか

公式情報から安全に言える範囲では、次のように考えると分かりやすい。

GPU VRAM	判断の目安	注意点
12GB	公式にRTX 3060級の参考例あり	480p・最適化チェックポイント・オフロード前提。システムRAMの影響が大きい
16GB	12GBよりオフロード余地が減りやすい	それでも全構成要素常駐を前提にしない
24GB	より高精度な構成や大きな条件を検討しやすい	解像度・尺・参考数でピークメモリは変わる
32GB以上	H3をローカル動画生成の主力として試しやすい	32GBでも無条件に全設定がVRAM内完結するとは限らない

この表は「必要VRAMの保証値」ではない。

H3はワークフロー、チェックポイント、量子化、解像度、フレーム数、参考入力、ComfyUI側のメモリ設定によって負荷が変わるためだ。

12GBで動いたという情報から、2K・15秒・多数参考まで同じ条件で快適に動くとは判断しない方がよい。

ComfyUIで使うなら0.30.0以降を基準にする

Comfy OrgはMiniMax H3をComfyUI 0.30.0からネイティブ対応として案内している。

導入時は、独自の古いワークフローを探すより、まず公式テンプレートから始める方が切り分けしやすい。

基本の流れは次の通り。

1. ComfyUIを0.30.0以降へ更新する
2. テンプレートライブラリからMiniMax H3 ワークフローを選ぶ
3. ワークフロー内の案内に従って必要構成要素を配置する
4. 最初は低解像度・短尺で生成する
5. VRAM ピークとシステムRAM使用量を確認する
6. 安定してから解像度、長さ、参考数を増やす

H3にはT2V、I2V、R2V向けの公式ワークフローがある。

開始画像と終了画像を指定する場合は、AI動画で最初と最後の画像を指定する方法も合わせて確認すると、開始・終了フレーム条件付けと一般的な2枚画像補間を混同しにくい。

12GB GPUでは最初から高解像度を狙わない

12GB GPUでH3を試すなら、最初の目的は「最高品質を出すこと」ではなく、自分の環境で処理パイプラインが安定して完走する条件を見つけることにした方がよい。

まず480p・短尺・参考少なめから始める。

そこで次を確認する。

• CUDA out of memoryが発生しないか
• システムRAMが枯渇していないか
• ディスクスワップが増えて極端に遅くなっていないか
• モデル読み込みのたびに長時間待っていないか
• 音声/動画生成処理まで正常に完走するか

OOMが出る場合は、闇雲に設定を変える前にComfyUIのCUDA out of memory対処で、VRAM不足と設定ミスを切り分ける。

生成そのものが遅い場合も、VRAMだけが原因とは限らない。ComfyUIが遅いときのボトルネック確認の考え方で、GPU 計算、オフロード、RAM、ストレージを分けて見る方がよい。

FL2VAとRef2VAは用途で選ぶ

H3では、まず「どのチェックポイントが高品質か」より何を入力したいかで構成を選ぶ。

FL2VAが向くケース

• テキストから動画を作りたい
• 1枚の画像を動かしたい
• 最初フレームと終了フレームを指定したい
• 比較的シンプルな動画生成から始めたい

Ref2VAが向くケース

• 複数画像から人物や物体の一貫性を持たせたい
• 参考動画の動きを利用したい
• 音声参考を使いたい
• クリップ続きを生成や編集を行いたい

MiniMax公式では、Ref2VAは最大9枚の画像、3本の動画クリップ、3本の音声クリップを参考として扱えると説明している。

ただし、参考を増やせば無料で性能が上がるわけではない。入力が増えるほどメモリ・処理時間・条件同士の競合も考える必要がある。

動画の長さ・FPS・解像度は別の負荷軸

動画生成では、「モデルがGPUへ入るか」だけを確認しても十分ではない。

フレーム数や解像度を増やすと、中間テンソルやデコーダー側の負荷も増える。

そのため、H3が一度起動できたからといって、そのまま長尺化・高解像度化できるとは限らない。

AI動画のフレーム数・FPS・解像度・長さの考え方で整理しているように、動画ではこれらを別々の軸として増やす方がトラブルを追いやすい。

特に低VRAM環境では、一度に全部を上げないことが重要だ。

ライセンスは「重み公開＝無条件」ではない

MiniMax H3はMiniMax H3 Community Licenseで公開されている。

MiniMax公式はロイヤリティ不要の商用利用を認めているが、一般的なApache 2.0やMIT Licenseと同じではない。

公式Q&Aでは、少なくとも次の条件が案内されている。

• 年間売上が2,000万米ドルを超える商用製品/サービスでは別途許可が必要
• H3を利用する商用製品では「MiniMax H3」の表示要件がある
• Acceptable Use Policyへの準拠が必要
• 第三者へ提供するサービスでは適切な内容安全対策が必要
• EU、UK、US、South Koreaではオープン重みライセンスの地域に制限がある

日本で個人がローカル利用するケースと、海外向けSaaSへ組み込むケースでは判断が変わり得る。

モデルをダウンロードした時点で「オープンだから何に使ってもよい」と決めず、AIモデルのライセンスをダウンロード前に確認する方法と同じ手順で、利用時点の原文を確認した方がよい。

RTX 3060で動くこと自体がH3の重要なポイント

H3で注目すべきなのは、33Bというパラメータ数そのものではない。

100GB超の高精度メモリ使用量を持つ動画モデルを、枝刈り・量子化・オフロードによって一般向け GPUまで降ろしてきたことの方が、ローカルAIという観点では重要だ。

これは今後の動画生成モデル選びにも影響する。

巨大モデルが公開されたとき、「VRAMが足りないから無理」とパラメータ数だけで切るのも、「12GBで動くと書いてあるから余裕」と考えるのも、どちらも正確ではない。

見るべきなのは、公式にどのチェックポイントがあり、どの精度で、どの実行環境が対応し、どこまでオフロードでき、どの解像度・尺で参考例が出ているかだ。

MiniMax H3については、ComfyUIのネイティブ対応と公式最適化が揃っているため、12GB級でも試す道はある。

ただし低VRAMほどシステムRAMと生成時間へ負担を移す構成になる。まず480p・短尺で自分の環境の限界を測り、その結果から高解像度化や長尺化を判断するのが安全だ。