15秒が43秒。爆速MiniMax H3 Maxで本番MVまで作ったら、H3との“使い分け”が見えてきた

※本記事は、Pollo AI 様よりご提供いただいたクレジットを活用して制作・検証しています。

こんにちは、安達です。

前回は MiniMax H3 と H3 Maxを使って、

キャラクターをどこまで自然に動かせるのか？

という「動き」を中心に検証しました。

そして今回は――

「音」です。

日本語のセリフは自然に喋れるのか。

指定した言葉だけを喋ってくれるのか。

複数の動画をつないだとき、キャラクターの声はどうなるのか。

そして、

音声まで含めて実際の作品を作るなら、H3とH3 Maxをどう使い分ければいいのか？

今回はテスト動画を作って終わりではありません。

実際に TEAM LILITH の約2分のストーリー動画を制作し、さらにそこからつながる楽曲MVまで作ってみました。

すると最終的には、

ストーリー部分 → H3中心

タイトルコール → H3 Max

楽曲MV → すべて H3 Max

という使い分けになりました。

最初から、こうするつもりだったわけではありません。

音声を検証しながら実際に作品を作っていった結果、

それぞれのモデルに合った役割が自然と見えてきた。

今回は、そこまで含めて紹介してみたいと思います。

今回動かすのは、小悪魔ナースのリリス

今回テストするのは、TEAM LILITHのリリス。

小悪魔ナース姿のSDキャラクターです。

まずは同じ開始画像を使い、H3とH3 Maxで基本的に同じ条件から15秒動画を生成しました。

今回特に確認したかったのは、

• 日本語の発音

• 指定したセリフを正しく喋れるか

• 余計な発話が入らないか

• キャラクターと声の相性

• 複数カットで使ったときの音声

• キャラクターの維持

• 生成速度

といった部分です。

前回が「動き」の検証なら、

今回は「音」を中心に、実制作で使えるかを見ていきます。

まず困ったのが「日本語をどう喋らせるか」

以前H3 Maxを検証した際、日本語で書いたプロンプトをそのまま入力すると、

プロンプトそのものと思われる日本語を喋ってしまう

という現象がありました。

しかも、一度だけではありません。

3回試して、3回とも似た現象が発生。

そこで今回はPollo AIの「プロンプトを翻訳する」は使用せず、

映像に関する指示は最初から英語。

実際に喋らせたいセリフだけ日本語。

という方法を試しました。

今回リリスに喋ってもらうのは、

という短いセリフです。

H3 Max第1テスト――日本語は綺麗。でも何か喋ってる……

生成して最初に驚いたのが、日本語でした。

かなり綺麗です。

「ふふっ、診察してあげるね！」

という指定したセリフについては、とても自然に発音してくれました。

ところが――。

その前後で、

何かをごちゃごちゃ喋っています。

指定した覚えのない謎の音声です。

日本語のようにも聞こえるけれど、何を言っているのか分からない。

そこで、

映像の指示とセリフの区別がついていないのでは？

と考えました。

ちなみに、この第1テスト。

開始画像と比べると、
キャラクター自体もかなり変わっています。

ただ、今回は「音」がメインなので、ここは深掘りしません。

このときは映像側のプロンプトもかなり簡単なものだったためで、キャラクターの再現性については、その後プロンプトを調整することで比較的すぐ改善できました。

なので、この動画ではキャラクターの再現性よりも、指定した日本語以外に何を喋っているかに注目して見てもらえればと思います。

なら、動作とセリフを明確に分けてみよう

次のプロンプトでは、

VISUAL INSTRUCTIONS

SPOKEN DIALOGUE

SPEECH RULES

という形で、役割を明確に分けました。

さらに、

「日本語の引用符内だけを喋る」

「映像指示を喋らない」

「ナレーションを追加しない」

「ほかのセリフを追加しない」

というところまで指定。

これなら大丈夫だろう。

……と思ったのですが。

まだ喋る。

指定した日本語は相変わらず綺麗です。

しかし、そのほかにも謎の日本語風音声が入っていました。

ここで私は、

「細かく指示を増やす」という方向そのものが違うのでは？

と考え始めます。

完成動画をGeminiに見てもらった

そこで、出来上がったH3 Maxの動画をGeminiに見てもらい、謎の音声について分析してもらいました。

さらに、実際に使用したプロンプトも合わせて確認してもらいます。

その結果、指定したセリフ以外の部分は、英語や中国語など特定の外国語というより、

日本語の文法や音に近い、意味を持たない言葉

のように聞こえるとのこと。

そして一つの可能性として出てきたのが、

英語で書いた映像指示の一部を、日本語音声として無理やり発音しているのではないか？

というものでした。

もちろん、これは原因を特定したわけではありません。

モデル内部の動作を確認できたわけでもなく、生成された動画と入力したプロンプトから考えられた一つの仮説です。

ただ、

次に試す仮説としては十分面白い。

それまで私は、

「この日本語だけを喋る」

「映像指示は喋らない」

「ナレーションを追加しない」

と、間違いが起きないよう細かく指定していました。

でも、その説明自体まで音声生成側が拾っている可能性がある。

だったら逆に――。

Geminiの分析を参考に、もう一度プロンプトを作り直してみました。

第3テスト――音声指示を思い切ってシンプルに

映像部分は英語のまま。

一方、音声部分からは余計な説明をできるだけ取り除きました。

[AUDIO]

Japanese female voice, cute and mischievous.

