MiniMax Hailuo H3 動画生成 API:ネイティブ音声付き

結論から言うと、MiniMax Hailuo H3(モデル ID MiniMax-H3)が HopBase でセルフサービスの動画 API として利用可能になりました。POST /v1/video/generate にジョブを送信してタスク ID を受け取り、GET /v1/video/tasks/{task_id} をポーリングして completed になれば、安定したダウンロード URL を取得できます。テキストから動画、先頭・末尾フレームを固定できる画像から動画、そして画像・動画クリップ・音声を組み合わせて被写体・動き・リズムを制御するマルチモーダル参照に対応しています。クリップの長さは 4〜15 秒、解像度は 768P または 2K、24 FPS、アスペクト比は 21:9 から 9:16 まで対応し、ネイティブのステレオ音声と、11 言語に対応したモデル内蔵のセリフ・ナレーションを備えています。公式定価は出力 1 秒あたり 768P で $0.08、2K で $0.13 です。入力画像は最初の 5 枚を超えた分が 1 枚あたり $0.04、参照動画は出力ティアの単価で入力秒数に応じて課金され、参照音声は無料です。生成に失敗した場合や安全フィルターに該当した場合は一切課金されません。リクエストボディは MiniMax 公式の v2 仕様と同じ形式です。

MiniMax の新しいオープンな汎用マルチモーダル動画モデル Hailuo H3 が HopBase で利用可能になりました。登録すれば、すぐにセルフサービスで呼び出せます。本記事のカバー画像は、H3 の実際の出力(2K のテキストから動画)の先頭フレームを無加工で使用したものです。

できること

3 つのワークフロー:テキストから動画、画像から動画(先頭・末尾フレームの固定)、マルチモーダル参照(画像・動画クリップ・音声を組み合わせて被写体・動き・リズムを制御)。
4〜15 秒のクリップを 768P または 2K で出力。アスペクト比は 21:9 から 9:16 まで、24 FPS。
すべてのクリップにネイティブのステレオ音声が付き、11 言語に対応した TTS によるモデル内蔵のセリフとナレーションも生成できます。別途吹き替え作業は不要です。
完成したクリップのみ課金:生成に失敗した場合や安全フィルターに該当した場合は一切課金されません。

料金：出力 1 秒あたり

項目	公式定価
768P 出力(1 秒あたり)	$0.08
2K 出力(1 秒あたり)	$0.13
入力画像(最初の 5 枚を超えた分、1 枚あたり)	$0.04

参照動画の入力は、出力ティアの単価で入力秒数に応じて課金されます。参照音声は無料です。ご利用プランでの HopBase の料金は、最新の料金ページに従います。

3 分でクイックスタート

curl https://api.hop-base.com/v1/video/generate \
  -H "Authorization: Bearer sk-your-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [{"type": "text", "text": "Aerial drone shot over snow mountains above a sea of clouds"}],
    "resolution": "2K", "duration": 4, "ratio": "16:9"
  }'

送信するとタスク ID が返ります。GET /v1/video/tasks/{task_id} をポーリングして completed になれば、安定したダウンロード URL を取得できます。リクエストボディは MiniMax 公式の v2 仕様と同じ形式なので、既存のコードはベース URL と API キーを差し替えるだけで移行できます。仕様の全体は MiniMax H3 ドキュメントをご覧ください。