Qwen Image 2.1とMiniMax H3のローカル動画構築

Qwenで最初と最後のフレームを作れても、本当に難しいのはH3がその間を一つの連続ショットとしてつなげられるかです。人物を変えず、不要なカットを入れず、API依存の2K経路を「ローカル」と誤認しない必要があります。まず完全ローカル768pを成立させ、納品要件で2Kが必要な場合だけハイブリッド2Kへ進み、同じ入力でローカル版とホスト版を比較する手順を示します。

先に結論：本当に2Kが必要でなければローカル768pから始める

首尾フレームの受け渡し確認、素材のローカル保持、不要なカットの原因調査が目的なら、完全ローカル768pを先に選びます。最終納品で2Kが必須で、H3-Context-IRとH3-Regenerate-2KのリモートAPIを許容できる場合だけ、ハイブリッド2Kを選びます。

目的	最初に選ぶ構成	理由	推奨が変わる条件
エンドツーエンドで動くことを確認したい	完全ローカル768p	変数が少なく、QwenとH3の問題を分離しやすい	768pが安定し、納品に本当に2Kが必要になったとき
素材を手元のマシンから出したくない	完全ローカル768p	QwenのフレームとH3-Baseをローカルに保てる	2K必須かつリモートAPI不可なら、文書化された完全2K経路は条件を満たさないため、別のローカル2K手段が必要
最終動画を2Kで納品したい	ハイブリッド2K	公式の完全2K経路は二つのホスト型モジュールに依存する	素材を遠隔送信できない場合は768pか別方式へ戻す
ローカル版とホスト版のどちらが合うか決めたい	まずローカル768pを成立させ、その後ペア比較	そうしないと導入エラーとモデル品質が混ざる	複数のショット種類で繰り返してから長期構成を固定する

GPU名だけで動作を約束しないでください。MiniMaxのSGLang例は4 GPU、公開事例はDGX Sparkですが、どちらも最小VRAMを示さず、一般的なコンシューマーGPUでの動作を証明していません。

手元のマシンだけで完結できる範囲

Qwenのフレーム生成とH3-Baseの768pはローカルで完結できますが、公式の完全2K経路は完結しません。

段階	ローカル実行	文書化された境界
Qwen Image 2.1で首尾フレームを生成・編集	可能	公式リポジトリは`QwenImage21Pipeline`、ローカルDiffusers例、ネイティブ2Kサイズ、最大10枚の参照画像を公開
MiniMax H3-Baseで首尾フレームから音声付き動画を生成	可能	公開`FL2VA`チェックポイントは0、1、2枚の画像を受け付け、2枚で首尾フレームモードになる。ローカル検証は768p
H3-Context-IR	公式の完全実装はローカル不可	MiniMaxはホスト型の前処理・オーケストレーションと説明し、今回のオープンリリースには含めていない。APIを使うか、Prompting Guidanceを基に独自前処理を作る
H3-Regenerate-2K	現在の公開部品だけでは不可	モジュールは未公開で、公式2KワークフローはAPI経由で呼び出す
ホスト版H3との比較	不可	Web/API実行は遠隔であり、同一入力の比較対象として使う

MiniMaxは4〜15秒、24 FPS、32 kHzステレオ、短辺768ピクセルを標準とし、2KはH3-Regenerate-2Kで生成すると説明しています。これはモデルの仕様境界であり、任意の設定が手元のハードウェアで動く保証ではありません。

公開事例は実行可能性を示すが、普遍的な勝者は決めない

この事例は比較方法の参考にし、「ローカルH3は常に優れる」という結論には使わないでください。

映像制作者Sam Wassermanは、DGX Spark上でQwen Image 2.1とMiniMax H3を使ったローカルの「アイデア→画像→動画」実行を公開しました。添付動画は約8秒です。続く投稿では、同じprompt、同じ仕様、同じ最初と最後のフレームを有料Web H3に入力したと述べています。本人の評価では、Web版は不要なカットを挿入し、ローカル版は意図した順序を保ちました。

これは実行可能性の例であり、比較方法として参考になります。しかし、ローカルH3が一般に優れている証拠ではありません。投稿には導入コマンド、ピークメモリ、生成時間、音声処理、seed、失敗例がありません。同じ作者による一つの入力の評価で、独立再現でもありません。

