# MiniMax H3 ローカル環境構築・イラスト動画制作ログ ## はじめに この文書は、Windows PCにMiniMax H3のローカル生成環境を構築し、3枚のイラストから短い連続動画を制作した際の、AIアシスタントとのやり取りを公開用に再編集したものです。 読みやすさとプライバシー保護のため、次の情報は省略しています。 - 個人のローカルフォルダー名と絶対パス - ダウンロードや実行時の内部ログ - 承認操作や待機中の進捗報告 - 一時ファイル、確認用画像、内部ワークファイル - 会話上の重複表現 掲載している生成プロンプトは、実際に使用した内容をベースに整形したものです。 --- ## 1. 制作環境 ### PC構成 - OS：Windows - GPU：NVIDIA GeForce RTX 3060（VRAM 12GB） - メモリ：約24GB - 保存先の空き容量：約225GB ### 構築方針 - 既存のPython環境やシステムのPATHへ影響を与えない - ComfyUI Portableと独立Pythonを使用 - モデル、キャッシュ、一時ファイル、入力、生成物を専用フォルダー内に集約 - RTX 3060 12GBで動作する低VRAM向け設定を使用 ### 実際の構成 - ComfyUI Portable 0.33.1 - 独立Python 3.13.14 - PyTorch 2.13.0 + CUDA 13.0 - MiniMax H3 FL2VA INT8モデル - MiniMax H3用テキストエンコーダー - Video VAE / Audio VAE - Dynamic VRAM、非同期オフロード、モデルの段階的読み込みを使用 --- ## 2. 最初の環境構築依頼 ### ユーザーの依頼 > 専用フォルダー以下に、既存PythonやPATHへ影響を与えない形でMiniMax H3の環境を構築してください。 > > ComfyUI Portable、独立Python、モデル、キャッシュ、一時ファイル、生成物を、できる限りこのフォルダー内だけに配置してください。低VRAM向けの安全な構成でお願いします。 ### 対応内容 - Portable版ComfyUIを専用フォルダーへ配置 - Pythonと必要ライブラリを独立環境へ導入 - MiniMax H3関連モデルを専用のモデルフォルダーへ配置 - モデルファイルのSHA-256を検証 - 入力、出力、キャッシュ、一時ファイル、ユーザーデータの保存先を専用フォルダー内へ固定 - RTX 3060 12GB向けの低VRAM起動設定を作成 - ComfyUI APIから動画生成できることを確認 --- ## 3. 動画全体の構成 最終的には、次の3本を別々に生成して結合しました。 1. 眠そうな女の子が仕事をし、目をこすりながら離席する 2. 小さな女の子が机の下から現れ、パソコンへいたずらする 3. 戻ってきた女の子が壊れたパソコンを見てショックを受ける 3本の共通仕様は次のとおりです。 - 解像度：768 × 512 - アスペクト比：3:2 - フレームレート：24fps - フレーム数：158 - 長さ：約6.58秒 - 映像：H.264 - 音声：AACステレオ --- ## 4. 動画②：小さな女の子のパソコンいたずら ### 最初の依頼 > 添付のイラストを、次のような動画にしていただくイメージです。 > > - 女の子がきょろきょろしてパソコンを見つけ、興味を持ってキーボードをたたいてしまう > - その後、パソコンにドクロマークが出て黒くなってしまう > - 女の子は何が起こったか分からず、にこにこしたまま ### 第一稿で使用したプロンプト ```text Preserve the exact original 2D chibi anime illustration, character design, facial features, white hair, blue slime-bunny mascot on her head, desk, chair, laptop, lighting, line art, and flat cel-shaded colors. Keep one continuous fixed-camera medium shot with only subtle natural character motion. No cuts, no camera movement, no new characters, no photorealism, and no redesign. Timeline: [0.0s-1.4s] The smiling girl curiously looks left, then right, moving only her eyes and head a little. The small blue mascot gently wobbles with her movement. [1.4s-2.2s] She notices the laptop on the right. Her eyes brighten with innocent curiosity and she leans slightly toward it, still smiling. [2.2s-3.7s] She reaches toward the laptop keyboard and cheerfully taps several keys with quick small finger movements. Keep her hands anatomically stable and the laptop fixed in place. [3.7s-4.5s] The laptop display abruptly changes to a clean black screen with one large, simple white skull-and-crossbones warning icon centered on it. The icon is clearly readable and does not appear anywhere else. [4.5s-6.0s] The skull icon flickers once, then the laptop display powers off to pure black. The girl stops typing, blinks once, and continues smiling innocently, clearly not understanding what happened. Audio: Quiet cozy room tone, soft cloth rustle, a short sequence of light keyboard clicks, one small electronic warning beep, then a gentle power-down sound. No dialogue, no singing, no music, and no scary sound. ``` ### 修正依頼 > 最初、女の子が机の下からぴょこんと出てきて、キーボードもタイピングではなく、子供みたいにパタパタ叩く感じにしてください。 ### 修正方針 机の下に隠れた開始状態と、パソコンが完全に黒くなった終了状態を安定させるため、元画像を基に開始・終了用の基準画像を作成しました。 この2枚をImage-to-Videoの最初と最後へ設定し、その間の動きをMiniMax H3で生成しています。 ### 第二稿で使用したプロンプト ```text Preserve the exact clean 2D chibi anime illustration style, the same white-haired girl, glossy blue slime-bunny mascot, black chair, wooden desk, brown wall panels, laptop, line art, flat cel shading, colors, perspective, and lighting shown in the supplied first and last frames. One continuous fixed-camera shot. No cuts, no zoom, no camera movement, no new characters, no photorealism, and no redesign. The first frame is the exact beginning: the girl is hidden below the desk, with only the very top of her white hair and the blue mascot's bunny ears peeking up. The last frame is the exact ending: the full girl sits at the laptop smiling innocently, both hands by the keyboard, and the laptop screen is completely pure black. Timeline: [0.0s-0.7s] Hold the hidden pose briefly. The blue bunny ears twitch once above the desk edge. [0.7s-1.5s] The girl suddenly pops straight upward from beneath the desk in one quick, cute springy motion, fully revealing her smiling face and the blue mascot. Add a tiny bounce as she settles. She physically rises from below the desk; she does not fade in or materialize. [1.5s-2.2s] Still smiling, she notices the laptop on the right, turns her head toward it, and leans closer with childlike curiosity. [2.2s-3.8s] She lifts both hands and repeatedly pats and slaps the laptop keyboard with loose open palms like a small child playing: left hand down, right hand down, then both hands in a quick playful rhythm. Use broad up-and-down arm motions and soft flat-hand taps. This must not look like careful adult typing and must not use precise individual finger presses. [3.8s-4.5s] After one final two-handed pat, the laptop display abruptly becomes black with one large simple white skull-and-crossbones warning symbol centered on it. [4.5s-5.2s] The skull symbol flickers once and then disappears completely as the laptop powers off. [5.2s-6.0s] The laptop screen remains uniformly pure black with no symbol, text, or glow. The girl stops patting, keeps both hands near the keyboard, blinks once, and continues smiling cheerfully and innocently. Audio: Quiet cozy room ambience; a small cute springy pop sound as she rises; several soft rapid flat palm pat-pat sounds on the keyboard; one short electronic warning beep; and a gentle power-down sound. No dialogue, no singing, no music, and no scary sound. ``` ### 得られた結果 - 青いうさぎの耳だけが見える状態から、女の子が一気に登場 - 女の子が片手ずつ大きく振り上げ、手のひらでキーボードをパタパタ叩く - パソコンにドクロマークが表示される - ドクロが消え、画面が完全な黒になる - 女の子は最後まで笑顔のまま --- ## 5. 