AI 概要
MiniMax H3 の「最初と最後のフレーム」とは？
MiniMax H3 FLF2V は、開始画像と終了画像の 2 枚を入力として受け取り、その間の視覚的な動きと同期したステレオ音声を生成します。ユーザーが両端のフレームを明確に定義し、プロンプトでその間の変化の道筋を指示します。
「最初と最後のフレーム」は「画像から動画へ（image-to-video）」とどう違うのか？
画像から動画へでは、開始フレームのみが固定されます。一方、「最初と最後のフレーム」では両端が固定されるため、モデルは任意の最終構図を発明するのではなく、指定された特定の最終構成に到達しなければなりません。
MiniMax H3 FLF2V でサポートされる画像フォーマットと解像度は？
ホスト型 H3 ツールは JPEG や PNG など、一般的な Web 画像をサポートしており、出力アスペクト比は最初の画像に従います。アップロード前に、両方のフレームを同一の寸法およびアスペクト比に合わせてください。
自分でも試してみますか？
登録で無料クレジット。プランは月額$20から。
ローカル GPU を使わずに MiniMax H3 の「最初と最後のフレーム」を利用できますか？
はい。クラウドホスト型の H3 エンドポイントがリモートで生成を処理します。また、ローカル環境では、適切なハードウェアを備えていれば、オープンウェイトのワークフローを ComfyUI 上で実行できます。
MiniMax H3 最初と最後のフレームが実際に実行すること
MiniMax H3 の「最初と最後のフレーム」動画（FLF2V）は、2 枚の静止画像を厳密な視覚的アンカーとして扱います。最初の画像はフレームゼロを固定し、最後の画像は最終的な到達点を固定します。その間で、H3 は動き、カメラ挙動、照明の変化、オブジェクトの変形、およびネイティブのステレオ音声を計画します。たとえば、閉じた花が開いて満開になる、正午の街並みがブルーアワーへと移り変わる、あるいは密封された製品ボックスが完全に開くといった変化が可能です。
通常の画像から動画への変換では最初のアンカーのみが固定されるため、終了フレームのポーズ、構図、色調、または製品の形状がずれてしまうことがあります。FLF2V はこの不確実性を狭めます。単なるクロスフェードではありません：モデルは 2 つの構成の間に妥当な経路を合成します。これにより、エンドポイントの制御が大幅に強化されますが、中間部分の品質は、画像とプロンプトの互換性に依然として大きく依存します。
公式 MiniMax API ドキュメントからの実際の「最初と最後のフレーム」ペア。一致した 16:9 のフレームは、開始ポートレートから最終ポートレートへとモデルに明確な経路を提供します。
ユースケース — 2 つのアンカーフレームが 1 つより優れる状況
2 つのアンカーは、最終ショットが最初のショットと同様に重要である場合に最も有効です：
| ユースケース | 最初のフレーム | 最後のフレーム | H3 が計画する内容 |
|---|---|---|---|
| 製品の公開 | 閉じたパッケージ | 製品が完全に表示された状態 | 開封動作、手渡し、ハイライト、サウンド |
| 時間の推移 | 夕焼けの街並み | 夜景のスカイライン | 光、交通、空、雰囲気の変化 |
| キャラクターのアクション | 立った姿勢 | 制御された着地 | 身体の軌道、布の動き、衝撃、カメラの追従 |
| ストーリーボードの橋渡し | 承認済みショット A | 承認済みショット B | 2 つのパネルをつなぐ接続ショット |
| 「前後」広告 | 元の部屋 | 完成したリフォーム後 | 材料およびレイアウトの変化 |
以下の公式 H3 の例は、コンセプト図ではなく、実際に生成された完成動画です。固定された双眼鏡マスクと繰り返される赤いアクセントが、モデルに強い連続性の手がかりを与えていることに注目してください。また、カメラは計画された瞬間の間をスキャンしています。
FLF2V の使い方 — MiniMax API および Seedance を通じたステップバイステップガイド