「ふふっ、診察してあげるね！」

これだけです。

「これ以外を喋らないで」

「映像指示を読み上げないで」

といった禁止指示も、あえて入れていません。

そして、このプロンプトでもう一度 H3 Maxを生成。

すると――。

今度は「ふふっ、診察してあげるね！」だけを喋りました。

余計な謎の音声はありません。

完成動画を別のAIに分析してもらい、その結果を参考にプロンプトを修正。

実際に再生成してみることで、今回発生していた問題を解消することができました。

これは今回の検証の中でも、かなり面白かった部分です。

私は最初、

「細かく指示すればするほど制御しやすくなる」

と思っていました。

でも、少なくとも今回の条件では逆。

同じことをH3でやるとどうなる？

同じリリスをH3でも動かしてみました。

こちらは非常に安定していました。

カートを押して近づく。

首をかしげる。

指定した日本語を喋る。

そしてウインク。

余計な言葉を喋ることもありません。

さらにセリフの終わりに合わせて、

キラーンッ！✨

といったキラキラしたエフェクトまで自主的に追加。

これは指示していませんでしたが、リリスのキャラクターにはよく合っていました。

そして何より、

開始画像のキャラクターをかなり忠実に維持してくれました。

ここは今回、H3の大きな強みだと感じました。

ただし、日本語の発音は H3 Maxがかなり好印象

ここが今回、予想外だった部分です。

H3の日本語も十分に聞き取れます。

実用上、大きな問題を感じるものではありません。

ただ、私の耳で聞いた印象では、H3にはわずかに中国語話者の日本語のようなイントネーションを感じる部分がありました。

一方のH3 Max。

こちらはテストを重ねても、

かなり標準的な日本語に近く聞こえました。

あくまで私自身の聴感による評価ですが、日本語の自然さだけを比較するなら、今回についてはH3 Maxの方が好印象です。

だからこそ、最初に発生した謎の追加音声が本当にもったいない。

しかし、第3テストではプロンプトを簡略化することで、その問題も解消できました。

もう少し難しい日本語も試してみた

短いセリフだけで判断するのも早い。

そこで、もう少し漢字を含む日本語も試してみました。

今回の作品タイトルでもある、

です。

正直、

「退院許可あたりで読み方を間違えるかもしれないな」

と思いながら生成。

結果は――。

綺麗に読んでくれました。

少なくとも私が聞いた限りでは、漢字の読み間違いはありません。

そして発音もかなり自然。

今回については、私の耳では訛りも感じませんでした。

最終的に、この音声は今回制作したストーリー部分の、

タイトルコール

として実際に採用しています。

指示していない日本語字幕まで出てきた

この動画では、もう一つ面白いことがありました。

私は字幕を入れるようには指示していません。

ところが、生成された動画には日本語字幕が入りました。

これは今回の目的からすると少し余計な部分です。

ただ――。

字幕の文字自体は間違っていませんでした。

余計ではある。

でも、作品としてそのまま使える。

今回はそう判断できるレベルでした。

もちろん、自動的に生成された文字が常に正確になるとは限りません。

ただ今回については、発音だけでなく表示された日本語まで成立していたのは印象的でした。

そして、とにかく H3 Maxが速い

今回は、15秒動画の生成時間も実際にストップウォッチで計測しました。

H3 Maxは、

43.35秒。

対するH3は、

6分11.44秒。

今回の実測では、
H3 Maxは H3のおよそ8.6倍の速さ。

15秒の動画が1分もかからず完成しました。

もちろん、これは今回の条件・環境での実測値です。

常に同じ生成時間や速度差になるという意味ではありません。

それでも、実際に何本も動画を作る立場からすると、この差は非常に大きい。

1本だけなら数分の差。

でもMVで10本、20本と生成するなら、その積み重ねは制作時間そのものに影響してきます。

