RLR-0051 ・ 公開 2026/10/24 ・ 更新 2026/10/25

FastH3 Omniとは?画像と声から音付き動画、ComfyUIの使い方・必要VRAM

FastH3 Omniは画像・動画・音声を参照して音付き動画を生成する8ステップのMiniMax H3派生モデル。ComfyUI導入に必要なモデル、GPU別の公式速度、VRAM・保存容量、ライセンスの注意点を解説します。

✓ 公開前チェック済み最終確認 2026/10/25

画像を見本にしてキャラクターを動かし、声のサンプルも参考にしながら、音付き動画を作る。 そんな動画生成をローカル環境で試せるモデルが、2026年10月20日に公開された FastH3 Omni(ファストH3オムニ) です。

結論から言うと、FastH3 OmniはMiniMax H3を8ステップに蒸留した、画像・動画・音声を参照できる動画+同期音声生成モデル。ComfyUI用の重みも公開されています。ただし、「8ステップ=どのPCでも数秒で完成」ではありません。開発元の家庭用PC比較では、同じ5秒・480pの動画でもGPUによって約1分から十数分以上かかりました。さらに、複数の大きなモデルファイルとライセンス確認が必要です。

この記事では、何ができるか、ComfyUIで何を用意するか、GPU・メモリ・保存容量をどう考えるかを、開発元の発表とローカル比較を基に整理します。実機での動作確認は行っていません。

FastH3 Omniは何が新しい?「画像+声」を一緒に参照できる

従来のテキストから動画を作る方式では、キャラクターの見た目や声を文章だけで説明するのが難しい場面がありました。FastH3 Omniの中心は**Ref2VA(参照素材から映像と音声を生成)**です。

  • 画像を参照:登場人物・キャラクター・商品の見た目の手掛かりにする。
  • 動画を参照:映像の動きや場面の手掛かりにする。動画参照には音声も含まれます。
  • 音声を参照:声の音色などを手掛かりに、映像と同期した音声を生成する。
  • 文章で演出:誰が何をして何を話すか、場面や音を指示する。

公式BF16モデルカードに記載された参照上限は、画像最大9枚、動画最大3本、音声最大3本、合計最大12素材。少なくとも画像または動画が1つ必要です。これはモデルの入力仕様であり、すべてのComfyUIワークフローで最大数を快適に使える保証ではありません。

出力は24fpsの動画と32kHzステレオ音声。長さは利用する実行環境やメモリに依存します。公式比較には約5秒・10秒・15秒の例があります。

8ステップで何倍速い?数字の読み方が重要

開発元は、元のMiniMax H3 Ref2VAの50回のTransformer評価をFastH3 Omniで8回に減らしたと説明しています。8台のNVIDIA GB200を使った27条件の比較では、エンドツーエンドの遅延が5.6〜11.9倍小さいと報告しました。

ただし、これは8台のGB200による特定のサーバー構成・数値精度ポリシーでの比較です。生成モデル・Attention・実行基盤も異なり、画質の完全一致を証明した結果ではありません。一般的なPCで「必ず11.9倍速い」とは読めません。

家庭用PCでは何分?開発元の同条件テスト

2026年10月21日の公式ローカル比較は、画像1枚から5秒・832×480の音付き動画を作る条件で、次の値を報告しています(36-layer decoder)。

実行環境生成にかかった時間測定時の注意
RTX 5090(32GB)61.9秒FastVideoのNVFP4構成
DGX Spark(128GB共有メモリ)192秒3シード平均
RTX 3090(24GB)16.9分1回約7分のモデルロード時間は別
Apple M5 Max(64GB共有メモリ)19.5分MLX、単一試行

これは開発元の測定値で、ComfyUI上の一律の速度表ではありません。RTX 3090の数字には別途ロード時間があり、Macは単一試行です。OS、解像度、参照数、オフロード設定、他の実行中アプリによって結果は変わります。

また、開発元は画像3枚や長い参照動画を使う条件が24〜32GB級GPUのメモリ制約に達したとも説明しています。1枚で動いたから12素材でも動く、とは考えないでください。

