- MiniMax-H3はテキスト・画像・音声・動画を扱うオムニモーダル生成システム
- MLX移植パッケージによりAppleシリコン上でローカル実行が可能に
- 動画生成は約115GBのモデルと45分弱の処理時間が必要
発表内容と背景
Simon Willison氏は2026年8月4日付けのブログで、MiniMaxが公開したMiniMax-H3をMLX向けに移植したPythonパッケージ「pipenetwork/minimax-h3-mlx」を取り上げました。MiniMax-H3は8月2日にリリースされたばかりで、同社はこれを「汎用オムニモーダル生成システム」と説明しています。
このパッケージを使うと、Appleシリコンを搭載したMac上でモデルをローカルに実行できます。記事では実際にM5 Max搭載MacBook Proで動作確認した結果が報告されています。
技術的特徴と仕組み
MiniMax-H3は、テキスト・画像・音声・動画のいずれも入力として受け付け、それらを組み合わせて最大15秒の音声付き動画を生成できます。従来のテキストから動画を生成するモデルとは異なり、複数の入力モダリティを扱える点が特徴です。
MLXはAppleが開発した機械学習フレームワークで、Apple Siliconの性能を引き出すように設計されています。この移植パッケージにより、クラウドを介さずにMac上でモデルを動かせることが新しさの一つです。
実行環境と測定結果
実行には大容量のモデルファイルが必要です。Willison氏の例では、およそ115GBのモデルファイルをダウンロードし、生成スクリプトを実行しました。プロンプトは「a rainbow colored skunk leaps over a mossy log in a supermarket」という一文です。
動画生成にかかった時間は45分弱でした。出力された動画は印象的だった一方、音声は指定がないために意味不明な音声のようなものになったと報告されています。
音声品質と注意点
この結果から、モデル自体はローカルで動作するものの、動画生成には時間とストレージ容量が大きくかかることが分かります。また、音声を意図通りに生成するにはプロンプトの指示が重要で、Willison氏はプロンプトガイドに詳細な情報があると述べています。
現時点では、個人が手軽に試すには一定のハードルがありますが、Appleシリコン上でオムニモーダル生成を動かす選択肢が増えたことは意味があると言えるでしょう。
It downloaded ~115 GB of model files, and the video generation took just under 45 minutes.
モデルファイルは約115GBをダウンロードし、動画生成には45分弱かかりました。
日本の開発者・IT企業にとっての意味
日本のIT企業や開発者にとって、動画生成モデルを自前のMac上で実行できる可能性が出てきた点は注目に値します。クラウドAPIに依存せず、機密性の高いデータを外部に出さずに動画生成を試せるため、プロトタイプ開発や社内利用の選択肢が広がります。一方で、115GBというモデルサイズと45分近い生成時間は実運用上の制約です。GPUメモリやストレージの要件を事前に確認し、生成結果の品質評価やプロンプト設計を慎重に行う必要があります。特に音声生成は指示次第で品質が変わるため、ガイドの活用が重要になるでしょう。
用語解説
- MLX
- Appleが開発した機械学習フレームワーク。Apple Silicon上のGPUやCPUを効率的に利用できる。
- オムニモーダル
- テキスト・画像・音声・動画など複数の種類のデータを統合的に扱うこと。
- Apple Silicon
- Apple製のMシリーズチップ。M5 Maxはその高性能なノート向けモデル。
出典
PipeNetwork/minimax-h3-mlx
企業のAI活用顧問を、いまなら無料で承っています
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて一緒に整理します。導入前の相談だけでも構いません。
無料でAI活用の相談をする