MiniMax H3 必要スペック早見表

MiniMax H3 は、動画と音声を同一パスで同時生成するオープンウェイトモデルで、2026年8月3日にweightsが公開された。結論から言うと、ComfyUI公式が推奨する最小構成（pruned INT8＋NVFP4量子化）なら配布ファイル合計は約42.5GBで、VRAMはコミュニティ報告で24GB前後が目安（レイヤーごとのオフロードを使えば12GBでも動作しうるとの報告もある）。一方、bf16フル精度で全パーツを揃えると合計約123.6GBに達し、公式のSGLangサンプルは4GPU構成を前提にしている。以下、量子化パターン別の必要スペックを早見表で整理する。同系統のGLM-5.2の必要スペック早見表やDeepSeek V4の必要スペック早見表もあわせて参考にしてほしい。

この早見表はあくまで公開されているファイルサイズと、コミュニティ・ComfyUI開発チームの報告を整理したものであり、MiniMax公式が明示した「必要スペック表」ではない点に注意してほしい（詳細は後述）。MiniMax H3は中国のAI企業MiniMaxが2026年7月31日に発表し、8月3日にweightsを公開した動画・音声同時生成モデル。Hugging Faceでは MiniMaxAI/MiniMax-H3、ComfyUI向け公式配布は Comfy-Org/MiniMax-H3 として公開されている。アーキテクチャは33.1Bパラメータのdense single-stream omniトランスフォーマー（うち13BがAdaLN分岐）で、テキストエンコーダにはQwen3-VL-32Bを採用している。

公開されたのはH3-Baseの2チェックポイント、テキスト・先頭末尾フレーム指定から生成するFL2VAと、画像・動画・音声を参照入力にできるRef2VAのみ。前処理を担うH3-Context-IRと2Kアップスケール用のH3-Regenerate-2Kはホスト型APIのみでの提供にとどまり、weightsは非公開となっている。出力は最大約15秒・24fps・既定768p（2K化はRegenerate-2K経由）、32kHzステレオ音声を同一パスで同時生成し、対応言語は日本語を含む11言語（ar/zh/en/fr/de/it/ja/ko/pt/ru/es）、アスペクト比は21:9/16:9/4:3/1:1/3:4/9:16に対応する。推論フレームワークはDiffusers・SGLang・vLLM・ComfyUIが挙げられている。

以下はHugging Face Comfy-Org/MiniMax-H3 のAPIで確認できる実測ファイルサイズ。FL2VAとRef2VAはdiffusion部分のサイズが同一で、量子化バリエーションごとにファイルが分かれている。

pruned INT8はAdaLNのカーブテーブルを事前計算することで、通常のINT8_convrotよりも約40%小さくなっている点が特徴。ディスク容量を抑えたい場合はまずpruned版を検討するとよい。weightsが自前運用できるオープンウェイトモデルという意味では、Kimi K3のweights公開・自前運用記事で扱った選定基準も参考になる。

- bf16: 精度最優先。フルサイズのため合計約123.6GBのディスクと80GB級GPU（またはマルチGPU）が必要になる目安。品質検証・研究向け。
- int8_convrot（非pruned）: 品質と容量のバランス型。合計約67GBで、48GB級GPU1枚での運用を想定しやすい。
- pruned_int8_convrot: AdaLNカーブテーブルの事前計算により約40%小型化。ComfyUI公式ワークフローが標準採用しており、合計ディスクは最小構成で約42.5GB。
- nvfp4_awq（テキストエンコーダのみ）: Qwen3-VL-32Bをさらに軽量化したフォーマットで15.69GB。diffusion側をpruned INT8にした最小構成と組み合わせるのが公式ワークフローの標準。

ComfyUI公式ワークフロー（T2V/I2VもR2Vも共通）が推奨するファイル構成は次の4つ。minimax_h3_{fl2va|ref2va}_pruned_int8_convrot.safetensors ＋ qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors ＋ minimax_h3_video_vae_fp16.safetensors ＋ minimax_h3_audio_vae_fp32.safetensors。合計ディスク容量は20.97GB＋15.69GB＋5.21GB＋0.61GBで約42.5GBとなる。FL2VAとRef2VAを両方使いたい場合はdiffusionファイルがそれぞれ約21GB追加される点に注意したい。

MiniMax公式からは「◯GB VRAMで動作」といった明示的な要件表は出ていない。以下はコミュニティの検証報告やComfyUI開発チームのコメントを整理した目安であり、公式スペックではない前提で参考にしてほしい。

- 24GB級（RTX 4090など）: pruned INT8＋NVFP4構成＋レイヤーごとのオフロードを組み合わせれば動作するとの報告がある現実的なライン。
- 12GB級: ComfyUI開発チームは、大量のシステムRAMと高速ストレージを前提に12GBでも動作しうるとコメントしている。ただし生成速度や安定性は保証されていない。
- 48GB級（RTX 6000 Adaなど）: int8_convrot（非pruned）を含む構成なら、オフロードの負荷を抑えて動かせる目安。
- 80GB級／マルチGPU（H100など）: bf16フル精度を扱う場合の目安。公式SGLang推論例は4GPU構成を提示している。

Apple Siliconでの動作について、現時点でMiniMax H3固有の公式・コミュニティ検証情報はほとんど見当たらない。統合メモリアーキテクチャ上、理論的には大容量メモリを積んだMac（例えば128GB以上のMac Studio等）であればbf16以下の量子化バリエーションをメモリに載せること自体は可能とも考えられるが、ComfyUIのMPSバックエンドでの実際の動作確認・速度に関する情報は乏しい。動作を前提にした導入判断は避け、まずは検証事例の登場を待つのが無難だろう。

MiniMax H3は「MiniMax H3 Community License Agreement」のもとで公開されている。非商用利用は自由に行える。商用利用については、直近12ヶ月の年商が2,000万米ドル未満の組織であれば、帰属表示（attribution）を行うことを条件に利用が認められる。年商がこの基準を超える企業は、別途MiniMaxとのライセンス契約が必要になる可能性があるため、導入前にライセンス文書の該当条項を確認しておきたい。

- できる: 最大約15秒・24fps・既定768pの動画生成、32kHzステレオ音声の同時生成、テキスト/先頭末尾フレーム指定（FL2VA）や画像・動画・音声参照（Ref2VA）からの生成、11言語対応、21:9〜9:16の複数アスペクト比。
- できない（公開weightsの範囲では）: 2Kアップスケール（H3-Regenerate-2Kは非公開でホスト型APIのみ）、前処理段階のH3-Context-IRを用いた高度な入力整形（同じく非公開）。これらはMiniMaxのホスト型サービスを利用する必要がある。

- VRAM不足でロードに失敗する: まずpruned_int8_convrot＋nvfp4_awqの最小構成に切り替え、それでも不足する場合はレイヤーごとのオフロード設定を有効にする。
- オフロード後も動作が不安定: システムRAMとストレージ速度がボトルネックになっている可能性がある。ComfyUI開発チームの想定では12GB VRAM運用は大量のシステムRAMと高速ストレージが前提になっている。
- 生成が遅い・メモリが厳しい: 解像度（768pより下げる）や生成秒数を短くする、テキストエンコーダをnvfp4_awqなどより軽い量子化に切り替える、といった調整を試す。
- FL2VAとRef2VAを両方使うとディスクが逼迫する: diffusionファイルはそれぞれ約21GB（pruned INT8時）必要になるため、用途を絞って片方のみ導入するのも選択肢。