ComfyUIで使うには何が必要?モデルは1ファイルだけではない

FastVideo公式のComfyUIモデルカードでは、MiniMax H3のネイティブ対応と「MiniMax H3 Reference to Video」条件付けノードを備えた現行ComfyUIを前提にしています。

必要な構成は、大きく4種類です。

役割保存先何をするか
FastH3 OmniのDiffusionモデルmodels/diffusion_models/映像・音声の生成本体
Qwen3-VL系テキストエンコーダーmodels/text_encoders/指示文と参照素材の理解
MiniMax H3映像VAEmodels/vae/動画フレームの復号
MiniMax H3音声VAEmodels/vae/同期音声の復号

映像モデルだけダウンロードしても完成しません。 特に音声VAEは、音付き出力に必要です。エンコーダーも参照画像を扱える構成を選びます。

どの精度のファイルを選ぶ?

配布にはBF16、INT8 ConvRot、FP8、NVFP4 QADなどの形式があります。NVFP4の高速実行はBlackwell世代向けで、RTX 3090/4090などにNVFP4版をそのまま選ぶのは適切ではありません。非FP4対応GPUでは、公式のFP8・INT8・BF16対応経路を確認してください。FP8のComfyUI用モデルとFastVideo実行用モデルはファイル形式が別です。

モデルの保存容量も軽くありません。2026年10月25日時点の公式ファイル一覧では、例えば次の組み合わせが確認できます。

ファイルの例配布ファイル容量
INT8 ConvRot Diffusion約22.2GB
INT8 ConvRotテキストエンコーダー約27.1GB
INT8 ConvRot映像VAE約2.81GB
FP32音声VAE約605MB

この組み合わせだけでも合計約52.7GBです。実際には一時ファイル、キャッシュ、生成動画、環境本体の余裕が必要です。これはSSDに保存するファイルの合計であり、必要VRAMが52.7GBという意味ではありません。モデルを段階的にロードしたりCPU/RAMへオフロードしたりする構成では、VRAMと速度の交換が生じます。

必要なシステムRAMの一律の最低値、Windowsでの全組み合わせの動作保証、ComfyUIの厳密な最低バージョンは、今回確認した公式資料だけでは確定できません。使うGPUとワークフローに合う構成を先に確認し、空きSSD容量も十分確保しましょう。

初めて試す手順:参照画像1枚から始める

モデルカードにある条件を、初心者向けに並べると次の流れです。

  1. ComfyUIを更新し、MiniMax H3の参照動画生成ノードが利用できるか確認する。既存の動く環境を守るため、更新前にワークフローと環境をバックアップする。
  2. 公式ComfyUIモデルカードから、GPUに合うDiffusionモデル1つ、対応テキストエンコーダー1つ、映像VAEと音声VAEを用意し、指定フォルダーへ配置する。
  3. MiniMax H3 Reference to Videoの条件付けを使うワークフローで、最初は画像1枚を参照に設定する。画像・動画・音声の参照順序と、文章中のタグを一致させる。
  4. 指示文で**<Picture 1>を使い、人物・動作・場面・音を説明する。音声参照を追加するときは<Audio 1>、動画参照には<Video 1>**を使う。
  5. 公式モデルカードが案内する8 steps、guidance 1.0、video shift 12.0、audio shift 3.0を、対応するワークフローの設定と照合する。まず短尺・低解像度で動作を確認する。
  6. 出力映像と音声を確認し、参照数や解像度を一度に1項目ずつ増やす。失敗時はモデルの精度形式・エンコーダー互換性・VRAM・ログを確認する。

これは公式のファイル構成と設定値から整理した導入の順序です。画面上のボタン配置やすべてのノード接続を実機で再現した手順ではありません。対応ワークフローの版によって表示や接続が異なる可能性があります。

WindowsでComfyUI自体の導入から始める人は、Desktop・Portable・手動導入の比較(RLR-0018)も参考にしてください。

VRAMが8GB・12GB・16GBなら使える?

