MiniMax H3の料金：APIコストと予算ガイド

MiniMax H3は、従来型のゲームやエンタメ作品ではなく、ホスト型のマルチモーダルAI動画モデルです。料金は主に生成動画の長さと出力解像度に基づいています。APIはテキスト、画像、動画、音声の参照を受け付けるため、制作者は1秒単位の予算で短尺制作を計画できます。

動画のハイライト:

• デモの2K動画ワークフローには、ネイティブのステレオサウンドが含まれています。
• 文書化された設計では、createエンドポイントを通じておおむね4〜15秒の出力がサポートされています。
• H3は複数の参照タイプを組み合わせられますが、最初と最後のフレームを使う生成は別モードです。
• 発表例では、映画のオープニング、製品ページ、ポスター、ファッション広告に焦点が当てられています。

最も重要なのは、出力コストと入力参照コストの違いです。シンプルなテキストから動画への依頼であれば、基本料金に近いまま収まることがあります。多くの画像や動画参照を伴う強く演出されたショットは、生成クリップ単体より高くつく場合があります。

基本的な計算は簡単です。出力時間に、選択した1秒あたりのレートを掛けるだけです。掲載レートでは、追加の1秒ごとに768pなら$0.09、2Kなら$0.13が加算されます。これにより、制作予算を管理するうえで、尺のコントロールは最も簡単な方法のひとつになります。

参照画像は、最初の5枚を超えた分から見積もりが変わります。たとえば8枚の画像を使う依頼では、課金対象の画像が3枚追加され、参照動画の入力が計上される前に$0.12が加算されます。参照音声は無料とされていますが、参照動画は入力時間と選択した出力レートに応じて課金されます。

実務上の見積もりには、次の式を使えます。

推定コスト = 出力秒数 × 出力レート + 課金対象の画像参照数 × $0.04 + 参照動画の入力コスト

利用可能な文書には、発表初期ならではの差があります。あるモデル概要では5〜15秒のクリップと説明されている一方、createエンドポイントでは4〜15秒とされています。料金ページは768pに言及していますが、利用可能な資料で説明されている現在のcreateエンドポイントは、2Kを有効な解像度として公開しています。統合を構築する際は、運用中のエンドポイントをより安全な参照先として扱ってください。

MiniMax H3では、まずテキストプロンプトが必要で、その後に制作者が補助的な参照を追加できます。このマルチモーダルなワークフローは、一貫した被写体、カメラ演出、演技、サウンドトラックを必要とするショット向けに設計されています。各生成を孤立したプロンプトとして扱うより、統制された制作に向いています。

2つの参照アプローチは、軽々しく混ぜるべきではありません。最初と最後のフレームを使う生成は、omni参照入力向けに説明されている参照画像、参照動画、参照音声モードと組み合わせることはできません。すべての入力欄を最大化しようとするのではなく、制作上の課題に合ったワークフローを選んでください。

最も強い価値提案は、マルチモーダル参照、2K出力、ネイティブ音声、競争力のある1秒単位の価格設定の組み合わせです。H3は、ホスト型APIを必要とし、一般的なテキストから動画のシーンではなく、演出されたクリップを作りたい制作者にとって特に興味深い存在です。

ローンチ時に引用された独立系のアリーナ指標では、H3は音声付きテキストから動画で2位となり、5,000サンプル超に基づくEloスコアは1242でした。Gemini Omni Flashは1246で1位でした。95%信頼区間は重なっているため、この結果はそのアリーナでの拮抗を示すものであり、決定的な優位を意味するものではありません。

公式のローンチ例では、タイトル付きの映画オープニング、スタイライズされた製品サイト、縦長のアニメーションポスター、EC向けのファッション広告といった野心的な商業カテゴリが示されています。これらの例が価値あるのは、一般的な風景プロンプトよりも厳しく、テキスト描画、構図、ブランディング、アートディレクションを試せるからです。

ただし、これらは選別されたデモンストレーションにすぎません。生成成功率、却下された出力、レイテンシ、長期キャンペーンでのアイデンティティ一貫性を示すものではありません。チームは、自分たちのプロンプトと受け入れ基準でそれらを評価すべきです。