動画モデル比較
MiniMax H3 vs Veo 3.1：2026年にどちらが良い？
まったく性格の異なる 2 台のマシンです。MiniMax H3 は証拠で条件付けます：最大 9 枚の参照画像、3 本の参照動画、3 本の参照音声、21:9 を含む 6 種のアスペクト比、そして 4〜15 秒を 1 秒単位で指定できる尺。Veo 3.1 は制御で条件付けます：テイクを同一に再レンダリングできるシード、4K、そして 8 秒でレンダリングされる条件についての厳格なルール。どちらもネイティブの音を返します。証拠か制御か、それがすべての判断です。
以下の数値はすべて Imgo のモデルレジストリから読み込んでいます。リクエストの検証に使われるのと同じ仕様なので、表がそこからずれることはありません。ただし、レジストリに載っていることと提供中であることは別です。今日生成できるモデルは提供状況の案内で確認してください。
この比較を自分で試す
同じプロンプト、同じアスペクト比で、変わるのはモデルだけ。それぞれで実行して、違いを自分の画面で確かめてください。
テスト用プロンプト · アスペクト比 16:9
Night market street food stall: a cook tosses noodles in a flaming wok, oil hisses and the flame roars, steam drifts under string lights, crowd chatter and a distant scooter horn in the background. Handheld medium shot slowly pushing in.
MiniMax H3 はまだ Imgo で生成できません。
Veo 3.1 はまだ Imgo で生成できません。
- 代わりに Seedance 2.0 で実行
項目別の比較
| 機能 | MiniMax H3 | Veo 3.1 |
|---|---|---|
| クリップ尺 | 4 / 5 / 6 / 7 / 8 / 9 / 10 / 11 / 12 / 13 / 14 / 15s | 4 / 6 / 8s |
| 解像度 | 768p / 2k | 720p / 1080p / 4K |
| アスペクト比 | 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 | 16:9, 9:16 |
| 開始／終了フレーム | 対応 | 対応 |
| 参照画像 | 9 | 3 |
| 参照動画 | 対応 | 非対応 |
| 参照音声 | 対応 | 非対応 |
| ネイティブ音声 | 対応 | 対応 |
| 再現可能なシード | 非対応 | 対応 |
この場合はMiniMax H3…
テイクが証拠から組み立てられるとき。製品やキャラには参照画像、動きには参照動画、登場人物にはあなたの音声へのリップシンクが必要——そして画面比は21:9のシネマかもしれません。最大12入力のコンディショニングと秒単位の長さ制御、それがH3の本務です。
この場合はVeo 3.1…
テイクに再現性と映画的な質感が必要なとき。2 つのうちシードを持つのは Veo だけで、今日承認したテイクを来四半期も同じようにレンダリングできます。4K も同じリクエストで得られます。
先に知っておくべきH3の制約2つ
- H3では最初と最後のフレームを参照と併用できません。1回の実行はフレームか参照メディアのどちらかで条件付けされ、両方は決してありません。パイプラインを組む前に、この分割を前提にリクエストを設計してください。
- H3 は話し、そして聞きます。どのクリップにも生成された 32 kHz のステレオトラック——台詞、効果音、環境音——が付き、参照モードでは参照音声が声、リップシンク、タイミングを導きます（プレゼンター型のワークフロー）。欲しい音はプロンプトに書きましょう。書かなければモデルが選びます。
実際のサンプル
ライブラリにある Veo 3.1 の生成結果を、ある場合はここに表示します。MiniMax H3 のテイクは、モデルが Imgo で提供され次第ここに加わります。2つのうちどちらが今日生成できるかは、ページ上部の提供状況の案内で確認できます。
プロンプトライブラリより、Veo 3.1で生成
MiniMax H3 のサンプルテイクは、モデルが Imgo で提供され次第ライブラリに追加されます。
2026年にどちらが良い？
- MiniMax H3とVeo 3、どちらが良い？
- 違いはテイクの操り方にあります。依頼が証拠の形——参照、動画、同期させたい音声——で届くとき、あるいは 21:9 や秒単位の尺が必要なときは H3 が勝ちます。承認フローのためにテイクを同一に再レンダリングする必要があるとき、または 4K が必要なときは Veo が勝ちます。どちらもネイティブ音声を生成します。最終判断は上のレジストリ表と、あなたのリクエストの形で決まります。
- MiniMax H3は話す頭のリップシンクができる？
- できます。方法は 2 つあります。参照モードでナレーショントラックを添付すれば、ポートレートがそれに合わせて動きます。あるいは台詞をプロンプトに書けば、H3 が声と口の動きを同時に生成します。Veo は自前の音声を生成しますが外部の音声は受け付けないため、収録済みのナレーションは H3 向きです。
- なぜVeoは8秒までなの？
- 設計思想で、見た目より厳格です。1080p、4K、参照画像の実行は要求に関係なく8秒に強制されます。H3は4〜15秒の毎秒を提供し、それはちょうどVeoの天井が排除する範囲です。
- どちらが安く運用できる？
- どちらも生成ごとに見積もられ、送信前に価格が表示されます。正直な比較単位は採用テイクあたりのクレジットです。参照素材の多い H3 はブリーフに一発で当てられることがあり、Veo のシードはリテイクを引き直しではなく再レンダリングに変えます。両方が Imgo で提供されたら、同じブリーフを共通のクレジット残高でそれぞれ実行できます。価格の基準はリアルタイム見積もりです。