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

AI 概要

MiniMax H3 LoRA 学習とは何ですか？

MiniMax H3 LoRA 学習は、33B の H3 ベースモデルの重みを凍結したまま、小さなアダプターに特定のキャラクター、ビジュアルスタイル、製品、またはモーションを学習させます。エクスポートされたアダプターは、フルチェックポイントよりもはるかに小さく、推論時にベースモデルと組み合わせて使用できます。

ローカルで MiniMax H3 LoRA を学習するにはどの程度の VRAM が必要ですか？

公表されている普遍的な最小要件はありません。16GB を、解像度を大幅に下げた場合の積極的な目標値と見なし、24GB をより現実的な出発点とみなしてください。12GB では、重度の量子化、オフロード、短いクリップ、および十分なシステム RAM を併用しないと動作しない可能性があります。

MiniMax H3 LoRA データセットには何本の動画が必要ですか？

クラウド学習サービスでは最低 10 クリップを受け付けますが、50–200 本のクリーンで多様なクリップが、より実用的かつ強力な目標値です。すべてのクリップを 24fps に正規化し、有効な 17n+5 フレーム数（現在のトレーナーでは 22、39、56、73、90、107、124 フレーム）を使用してください。

ローカル GPU を使わずに MiniMax H3 LoRA を学習できますか？

はい。ホステッド fal トレーナーでは ZIP 形式のデータセットを受け付け、.safetensors 形式のアダプターを返します。公開されている 3 つのトレーナーエンドポイントが、4 つのターゲット（T2V、I2V／初めのフレーム、初めと終わりのフレームによる推論（I2V LoRA を利用）、Ref2VA）をカバーしています。

MiniMax H3 に対して LoRA を学習する理由

MiniMax H3 は、被写体、スタイル、カメラ動き、音声のあらゆるバリエーションに汎化するよう設計された、33B の統合型動画・音声 DiT です。この汎用性は有用ですが、汎用モデルは、フィクションのキャラクター、正確な製品仕上げ、あるいは数十ショットにわたって一貫したハウス・モーション言語を自動的に保持しません。LoRA は、ベースの重みを凍結したまま、少数の学習可能な低ランク更新を追加します。

プロンプトや参照画像を繰り返し与えても結果がブレる場合に LoRA を学習します。キャラクターデータセットは、場所を問わず安定した顔、衣装、シルエットを学習させます。製品データセットは、形状、素材、ロゴ配置、好ましい広告用ライティングを強化します。モーション LoRA は、再発する軌道、ダンスの語彙、トランジションパターンなどへ H3 をバイアスさせます。LoRA は、不適切なキャプションや矛盾したクリップに対する「修復ツール」ではありません。むしろ、データセット内のパターン（誤りを含む）を増幅します。

MiniMax H3 T2V · カスタム LoRA 学習前の公式ベースライン出力

このような実際のベースラインレンダリングを用いて、アダプターが改善すべき内容を明確に定義してください。目的が新しいアイデンティティやスタイルではなく、単にローカルでのサンプリング速度向上である場合は、代わりに MiniMax H3 Turbo LoRA ガイド をご利用ください。

四つの H3 LoRA トレーナーの概要

H3 には 4 つの有用な LoRA 学習ターゲットがありますが、現在のホステッド API では 3 つのトレーナーエンドポイントが公開されています。first-last-frame（FLF2V）の作業は I2V アダプターファミリーを再利用します：初めのフレームによる条件付けで学習を行い、その後、LoRA 対応 I2V 推論エンドポイントに終了フレームを供給します。

プロンプトのみで概念を呼び出す必要がある場合は T2V を選択してください。ソースフレームがアイデンティティのアンカーとなる場合は I2V／FLF2V を選択してください。制作要件が混合された参照画像、動画、または音声に依存する場合は Ref2VA を選択してください。学習を行わない状態で同じ初期モードを比較したい場合は、データセットを提出する前に Text to Video ワークスペース を試してください。

データセットの準備：クリップ、キャプション、および 17n+5 フレームグリッド

動画ファイルとキャプションファイルを、名前が一致するように 1 つのフォルダー内に格納してください（例：shot_001.mp4 と shot_001.txt）。.mp4、.mov、.avi、.mkv のいずれかの形式を使用し、1 クリップにつき 1 つのコンセプトを保ち、編集や透かしを除去し、類似クリップを避けます。キャプションは、持続的なコンセプトに加えて、可視化可能なアクション、カメラの動き、音声を明記してください。曖昧なキーワードの羅列は避けてください。MiniMax H3 プロンプティングガイド では、役立つキャプション構造が紹介されています。

すべてのクリップを 24fps に正規化してください。H3 ではフレーム数のルールとして frames = 17n + 5 を採用しています。数学的には 5 フレームも有効ですが、現在のホステッドトレーナーでは 22–124 フレーム を受け付けるため、22、39、56、73、90、107、124 のいずれかを使用してください。再生時間のラベルに頼らず、まずトリミングを行い、その後フレーム数を確認してください。

パイプラインテストのためだけに最低限 10 クリップから始めることもできますが、実用的なキャラクターやスタイル向けアダプターを得るには、50–200 本の多様で適切にキャプションされたクリップがより良い作業範囲です。検証用に 10–15% を分割してください。ターゲットとなるアイデンティティを一貫して保ちつつ、構図、背景、カメラ角度、モーションを変化させてください。

公式ワークフローで使用された実際の H3 I2V ソース画像。製品向け LoRA の学習データは、この画像と同程度の精度でディテールを保持しつつ、ショットデザインを変化させる必要があります。