そして、この43.35秒という数字が、今回の制作を思わぬ方向へ進めることになりました。

でも、全部 H3 Maxにすればいいわけではない

ここまで見ると、

「H3 Maxが速くて、日本語も綺麗なら、全部H3 Maxで作ればいいのでは？」

と思うかもしれません。

でも、長い作品を作ろうとすると別の問題が出てきます。

それが、

声の一貫性です。

現在、私がPollo AI上で使っているH3 Maxでは、H3のように動画を参照させて次の動画を作る方法が使えません。

画像から新しい動画を作ることはできます。

でも、それぞれの動画を個別に生成した場合、

毎回まったく同じ声になるとは限りません。

今回のリリスでは、動画参照なしでも極端な声の違いは感じませんでした。

ここは、リリスが完全なSDキャラクターだったことも関係しているのかもしれません。

見た目から「可愛らしい若い声」という方向性を判断しやすいキャラクターです。

そのため、生成ごとの声の差が比較的小さかった可能性があります。

ただ、例えば、

可愛らしい声も似合う。

落ち着いた大人っぽい声も似合う。

そんな成人女性キャラクターならどうでしょう。

1本ずつ見れば自然でも、生成するたびに声の解釈が少し変われば、それを何本もつないだときに違和感が出る可能性があります。

ここは今後、別のキャラクターでも試してみたい部分です。

長いストーリー動画なら、今回はH3を選んだ

だから今回、

約2分のストーリーパートは基本的にH3で制作しました。

一つの短い動画を作るのではなく、

複数の動画をつないで、

一つの物語にする。

その場合は、

キャラクター。

声。

世界観。

それぞれの一貫性が重要になります。

今回の制作では、その用途にH3の安心感を感じました。

ただし、一つだけ例外があります。

先ほど紹介した、

「小悪魔ナースの退院許可は出ません」

というタイトルコール。

ここだけは、日本語の発音が非常に自然だったH3 Maxを採用しました。

つまり、

基本はH3。

日本語のタイトルコールはH3 Max。

すでにこの時点で、作品の中でモデルを使い分け始めています。

実際に完成した約2分のストーリー

そして完成したのが、こちら。

TEAM LILITHの、

『小悪魔ナースの退院許可は出ません』

です。

小悪魔ナース姿になったリリスが、疲れ果てたOYAKATAとValcusを強制的に「診察」。

巨大なシリンジまで持ち出したかと思えば――

最終的にはベースを担いで、

重低音による荒療治。

そんな約2分のショートストーリーになっています。

🔻完成作品を掲載している記事はこちら

本当は、ここで終わる予定だった

実は最初、

このストーリー部分を作ったところで、今回の動画制作は終わる予定でした。

H3とH3 Maxの音声を比較する。

日本語を喋らせる。

生成速度も比較する。

そして、実際のストーリー動画を作る。

これだけでも十分な検証です。

でも――。

せっかく約2分のストーリーを作ったなら、

この物語から、そのままTEAM LILITHの楽曲MVへつなげたい。

そう思ってしまいました。

ただ、MVを作るとなれば、さらに大量の動画カットが必要になります。

そこで頭に浮かんだのが――。

43.35秒。

今回H3 Maxで計測した生成時間です。

そして、もう一つ気づきました。

ちなみに、H3 Maxの音声をそのまま使ったカットもある

ここまで読むと、

「H3 Maxの音声は、作品では使いにくいの？」

と思うかもしれません。

でも、そういうわけではありません。

今回の作品では、H3 Maxで生成した音声をそのまま採用したカットもあります。

実際に使ったのが、この2本です。

どちらも、生成されたセリフをそのまま完成作品で使用しています。

今回のリリスについては、それぞれ別に生成した動画でも、

私が聞いた限りでは、声に大きな違いはほとんど感じませんでした。

H3 Maxでは声の方向性をプロンプトで指定できますし、今回のように見た目から声のイメージを作りやすいキャラクターなら、かなり近い声が生成される可能性もありそうです。