- 互換性のある 2 枚の画像を準備する。 両方の画像を同じアスペクト比および寸法にトリミングしてください。被写体のスケール、カメラ軸、主要な幾何学的構成を、自然な遷移が可能になる程度に近づけてください。
- 外観ではなく動きを記述する。 画像はすでに被写体と見た目を定義しています。それらをつなぐアクション、タイミング、カメラの動き、および音響のヒントを記述してください。
- 2 つのエンドポイントを送信する。 ホスト型 H3 のリクエストでは、開始画像に加えて
end_imageフィールドを使用します。ブラウザベースのワークフローでは、Seedance の「最初と最後のフレーム」ガイド を参照し、順番に 2 枚のフレームをアップロードしてください。 - 短いテストを生成する。 最も短い実用的な再生時間を選んで開始してください。中間部分を確認し、アイデンティティのズレ、不要なフェード、オブジェクトのポッピング、およびアクションと矛盾する音声がないかをチェックします。
- 一度に 1 つの変数だけを変更する。 遷移の経路が不適切な場合は、良好なエンドポイント画像を置き換える前に、まずモーションプロンプトを簡略化してください。
承認済みの製品やキャラクターの画像をアニメーション化するだけで、終了状態を厳密に指定する必要がない場合は、よりシンプルな Seedance の「画像から動画へ」ワークスペース の方が通常は高速です。
ComfyUI における「最初と最後のフレーム」の実行
グラフを構築する前に ComfyUI を最新版に更新してください。本ワークフローはバージョン 0.30.0 以降を前提としています。H3 FL2VA 拡散モデル、互換性のある Qwen3-VL テキストエンコーダおよび VAE を読み込み、ネイティブの MiniMaxH3ImageToVideo 条件付けノードを追加します。2 つのデコード済み画像入力をそれぞれ first_frame および last_frame に接続し、ターゲットの幅と高さを設定し、H3 の 17k+5 フレームグリッド上で有効な長さを選択します。24fps での一般的な 5 秒間のテストは、124 フレームとなります。
両方の入力画像は、潜在空間（latent）と同じアスペクト比にしてください。H3 のガイドランス蒸留型サンプラはガイドランス値 1 を使用します。従来の CFG を上げても安定性が向上するどころか、むしろ低下することがあります。完全な MiniMax H3 ComfyUI 設定 では、基本ファイルおよびグラフの接続順序について詳しく説明しています。
より迅速な反復作業を行うには、互換性のある Turbo アダプタを追加し、ステップ数を増やす前に 4 ステップ推論を試してください。MiniMax H3 Turbo LoRA ガイド では、ローダーの配置位置および推奨される強度について説明しています。Turbo は遷移のプレビューを支援しますが、最終的な品質向上には依然として基本ワークフローを用いることが推奨されます。
2つの固定フレームで動作するプロンプトの作成
エンドポイントの画像はすでに「何が見えるか」を示しています。実用的な FLF2V プロンプトは、それらの間でショットが「どのように」移動するかを説明します：被写体の動作、速度、カメラのパス、環境の変化、および音響。すべての視覚的ディテールを繰り返して記述するのは避けてください。そうすると、提供されたフレームと競合してしまう可能性があります。より広範な構文およびカメラ関連語彙については、MiniMax H3 プロンプティングガイド をご参照ください。
製品の登場シーン：カメラは、蓋が一連の連続した動きで持ち上がるのに合わせて、ゆっくりと30度のオービットを描きます。柔らかなハイライトが金属表面を滑らかに移動します。カットやディゾルブは一切使用しません。精密なヒンジの動き、静かなスタジオのアンビエンス、控えめなラッチのクリック音。
昼から夜への遷移：カメラ位置は固定したままです。時間は暖かい夕方からブルーアワーへと滑らかに進行します。実際の照明が1つずつ点灯し、交通は自然に継続し、遠くの都市のアンビエンスがわずかに大きくなります。