MiniMax H3 I2V · 公式ソースからモーションへの出力

ai-toolkit および ComfyUI を用いたローカル学習

ai-toolkit のコミット 8502a84 では、MiniMax H3 の T2V（テキストから動画）および初フレーム条件付き I2V（画像から動画）の学習が追加されました。このコミット、またはそれ以降のリリースをご利用ください。本コミットでは、刈り込み済み int8 ConvRot H3 トランスフォーマーと、NVFP4/AWQ 量子化済み Qwen3-VL テキストエンコーダーをロードし、FlowMatch を用いた学習を実行します。また、ComfyUI と互換性のある LoRA キーをエクスポートします。H3 サンプラーはガイドランス蒸留（guidance-distilled）方式であるため、従来型の CFG（Classifier-Free Guidance）チューニングではなく、サンプリングガイドランスは 1 のままにしてください。

以下は、ai-toolkit ジョブ内での焦点を絞った開始ブロックとしてご利用ください。完全なハードウェア非依存レシピではありません：

network:
  type: lora
  linear: 16
  linear_alpha: 16
train:
  steps: 2000
  noise_scheduler: flowmatch
  optimizer: adamw8bit
  lr: 2e-4
model:
  name_or_path: MiniMaxAI/MiniMax-H3
  arch: minimax_h3
  quantize: true
  model_kwargs:
    partition: fl2va
sample:
  guidance_scale: 1

H3 の実装では、動画向け FlowMatch の内部シフト値が 12、音声向けシフト値が 3 に固定されています。汎用の画像モデルプリセットでこれらを上書きしないでください。I2V の場合、データセットの「初フレーム条件付け（first-frame conditioning）」を有効化し、長時間の学習を開始する前にフレームのソースを確認してください。ラテンテント／テキスト埋め込みをキャッシュし、250–500 ステップごとにチェックポイントを保存し、各保存時に同一の固定プロンプトで検証を行ってください。学習後の検査および推論には ComfyUI を使用します。完全な H3 ComfyUI 設定手順では、ベースファイルおよびグラフについても解説しています。

fal を用いたローカル GPU 無しのクラウド学習

1. 対応する動画と .txt キャプションを ZIP でパッケージ化します。必要に応じて、トレーナー固有の「初フレーム」または「参照画像」のサプライメンタルファイル（sidecars）も含めてください。
2. 上記の表を参照し、T2V、I2V、または Ref2VA トレーナーのいずれかを選択します。
3. ステップ数、ランク（rank）、学習率、フレーム数、解像度、および条件付け確率を設定します。
4. 短時間のテストを実行し、検証出力を確認したうえで、概念がまだ改善している場合のみ学習時間を延長します。
5. 返却された .safetensors アダプターおよび設定ファイルをダウンロードします。

現在のスキーマでは、デフォルト値として 2,000 ステップ、ランク 32、学習率 2e-4、24fps、73 フレームが採用されています。ランクは 8–128 の範囲で受け付けられます。課金は学習ステップ単位で計算されるため、ブログ記事に記載された数値ではなく、UI に表示されるリアルタイム見積もりが起動前の信頼できるコストとなります。本サービスはローカル VRAM を必要としませんが、データセットの品質およびチェックポイントの検証は引き続きユーザーの責任です。

MiniMax H3 Ref2VA · 公式 混合参照出力

主要ハイパーパラメータ — ランク、学習率、ステップ数

ランクは「品質」のスライダーではなく、「容量」を表します。ランクを高くするとファイルサイズが増大し、背景や顔をより速く記憶（memorize）してしまう可能性があります。学習率は更新量を制御します。テクスチャが粗くなる、あるいはアダプターがプロンプトを圧倒するようであれば、学習率を低下させてください。ステップ数は「整数値に到達すること」ではなく、「検証結果に基づいて」決定すべきです。すべてのプロンプトで同一の構図が再現される場合は、直近のチェックポイントへロールバックするか、データの多様化を検討してください。

Seedance および ComfyUI における学習済み LoRA の利用

ComfyUI で H3 を使用する場合、アダプターを ComfyUI/models/loras/ にコピーし、モデルリストを更新してから、H3 拡散モデルの後にロードしてください。強度（strength）は 0.7–1.0 から始めます。アダプターは、正しい FL2VA または Ref2VA ベースと一致させる必要があります。トリガーフレーズをホールドアウトしたプロンプトでテストし、その後、同一のシード、フレーム数、サンプラー設定でベースモデルと比較してください。

Seedance の標準ブラウザワークフローでは、任意の .safetensors ファイルを直接読み込む機能は提供されていません。実用的な橋渡し方法は、H3 で LoRA を用いて高品質な単一フレームまたは短い参照動画をレンダリングし、そのアセットを Seedance Image to Video で活用することです。これにより、カスタム学習はオープンな H3 スタック内で完結し、一方で、より高速なホスティング環境によるモーション生成・修正・制作は Seedance で行えるようになります。

次回の動画作成を Seedance で始める →

結論

MiniMax H3 LoRA 学習は、単一の高品質クリップよりも、再現可能なキャラクター・製品・スタイル・モーションが重要である場合に価値があります。まず条件付けモードを選択し、17n+5 グリッドに基づくクリーンな 24fps データセットを構築してください。初期設定はランク 16 と控えめな検証から始め、最高のチェックポイントで学習を終了し、単にステップ数の上限に到達したからといって停止しないでください。ローカルでの細かい制御が必要な場合は ai-toolkit を、GPU を所有していない場合は fal をご利用ください。その後、学習済みアダプターを H3/ComfyUI に読み込み、承認済みアセットを、よりシンプルなブラウザベースの制作パイプラインとして Seedance に渡します。