ただし、ここは分けて考えた方がいいと思っています。

「近い声が出た」ことと、「同じ声を維持できる」ことは別です。

現在、私がPollo AI上で使っているH3 Maxでは、H3のように動画を参照させて次の動画を生成する方法が使えません。

そのため今回のように結果としてほとんど同じ声に聞こえたとしても、

複数カットにわたって同じキャラクターの声を確実に維持したい。

そんな用途なら、私はH3を選びます。

逆に、

1カット単位でセリフを使う。

多少の声質差が問題にならない。

キャラクターに合った自然な日本語音声が欲しい。

という使い方なら、H3 Maxの音声も十分に実制作で使える。

今回、実際に完成作品へ採用してみて、そう感じました。

あれ？ MVなら「動画の音」を使わなくていい

ストーリー動画では、キャラクターのセリフが作品の一部になります。

だから、

声の一貫性。

日本語の発音。

余計な発話。

こうした音声部分が重要です。

でも、MVは違います。

完成した楽曲を後から映像に合わせるので、

生成された動画についている音声を、最終的なMVで使う必要がありません。

多少余計な発話が入っていても、

映像として良ければ使える。

そう考えると、H3 Maxの見え方が一気に変わりました。

速い。

今回の条件では生成コストも抑えられる。

そして、映像自体もかなり綺麗。

だったら――。

音を検証していたはずなのに、

音を使わないことでH3 Maxの強みが見えてきた。

当初予定していなかった、もう一つの実制作テストが始まりました。

MVパートは、すべてH3 Maxで作ってみた

ここからは、

全部 H3 Maxです。

今回のMVでは、可愛いキャラクター芝居だけではありません。

リリスのベース。

OYAKATAのギター。

Valcusのドラム。

3人同時のバンド演奏。

逃げるOYAKATAとValcus。

医療機器。

ハートレートモニター。

巨大なシリンジ。

ピンクの魔法の鎖。

そして、ゴシックな秘密基地。

かなりいろいろな映像を作りました。

あれ……H3 Max、かなり使えるぞ？

ここで、最初の印象が変わり始めました。

もちろん、すべて一発で完璧になるわけではありません。

でも、プロンプトの書き方が分かってくると、

かなり使える。

特に驚いたのが、バンド演奏です。

TEAM LILITHの3人が、

ベース。

ギター。

ドラム。

それぞれの楽器を持って激しく演奏する。

こうした動きの多い場面でも、しっかり動いてくれました。

そして何より――。

速い。

一つのカットを生成。

確認。

次のカットを生成。

また確認。

気に入らなければ、もう一度。

このサイクルを非常に短い時間で回せます。

MV制作では、一つの完璧な動画を作ること以上に、

複数のカットを作りながら全体を組み立てていく

ことが重要になります。

そう考えると、H3 Maxの生成速度は単なるスペック上の数字ではありません。

制作フローそのものに効いてきます。

「速い」の意味が変わった

最終的な使い分けは、こうなりました。

約2分のストーリーパート

H3中心

キャラクターと音声の一貫性を重視。

タイトルコール

H3 Max

今回の検証で非常に自然だった日本語発音を活用。

楽曲MV

すべてH3 Max

生成された動画の音声は使わず、高速生成を最大限活用。

最初から、この役割分担を考えていたわけではありません。

実際に検証しながら一本の作品を作っていった結果、

自然とこうなりました。

15秒動画を今回の実測で43.35秒。

最初にこの数字を見たときは、

「H3 Max、とんでもなく速いな」

と思っただけでした。

でも、本番MVまで作ってみると、「速い」の意味が変わってきます。

生成する。

確認する。