手順1：アイデアを一つの連続ショットに絞る

場所を一つ、動作の流れを一つ、終了状態を一つにします。それをショット契約、つまり指示と結果を照合できる短い仕様として書き出します。

項目	定義する内容
主体と背景	人物、物体、服装、背景、維持すべき識別特徴
開始状態	最初のフレームの位置、姿勢、視線、カメラ距離、構図、光
終了状態	最後に許可する変化だけ。人物・場所・カメラ位置を同時に変えない
動きの経路	主体とカメラの動き、アクションの順序
連続性の制約	「一つの連続ショット」「カットなし」「瞬間移動なし」など
出力仕様	長さ、アスペクト比、台詞・環境音・音楽の要否
禁止事項	不要な人物、字幕、場面転換、背景置換、追加動作

不要なカットを調べるテストで、複数の場所、時間帯、モンタージュを一つのpromptに要求しないでください。その場合、カットはモデルの失敗ではなく、指示の妥当な解釈になり得ます。

例えば「入口からテーブルまで歩き、カップを持ち上げる。カットなし」は首尾フレーム試験に向いています。「街からオフィスへ移動し、子ども時代を回想する」は複数シーンが自然に必要なので、不要なカットの純粋な試験にはなりません。

手順2：最初のフレームを生成し、それを編集して最後のフレームを作る

互いに無関係な二つのpromptで別々に生成せず、最初のフレームを編集して最後のフレームを作ります。H3を動かす前から人物、服装、構図、背景を維持しやすくなります。

公式モデルIDはQwen/Qwen-Image-2.1です。Qwenは7Bパラメータの視覚生成部分、ローカルDiffusers、生成と編集、ネイティブ2K、最大10枚の参照画像を文書化しています。

pip install "torch>=2.4.0" "transformers>=5.17" accelerate pillow
pip install git+https://github.com/huggingface/diffusers

from pathlib import Path

import torch
from diffusers import QwenImage21Pipeline

first_prompt = Path("first_prompt.txt").read_text(encoding="utf-8").strip()
last_edit_prompt = Path("last_edit_prompt.txt").read_text(encoding="utf-8").strip()

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1",
    torch_dtype=torch.bfloat16,
).to("cuda")

first = pipe(
    prompt=first_prompt,
    width=2752,
    height=1536,
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]
first.convert("RGB").save("first.png")

last = pipe(
    prompt=last_edit_prompt,
    image=first,
    width=2752,
    height=1536,
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(43),
).images[0]
last.convert("RGB").save("last.png")

このコードは公式の生成インターフェースと単一画像編集を組み合わせ、first_promptとlast_edit_promptは利用者が用意します。文書化された16:9の2Kサイズ2752 × 1536、40ステップ、不透明RGB PNGを使います。H3の公開説明はこの受け渡しでのalpha処理を明記していないため、RGBAを別途検証していなければ不透明フレームで変数を一つ減らせます。

少なくとも次を記録します。

モデルID、フレームワーク版、最初のprompt、最後の編集prompt
二つのseed、幅、高さ、ステップ数、参照画像一覧
両ファイルのSHA-256、ピクセル寸法、カラーモード
人物、服装、構図、照明、背景の一貫性
最後のフレームが最終状態だけを示し、動作全体を詰め込んでいないこと

Qwenはメモリが限られるGPU向けにenable_model_cpu_offload()も記載しています。これはoffload経路の存在を示すだけで、最小VRAMや速度を保証しません。

手順3：ローカル版とホスト版に同じ入力を読ませる

二つの画面へ記憶でパラメータを入力し直さないでください。画像、prompt、出力設定を一つのmanifestにまとめます。seed、長さ、書き換え後のpromptが一つ違うだけで、比較全体の意味が失われます。

experiment_id: "qwen-h3-001"
qwen_model: "Qwen/Qwen-Image-2.1"
h3_model: "MiniMaxAI/MiniMax-H3"
h3_variant: "fl2va"
prompt_file: "prompt.txt"
first_frame: "first.png"
last_frame: "last.png"
prompt_sha256: "<sha256>"
first_frame_sha256: "<sha256>"
last_frame_sha256: "<sha256>"
duration_seconds: "<same value>"
aspect_ratio: "<same value>"
local_seed: "<record if exposed>"
hosted_seed: "<record or not_exposed>"

ローカルとホストの両方がこの記録を読みます。ホストUIがseedを隠す、promptを書き換える、長さを制限する場合はnot_exposedと記録するか、書き換え後のpromptを保存します。確認できない値を同一と扱わないでください。見える入力を制御して初めて差を解釈できます。