キャラクターの着地シーン：キャラクターが画角内に落下し、1回転して最終的なうずくまったポーズで着地します。カメラは着地時に合わせて下方へチルトし、衝撃とともにスムーズに停止します。コートと髪の毛は現実的な慣性に従って動き、クリーンな1回の着地音が鳴ります。
これらのプロンプトは、固定された衣装、ロケーション、または製品を再描写することなく、方向性とリズムを明確に指定しています。「一連の連続したショット」「カットなし」「ロゴを保持」といった明示的な連続性に関する言葉は、失敗が遷移を台無しにする場合にのみ使用してください。
制限事項、既知の問題、および回避策
| 問題 | 発生原因 | 実用的な対処法 |
|---|---|---|
| エンドポイントでの切り抜きやジャンプ | 画像が異なるアスペクト比や被写体のスケールを使用している | キャンバスサイズを一致させる；アップロード前に水平線、視線ライン、被写体の中心を揃える |
| 中間部でのモーフィング | 2つのフレームが不可能な幾何学的変化を暗示している | 視覚的な距離を縮める、または中間生成ステップを追加する |
| 終了時の到達感が弱い | 短時間内で多すぎるアクションが競合している | 主要なアクションは1つだけに絞り、最後の1秒は落ち着きのためだけに確保する |
| 不要なクロスフェード | プロンプトが変形を記述しているが、物理的な動きを記述していない | 機構を明示する：開く、回転する、展開する、歩く、またはカメラがパンするなど |
| 音声がビートに合わない | 音声はモーションとともに生成されるが、フレーム同期されていない | 単純なサウンド・キューアクションを1つだけ要求し、重要な音声はポストプロダクションで置き換える |
| 再生時間の不一致 | ローカル H3 は 17k+5 フレーム・グリッドに従う |
24fps で有効なフレーム数（例：124、209、294）を使用する |
最も大きな失敗の原因は、「2枚の画像が異なる世界を描写するよう依頼すること」です。中央に配置されたスタジオ撮影のパッケージショットが、発明された幾何学なしに、短いクリップ1本で広大な屋外アクションシーンへと自然に変化することはできません。FLF2V は、エンドポイントが状態・ポーズ・ライティング・カメラ位置のいずれかで異なっていても、被写体と空間が一貫して共通している場合に最も力を発揮します。
結論
MiniMax H3 の「最初と最後のフレーム」モードは、動画が承認済みのビジュアルで開始・終了しなければならない場合に最適な選択肢です：2つのフレームを一致させ、その間の動きのみを記述し、短い遷移をテストし、モーフィングやジャンプを伴う要素はすべて簡略化してください。スピードを重視する場合はクラウド生成を、ローカルでの制御を重視する場合は ComfyUI をご利用ください。ローカル GPU の設定を一切行わずに、2つのキーフレームを完成したキャンペーン用クリップへと変換したい場合は、次回の動画を Seedance で作成 →
自分でも試してみますか？
このガイドの手順をSeedanceでそのまま試し、プロンプトや画像を数分で完成度の高い動画に変えましょう。
登録で無料クレジット。プランは月額$20から。
MiniMax H3：30 ステップ vs 50 ステップ — 品質と速度に実際にどのような変化があるか
MiniMax H3 を 20・30・50 ステップで比較：画像のディテール、生成時間、音声品質、Turbo LoRA の速度、および各ワークフローに最適な設定。
記事を読む
2026年における品質、速度、音声のための最適なMiniMax H3設定
ComfyUIまたはクラウド上で、解像度、ステップ数、サンプラー、スケジューラー、ガイドランス、音声、およびすべてのH3生成モードに最適なMiniMax H3設定を活用してください。
記事を読む
MiniMax H3 LoRA 学習：カスタム動画スタイル向けファインチューニングの完全ガイド
MiniMax H3 のビデオデータセットを準備し、T2V、I2V、first-last-frame、または Ref2VA の学習方式を選択して、rank と学習率を調整し、得られた LoRA をクラウドまたはローカルのワークフローで使用します。
記事を読む