「必ず動く」とは言えません。 開発元の公式比較には24GBのRTX 3090や32GBのRTX 5090があり、Macの共有メモリ環境も測定されていますが、8〜16GBの一般的なGPUで、同じモデル・参照数・画質・速度を保証する公式最低条件は確認できませんでした。

少ないVRAMで試す場合は、対応する軽量化形式、CPUオフロード、短尺・低解像度、参照素材を減らす方法などが候補です。ただし、オフロードはシステムRAMや待ち時間の負担を増やすことがあり、必ず成功する解決策ではありません。

高性能GPUがなく、まず動画生成の仕組みを体験したい場合は、ローカルの大型モデルにこだわらず、クラウド側で処理するサービスも比較対象です。Comfy Cloudの無料体験とローカル版の違い(RLR-0047)で、GPUを持たない場合の入口を整理しています。ただし、FastH3 OmniがComfy Cloudの無料枠で利用できることは今回未確認です。

MiniMax H3・FastH3 Trim・FastH3 Omniの違い

混同しやすい名前ですが、比較すると目的が違います。

名前主な位置づけ
MiniMax H3元となる動画・音声生成モデル。参照動画生成の基本系
FastH3 Trimより小さなモデル構成・低VRAM環境への挑戦が中心
FastH3 Omni画像・動画・声を組み合わせた参照動画+同期音声を8ステップで生成することが中心

FastH3 Omniは、単純に「Trimの後継で8GB保証」という意味ではありません。また、RLR-0015のComfyStreamerH3記事はリアルタイム生成実験が主題で、今回の参照素材を使った制作手順と一般PCでの条件とは異なります。

ライセンス・音声・商用利用で注意すること

モデルが公開されていることと、用途・地域を問わず自由に使えることは別です。 FastH3 Omniの配布モデルにはMiniMax H3 Community License Agreementが適用されます。

地域制限が特に重要です。 2026年10月25日に確認したライセンス本文では、米国・EU・英国・韓国が適用地域から除外されています。日本はその除外地域に含まれていませんが、日本であれば無条件で自由に使えるという意味ではありません。商用サービス・再配布・生成物の利用には別の条件があり、年間売上が一定額を超える商用サービスには事前許可が必要とされています。利用場所や配信先が複数地域にまたがる場合は、公開前に最新の規約を確認してください。

また、他人の顔や声を本人の同意なく模倣することは避けるべきです。参照音声を使えるからといって、第三者の声を無断で複製・公開してよいわけではありません。生成動画を公開するときは、適用される規約やAI生成物の表示義務も確認しましょう。

まとめ:まず「参照画像1枚・短尺・音付き」で条件を見極めよう

FastH3 Omniの魅力は、見た目・動き・声の参照を組み合わせて、映像と音声を一緒に作れること。8ステップ化による高速化も大きな特徴です。

一方で、家庭用PCでの所要時間、複数参照時のメモリ、50GB超になり得る保存容量、精度形式の互換性、地域を含むライセンスは導入前に確認が必要です。まず公式モデルカードを読み、自分の環境に合う構成で短い動画を1本試すのが現実的な出発点です。

情報確認日:2026年10月25日。 開発元・配布元の一次情報に基づく解説であり、実機検証による速度・画質の評価ではありません。

SOURCES

確認した情報源

  • Hao AI Lab:FastH3 Omni公開発表(2026年10月20日)一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • Hao AI Lab:FastH3 Omniローカル動作比較(2026年10月21日)一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • FastVideo公式:FastH3 Omni ComfyUIモデルカード一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • FastVideo公式:FastH3 Omni FP8 ComfyUIモデルカード一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • FastVideo公式:BF16リリースモデルカード一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • FastVideo公式:ComfyUIモデルファイル一覧一次情報 ・ 確認 2026/10/25情報源を開く ↗
  • MiniMax公式:MiniMax H3 Community License Agreement一次情報 ・ 確認 2026/10/25情報源を開く ↗

NEXT STEP

次は、目的から選ぶ

新着順だけでなく、知りたいテーマから関連する実用記事をまとめて探せます。