新清士の「メタバース・プレゼンス」 第171回

5秒の動画を3秒で出せる　動画生成AI「MiniMax H3」が爆速に進化

RTX 4090で446秒→49秒、ただし高速化には弱点も

　ただし、品質面では万能ではありません。

　そもそも、Video Sparse Attention（VSA、映像疎Attention）の処理の90%をFastH3は意図的に計算しません。動画全体の全領域を処理せず、次のフレームと関係が強そうなところの10％を選択して計算しています。また、ステップ数を4回に減らすことで劇的に生成を速めているのです。しかし、計算を省略しているところは、崩れやすくなります。

　手足や武器が消えたり、人物が壁に消えたり、左右の位置関係が変わったり、複数の人物が混じったりといった現象として起きるのです。動きがゆっくりとした動画では強いものの、動きが激しいアクションシーンなどで複数の人物や物が重なったりすると、問題が起こりやすくなります。筆者の動画でも、細部の動きが大きなところは、潰れていたりします。　

　Codex（GPT-5.5 Sol）を使い、FastH3で1分間の簡単なドラマを作成してみました。概ねドラマは成立しているのですが、細かなところを見ると奇妙な箇所がいくつもあります。駅のホームの看板の位置や、傘を閉じるところで上下が逆になったり、喫茶店の店主が二人いたり。こうした現象は、FastH3の高速化が影響している可能性があります。ただ、プロンプトをしっかり作り込むことで制御できる可能性はあると筆者は見ています。

Codex（GPT-5.5 Sol）に作成させた簡単なドラマをFastH3で1分間動画にしたもの

△ドラマの動画本編