気になるところを直す。

もう一度生成する。

別の構図を試す。

次のカットへ進む。

この試行錯誤そのものが高速になります。

つまりH3 Maxの速さは、

なのかもしれません。

これは、実際にMVを作ってみて強く感じた部分でした。

H3とH3 Max、結局どちらを使う？

今回の検証を終えて感じたのは、

どちらか一方を「上」と決める必要はない

ということです。

私なら、

同じキャラクターで複数のカットを作りたい。

声を含めて一貫性を重視したい。

長めのストーリーとして動画をつなぎたい。

そんな場面では、H3を選びます。

一方、

短時間で何パターンも試したい。

自然な日本語音声を使いたい。

MVなど、生成動画の音声を最終作品で使わない。

大量の映像カットを素早く作りたい。

そんな場面では、

H3 Maxがかなり強い。

今回の制作では、そう感じました。

音を検証したからこそ、音を使わない強さが見えた

前回は「動き」。

今回は「音」。

日本語をどう喋るのか。

余計な発話は入るのか。

複数の動画で声をどう扱うのか。

そこから検証を始めました。

でも、最終的に一番面白かったのは、

音を検証したからこそ、音を使わないMVでH3 Maxの強さが見えてきたこと。

だったのかもしれません。

最初の数本だけなら、

「H3の方が安定している」

で終わっていた可能性があります。

でも、問題が起きた。

Geminiに動画を分析してもらった。

プロンプトを変えた。

もう一度生成した。

日本語を喋らせた。

約2分のストーリーを作った。

そして、

「MVなら生成動画の音声を使わなくていい」

と気づいた。

そこからH3 Maxで、バンド演奏を含むMVを一気に作りました。

AI動画生成では、

「どのモデルが一番いいか？」

だけではなく、

そのモデルの癖を理解して、作品のどこで使うか。

そこまで含めて制作なのかもしれません。

一つのモデルですべてを作る必要はない。

今回、実際に一本の作品を完成させたことで、そこが一番はっきり見えてきました。

ここまで読んでいただいた方には、ぜひ完成した作品も見てもらえたらと思います。

約2分のストーリーから、そのまま楽曲MVへ。

今回検証したH3とH3 Maxが、実際の作品の中でどう使われているのかも含めて楽しんでいただけたら嬉しいです。

🔻完成作品はこちら

退院したいの？

……。

却下です♡

Pollo AI｜現在実施中のキャンペーン

現在、Pollo AIではUltraプランを対象に、MiniMax H3およびH3 Maxを365日間無制限で利用できるキャンペーンが実施されています。

キャンペーン申込期限：9月15日

🔻 MiniMax H3 Maxはこちら
https://tinyurl.com/2hjhvh8p

🔻 MiniMax H3はこちらhttps://tinyurl.com/2hs66m96

🔻 Pollo AI 公式サイト
https://tinyurl.com/epv49yrx

※本記事の検証には、Pollo AI様よりご提供いただいたクレジットを使用しています。

※本記事に記載している生成時間、生成結果、必要クレジット等は、筆者が検証した時点・環境での結果です。利用環境、混雑状況、モデルのアップデート等によって異なる場合があります。

※キャンペーン内容、対象プラン、対象モデル、解像度、生成時間、料金、クレジット消費量、無制限生成の条件などは変更される可能性があります。利用前にPollo AI公式サイトおよびプラン画面で最新情報をご確認ください。

#AI動画生成
#動画生成AI
#MiniMax
#H3Max
#生成AI
#AI動画
#AIクリエイター
#映像制作
#動画制作
#MV制作
#AIアート
#AI
#音楽
#オリジナルMV
#クリエイター