手順4：まずH3-Baseのローカル768pを成立させる

2Kを考える前に768p結果を受け入れられる状態にします。Qwenの静止画が2Kでも、ローカルH3-Base動画が2Kになるわけではありません。

MiniMaxは二つのタスク別チェックポイントを公開しています。ここではMiniMax-H3 Base FL2VAを使い、テキスト、最初、最後、または両方のフレームからBF16で音声付き動画を生成します。公式ダウンロードとSGLang例は次の通りです。

hf download MiniMaxAI/MiniMax-H3 \
  --include "FL2VA/*" \
  --local-dir MiniMax-H3

sglang serve \
  --model-path MiniMaxAI/MiniMax-H3 \
  --num-gpus 4 \
  --ulysses-degree 4 \
  --performance-mode speed \
  --host 0.0.0.0 \
  --port 30010 \
  --model-variant fl2va

二つ目はMiniMaxの4 GPU例です。Wassermanが公開したDGX Spark設定でも、最小要件でもありません。選んだフレームワークの文書に従って調整し、変更をすべて記録してください。どの機械でも動く証拠として扱わないでください。

首尾フレームを SGLang プロセスから見える場所に置く

FL2VA の conditions には、role: "keyframe" の画像を1枚または2枚指定できます。SGLang の公式 H3 ガイドでは、frame_index: 0 が最初のフレーム、frame_index: -1 が最後のフレーム、[0, -1] が首尾フレームの組み合わせです。MiniMax の再現スクリプトは最初のフレーム1枚の形を示しているため、以下では同じ fields を使って2枚を指定します。

file:// URI を解決するのは curl を実行する端末ではなく、SGLang サーバープロセスです。両方が同じホストなら realpath の絶対パスを使えます。SGLang がコンテナ内または別マシンで動く場合は、2枚をその環境へ mount または copy し、FIRST_URI と LAST_URI をサーバーから読めるパスに変更します。

ショット契約は prompt.txt に保存します。完全ローカル768pでは、自分で整えた構造化 prompt を使えます。ハイブリッド2Kでは、H3-Context-IR の結果を同じ prompt field に入れ、H3-Base の出力を H3-Regenerate-2K に渡します。

FL2VA を送信し、完了を待って MP4 を保存する

以下は公式の非同期 lifecycle に沿います。POST /v1/videos で job を作成して .id を読み、GET /v1/videos/{id} を poll し、status が completed になった後だけ GET /v1/videos/{id}/content を呼びます。公式 cookbook では failed が終端エラーで、それ以外の空でない status は待機を続けます。

set -euo pipefail

BASE_URL="${BASE_URL:-http://127.0.0.1:30010}"
FIRST_URI="${FIRST_URI:-file://$(realpath first.png)}"
LAST_URI="${LAST_URI:-file://$(realpath last.png)}"
PROMPT_FILE="${PROMPT_FILE:-prompt.txt}"
OUTPUT_FILE="${OUTPUT_FILE:-fl2va.mp4}"

payload=$(
  jq -n \
    --rawfile prompt "$PROMPT_FILE" \
    --arg first "$FIRST_URI" \
    --arg last "$LAST_URI" \
    '{
      model: "MiniMaxAI/MiniMax-H3",
      task: "fl2va",
      prompt: $prompt,
      seconds: 8,
      conditions: [
        {
          type: "image",
          uri: $first,
          role: "keyframe",
          frame_index: 0
        },
        {
          type: "image",
          uri: $last,
          role: "keyframe",
          frame_index: -1
        }
      ],
      target: {
        short_edge: 768,
        aspect_ratio: "auto",
        duration_seconds: 8
      },
      seed: 0
    }'
)

response=$(
  curl --fail-with-body --silent --show-error \
    --request POST \
    --url "$BASE_URL/v1/videos" \
    --header 'Content-Type: application/json' \
    --data-binary "$payload"
)

video_id=$(printf '%s\n' "$response" | jq -er '.id')
printf 'video_id=%s\n' "$video_id"

while true; do
  task_json=$(
    curl --fail-with-body --silent --show-error \
      --request GET \
      --url "$BASE_URL/v1/videos/$video_id"
  )
  status=$(printf '%s\n' "$task_json" | jq -er '.status')
  printf 'status=%s\n' "$status"

  case "$status" in
    completed)
      break
      ;;
    failed)
      printf '%s\n' "$task_json" | jq .
      exit 1
      ;;
    *)
      sleep 1
      ;;
  esac
done

curl --fail-with-body --silent --show-error --location \
  --request GET \
  --url "$BASE_URL/v1/videos/$video_id/content" \
  --output "$OUTPUT_FILE"

test -s "$OUTPUT_FILE"

if command -v ffprobe >/dev/null 2>&1; then
  ffprobe -v error \
    -show_entries stream=codec_type,codec_name,r_frame_rate,sample_rate,channels \
    -of default=noprint_wrappers=1 \
    "$OUTPUT_FILE"
fi

