MiniMaxは11月11日、テキストから画像を作成し、参照画像を編集するH3-Imageをオープンウェイトで公開した。開発者やクリエイターは、ウェイトをダウンロードして独自のツールやワークフローで活用するか、MiniMax APIで4K画像を生成できる。
1. 生成と編集を1つのモデルで提供
H3-Imageは、テキストの説明だけで画像を作る機能と、参照画像を基に新しい画像を作る機能を併せて提供する。1回の編集リクエストに参照画像を1~16枚入れられ、複数の素材を組み合わせる作業にも使える。
モデル情報と使い方をまとめたモデルカードには、空の部屋と複数の家具の写真を組み合わせてリビングを作る事例が掲載されている。文章で新しい場面を指示するだけでなく、手元の視覚素材を新たな成果物に反映する作業も想定している。
モデルカードによると、モデルは4096×4096の画像を拡大処理なしで直接生成する。実用範囲は約400万~2000万ピクセルで、おおむね1600万ピクセル付近で最良の結果を得られるという。画像を完成させる計算過程を6回に減らした構成だ。
2. 同社発表では4K生成に10秒未満
同社の発表では、4096×4096、約1600万ピクセルの画像生成時間は10秒未満で、主要な代替サービスと比べて速度は最大5倍だ。別途、標準モードの速度は主要な代替サービスの1.5~2倍、高速モードは3~4倍と説明した。
料金は同社の発表によると、比較可能な主要サービスの50~70%程度だ。リリース週には4K以上のリクエストに標準料金の50%割引を提供するとした。同社は生成速度と価格を併せて訴求し、高解像度画像を日常的な制作作業に使うよう促している。
3. 希望するアスペクト比とサイズを選択
APIでは幅と高さを直接指定するか、アスペクト比と面積レベルを利用できる。以下は、同じAPIで画像全体のサイズを区分して選ぶ面積レベルを指定した場合の出力サイズだ。比率とサイズを組み合わせれば、成果物の向きや構図を作業に合わせて決められる。
表：アスペクト比別のAPI出力サイズ
条件：MiniMax-H3-Image API、アスペクト比別の2K・4K面積レベルの出力設定
単位：ピクセル
| アスペクト比 | 2K 幅 | 2K 高さ | 4K 幅 | 4K 高さ |
|---|---|---|---|---|
| 1:1 | 2048 | 2048 | 4096 | 4096 |
| 4:3 | 2368 | 1760 | 4736 | 3552 |
| 3:4 | 1760 | 2368 | 3552 | 4736 |
| 16:9 | 2720 | 1536 | 5472 | 3072 |
| 9:16 | 1536 | 2720 | 3072 | 5472 |
| 3:1 | 3552 | 1184 | 7104 | 2368 |
| 1:3 | 1184 | 3552 | 2368 | 7104 |
同じ面積レベルでも、アスペクト比によって幅と高さが変わる。4Kレベルは幅を固定する設定ではなく、画像全体の面積を決める設定だ。
テキストからの生成と画像編集は、それぞれ別のAPIアドレスにリクエストする。ドキュメントにあるテキストからの生成のリクエスト本文の例は次のとおりだ。
payload = {
"model": "MiniMax-H3-Image",
"prompt": "An orange cat lying on a windowsill basking in the sun, warm afternoon light, film texture",
"size": "2720x1536",
"n": 1,
"response_format": "url",
}APIは、短いリクエストを場面全体を描写する詳細な文章にするプロンプト拡張を標準で適用し、実際に使った文章をレスポンスに含める。画像編集には、この拡張が常に適用される。
幅と高さを直接指定する方式と、アスペクト比・面積レベルを指定する方式は、1つのリクエストで併用できない。
4. 独自デプロイにはモデルの保存領域と運用が必要
Hugging Faceのモデルカードによると、公開された画像モデルのファイルは68.65GBだ。文章をモデルの入力値に変換するテキストエンコーダーは、別リポジトリのMiniMax-H3から取得する必要があり、66.7GBある。プロンプト拡張器をローカルで使う場合は、任意の構成要素である17.9GBのモデルも追加される。
MiniMaxはデプロイ用ツールとしてSGLangとvLLM-Omniを案内している。diffusersとComfyUIも選択肢に含まれる。
高解像度の生成は細部の表現を増やす一方、計算量が大きくなる。APIはモデルファイルを直接運用する手間を減らし、ローカルデプロイは独自環境に合わせた活用の余地をもたらす一方で、保存領域とアクセラレーターの運用負担が生じる。
モデルはMiniMax-H3-Image Community License Agreementに基づいて提供される。
H3-Imageは4K生成と複数画像の編集をオープンウェイトで提供し、選択の要点はAPIの利便性と独自デプロイの制御性のバランスにある。