printf 'saved=%s\n' "$OUTPUT_FILE"

curl --fail-with-body は非2xx応答で停止し、.id または .status がなければ jq -e が失敗します。failed の場合は job の完全な JSON を表示して非0で終了します。成功とみなすには、content の取得が成功し、MP4 が空でないことも必要です。

ffprobe が入っていれば、media stream も表示します。SGLang の文書化された出力 contract は、H.264動画24 FPSとAACステレオ32 kHzを含むMP4です。job が completed でも、ファイルが空、decode不能、またはmedia属性が想定外ならホスト版比較へ進まず、SGLang log、サーバーから見える画像URI、request JSONを先に確認します。

fields と endpoints は、MiniMax公式の再現用FL2VAスクリプト、SGLang MiniMax-H3 cookbook、SGLang video APIガイドに基づきます。完全ローカル経路はここでH3-Baseの768p MP4を得て終了し、完全2Kは前述のハイブリッド経路を使います。

手順5：ローカル経路が安定してからホスト版と比較する

ローカル経路がまだ失敗している段階で品質を比較しないでください。導入エラー、入力差、モデル挙動を切り分けられなくなります。変えるのは実行場所だけです。

バイトが同じ首尾フレームをアップロードし、hashを確認します。
prompt、長さ、アスペクト比、言語、音声意図を揃えます。
Web/APIがpromptを書き換えるか、seedを公開するか、H3-Context-IRを使うか記録します。
元の出力を保存し、比較前に編集、再エンコード、音楽追加をしません。
出所を隠してブラインド評価し、「ローカルが良い」「有料が良い」という先入観を減らします。

コストを比較するなら、実際のAPI請求、マシン占有時間、電力使用量を記録します。「ローカル」と「有料Web」というラベルだけでは、あなたの処理でどちらが安いか判断できません。

手順6：同じ評価表で自分のショットに合う経路を選ぶ

最初に創作タスクを達成したかを確認し、その後で時間とハードウェアを比べます。高解像度でも不要なカットを繰り返す結果は、制作には向かない場合があります。

評価項目	見方	記録するもの
最初のフレームへの忠実度	冒頭が人物、構図、主要物体を維持するか、すぐ別画像になるか	ずれと時刻
最後のフレームへの到達	最終状態へ自然に到達するか、最後の画像へ急に切り替わるか	最終状態と遷移品質
一つのショットの連続性	指示していないカット、瞬間移動、背景置換、時間ジャンプがあるか	カット時刻と前後画像
人物・背景の安定性	顔、服、手、道具、背景形状が安定するか	ずれた対象と継続時間
動きの経路	主体とカメラが指定順・方向で動くか	方向違い、速度変化、停止
音声	必要時にトラックがあり、同期し、ノイズや無関係な内容がないか	メディア情報、同期ずれ、異常区間
出力仕様	長さ、比率、FPS、解像度が設定通りか	実メタデータ
実行資源	経過時間、アクセラレータ最大メモリ、システムメモリ、再試行	推測ではなく各実行の生ログ
再現性	同じ入力を再実行したとき問題が繰り返すか	再実行結果と公開された乱数設定

MiniMaxは32 kHzステレオ生成を説明していますが、Wassermanの投稿は音声を有効化・保持・後処理したか示しません。自分の出力は検査できますが、この事例を音質検証として引用できません。

全部を再実行せず、上流の問題から直す

最初のフレームの誤りはQwen、連続性の問題はH3、解像度の不一致はローカル768pとハイブリッド2Kの選択から確認します。層ごとの診断は全パラメータを同時に変えるより短時間です。

症状	最初に確認	対処
最初のフレームがすでに違う	Qwen画像段階	H3で直そうとせず、prompt、参照、seedを修正
最後に人物や背景が変わる	Qwen受け渡し画像	独立生成ではなく最初の画像から編集し、変更を減らして参照を再利用
不要なカットが入る	H3 promptと動き制約	一つの連続ショットを明記し、モンタージュ・複数場面の語を削除し、同じhashで再実行
最後へ到達しない	長さと動作計画	動作を減らし、開始—過程—終了を明示
音声がない、合わない	H3変種、クライアント、コンテナ	音声付き動画チェックポイントと経路を確認し、同等音声がない実行は比較不可とする
Qwenがメモリ不足	画像実行環境	公式CPU offloadを試し速度影響を測る。普遍的最小VRAMを推測しない
H3が起動しない	H3実行環境	フレームワークの導入ガイドを確認。公式例は4 GPUで、一般GPUは保証されない
ローカルは768pで2KにAPIが要る	ワークフロー境界	文書化された設計であり故障ではない。768pを受け入れるかハイブリッド2Kへ切り替える
ローカルとホストが大きく違う	入力と前処理	prompt書き換え、Context-IR、seed、長さ、比率、再エンコードを確認してからモデル差と判断

長期運用でローカル版かホスト版かを決める方法

一番良く見えた一例ではなく、自分のショット集合で決めます。固定カメラ、人物動作、物体変形、台詞、環境音を含め、成功と失敗を両方保存し、次の値を分けて記録します。

動画の長さ：公開例なら約8秒
生成時間：投入から完成までの経過時間。公開例では未開示
モデル仕様：公式文書に書かれた範囲
実際のハードウェア使用量：機器名から推測せず自分で測った値
一回の視覚評価：その実行は説明できるが、全体勝率にはできない

素材を手元から出せないなら、ローカル768pを既定にします。最終納品が2K必須でリモートAPIを許容できるなら、ハイブリッド2Kを選びます。連続性を最優先するなら、同じショット集合でローカル版とホスト版をブラインド評価し、評価表をより安定して通過する方を優先します。公開事例はローカル経路が動き、同一入力の一例で不要なカットを避けたことを示すだけで、反復試験の代わりにはなりません。

実行前に確認する8項目

「完全ローカル768p」または「ハイブリッド2K」と正しく表示した。
両フレームのQwenモデル、prompt、seed、寸法、参照を記録した。
画像とpromptにhashがあり、二つのH3実行が同じ入力を使う。
ローカルはfl2vaを使い、まずH3-Base 768pとして検収した。
ホスト側のprompt書き換えや非公開パラメータを正直に記録した。
元動画を編集せず、同じ連続性・カット・音声・仕様基準で評価した。
経過時間、最大メモリ、再試行、失敗はログから取得した。
結論を試した入力、ハードウェア、確認日に限定した。

まとめ

既定の推奨は明確です。**Qwen Image 2.1で首尾フレームをローカル作成し、MiniMax H3-Base fl2vaでローカル768pを成立させます。**2Kが必須でリモートAPIを許容できる場合だけ、H3-Context-IR → ローカルH3-Base → H3-Regenerate-2Kへ進みます。

どちらを選んでも、フレーム、prompt、長さ、アスペクト比を固定し、同じ入力で連続性、不要なカット、音声、時間、ハードウェア使用量を比較します。これで見栄えの良いデモが、監査・比較して採用を判断できるワークフローになります。

参考リンク

事実確認日：2026年9月26日。

招待報酬の仕組み

Qwen Image 2.1 + MiniMax H3：ローカル首尾フレーム動画パイプライン

先に結論：本当に2Kが必要でなければローカル768pから始める

手元のマシンだけで完結できる範囲

公開事例は実行可能性を示すが、普遍的な勝者は決めない

手順1：アイデアを一つの連続ショットに絞る

手順2：最初のフレームを生成し、それを編集して最後のフレームを作る

手順3：ローカル版とホスト版に同じ入力を読ませる

手順4：まずH3-Baseのローカル768pを成立させる

首尾フレームを SGLang プロセスから見える場所に置く

FL2VA を送信し、完了を待って MP4 を保存する

手順5：ローカル経路が安定してからホスト版と比較する

手順6：同じ評価表で自分のショットに合う経路を選ぶ

全部を再実行せず、上流の問題から直す

長期運用でローカル版かホスト版かを決める方法

実行前に確認する8項目

まとめ

参考リンク

LLM ワークフローを最適化しませんか？

先に結論：本当に2Kが必要でなければローカル768pから始める

手元のマシンだけで完結できる範囲

公開事例は実行可能性を示すが、普遍的な勝者は決めない

手順1：アイデアを一つの連続ショットに絞る

手順2：最初のフレームを生成し、それを編集して最後のフレームを作る

手順3：ローカル版とホスト版に同じ入力を読ませる

手順4：まずH3-Baseのローカル768pを成立させる

首尾フレームを SGLang プロセスから見える場所に置く

FL2VA を送信し、完了を待って MP4 を保存する

手順5：ローカル経路が安定してからホスト版と比較する

手順6：同じ評価表で自分のショットに合う経路を選ぶ

全部を再実行せず、上流の問題から直す

長期運用でローカル版かホスト版かを決める方法

実行前に確認する8項目

まとめ

参考リンク

すべての記事

LLM ワークフローを最適化しませんか？