動画①：眠そうに仕事をして離席 ### ユーザーの依頼 > 1枚目の女の子が眠そうにあくびをしながら仕事をしていて、目をこすりながら席を立って離席する動画を作りたいです。 > > 女の子が椅子の上にあぐらをかいているのが特徴的なので、席を立つ際に注意してください。 ### 制作上の課題 開始画像では、女の子が椅子の上で大きくあぐらをかいています。 この状態から単純に「立ち上がる」と指示すると、動画生成AIでは次の問題が起きやすくなります。 - 脚が突然消える - 脚が増える - 左右の脚が融合する - 座った姿勢から立った姿勢へ瞬間的に変化する - 足が床へ着かず浮いて見える そこで、元画像を基に「女の子が立ち上がり、右へ離れかけている状態」の終了基準画像を作成しました。 動画内の動作も、次の順番を明示しています。 1. あぐらのまま仕事 2. あくび 3. 目をこする 4. 片脚ずつ椅子から下ろす 5. 両足を床へ着ける 6. 椅子から立つ 7. 右へ歩いて離席 ### 使用したプロンプト ```text Preserve the same polished colorful 2D anime illustration style, exact black-haired maid girl, maid outfit, bunny emblem, office chair, desk, laptop, sunny window, curtains, plant, cabinets, perspective, and warm lighting shown in the supplied first and last frames. One continuous fixed-camera wide shot. No cuts, no zoom, no camera movement, no new characters, no photorealism, and no redesign. The first frame is the exact beginning with the sleepy girl sitting cross-legged on the office chair. The last frame is the exact ending with the chair empty and the same girl standing at the far right while rubbing one eye. Timeline: [0.0s-1.2s] Still sitting cross-legged, the sleepy girl leans toward the laptop and performs a few slow, sluggish work keystrokes. Her visible eye is half closed, her head gently nods once, and the little ghost bobs faintly. [1.2s-2.3s] She pauses work and gives one long sleepy yawn, covering her open mouth with one hand. Her shoulders rise and fall naturally. [2.3s-3.2s] She lowers the yawning hand and slowly rubs one eye with a loose fist, blinking drowsily. [3.2s-4.5s] Carefully and clearly resolve the unusual cross-legged pose before standing: she uncrosses her legs without twisting or merging them, lowers one lower leg from the chair toward the floor, then lowers the other leg, placing both feet separately and firmly on the floor. Keep exactly two legs and two feet, anatomically coherent throughout. She steadies herself on the chair armrest. [4.5s-5.2s] With both feet planted, she pushes up from the chair and stands beside it in one slow tired motion. The chair remains behind her and becomes empty. [5.2s-6.0s] Still rubbing one eye, she takes two small sleepy steps toward the right and begins leaving the frame. End on the supplied last frame with the empty chair visible. Audio: Quiet sunny office ambience, a few soft keyboard taps, one gentle natural yawn with no words, subtle cloth rustle while uncrossing her legs, a light chair creak as she stands, and two soft footsteps. No dialogue, no singing, and no music. ``` ### 得られた結果 - あぐらのまま、目を閉じそうになりながら作業 - 大きくあくびをして目をこする - 両脚を順にほどき、床へ下ろす - 両足を床に着けてから立ち上がる - 空になった椅子を残して右へ離席 - 脚の増減や大きな形状破綻は見られなかった --- ## 6. 動画③：いたずらに気づいてショック ### ユーザーの依頼 > 2枚目の女の子が、先ほどのパソコンへのいたずらを受けてショックを受けている動画を作りたいです。 ### 制作方針 元画像は、白黒の漫画表現、強い放射線、頬に当てた両手、大きく開いた口、背後の幽霊が特徴的でした。 そのため、構図を大きく変えるのではなく、次の要素を中心に動かしています。 - 女の子が一度大きくのけぞる - 頬に手を当てたまま震える - 髪とメイドカチューシャが揺れる - 背後の幽霊が腕を上げて驚く - 放射線が脈動する - 一度呆然とした表情になり、最後に再びショックを受ける ### 使用したプロンプト ```text Preserve the exact high-contrast black-and-white manga illustration style, exact black-haired maid girl, maid headband, bunny apron emblem, open laptop, shocked ghost, diagonal desk, dense radial speed lines, heavy ink lines, facial design, composition, and 3:2 framing from the supplied image. One continuous fixed-camera shot. No cuts, no zoom, no camera movement, no color, no grayscale shading, no new characters, no photorealism, no redesign, and no text. This scene occurs immediately after the laptop was broken by a prank and its display went black. Timeline: [0.0s-0.8s] The girl stares at the failed black laptop screen in stunned silence, frozen with both hands pressed to her cheeks and mouth open. Her eyes widen slightly. [0.8s-1.8s] A sharp realization hits. She recoils backward once in a quick comic shock motion while keeping both hands on her cheeks. Her hair, maid headband, and antenna tuft bounce from the jolt. Keep exactly two hands and stable facial features. [1.8s-3.8s] She trembles rapidly in place with small side-to-side shoulder and head motion, mouth still open in disbelief. The shocked ghost behind her wobbles and raises its tiny hands. The radial speed lines pulse subtly inward to intensify the manga shock, while the laptop stays fixed and black. [3.8s-5.0s] She leans closer toward the dead laptop for a moment as if hoping it will recover, then realizes it remains off. Her expression becomes even more devastated and the ghost droops briefly. [5.0s-6.0s] She returns to the iconic hands-on-cheeks pose and gives one final small trembling shake. Hold on the dramatic shocked face, dead black laptop, ghost, and speed lines. Audio: Dramatic but comedic silence at first, one short electronic failure buzz from the laptop, a quick manga shock sting, soft trembling cloth rustle, and the ghost making one tiny breathy gasp. No spoken words, no singing, no continuous music, and no horror sound. ``` ### 得られた結果 - 元画像の白黒漫画調を維持 - 女の子が頬に手を当てたまま震える - 背後の幽霊が腕を上げて一緒に驚く - 女の子が途中で呆然とした表情になる - 最後に再び大きなショック状態へ戻る - 放射線が脈動し、漫画的な勢いが強調される --- ## 7. 生成設定 3本とも、おおむね次の設定を使用しました。 ```text Model: MiniMax H3 FL2VA INT8 Mode: Image-to-Video / First-and-Last-Frame Image-to-Video Resolution: 768 x 512 Frames: 158 FPS: 24 Sampler: res_multistep Scheduler: simple Steps: 20 Denoise: 1.0 Audio: MiniMax H3 native audio generation ``` RTX 3060 12GB環境では、1本あたりの生成におよそ17～19分かかりました。 --- ## 8. 品質確認 生成後は動画全体を見るだけでなく、重要な時点のフレームを静止画として抽出して確認しました。 ### 動画①の確認点 - 作業中の手と指 - あくびと目こすり - あぐらを解除する途中の脚 - 両足が床へ着いた状態 - 立ち上がった瞬間 - 空席と離席後の全身 ### 動画②の確認点 - 机の下に隠れた開始状態 - ぴょこんと出る途中 - 左右の手のひらによるキーボード叩き - ドクロ表示 - ドクロ消失後の黒画面 - 最後まで笑顔を維持しているか ### 動画③の確認点 - 両手と顔の形状 - 女の子の震え - 幽霊の動き - ノートPCの位置 - 白黒表現の維持 - 放射線の脈動 --- ## 9. 最終結果 3本の動画を次の順番で結合しました。 1. 眠そうな女の子が仕事を終えて離席 2. 小さな女の子が現れてパソコンへいたずら 3. 戻ってきた女の子が壊れたパソコンを見てショック 短い動画ながら、導入・事件・オチのある一連の物語になりました。 --- ## 10. 今回有効だったポイント ### 動作を時間帯ごとに分ける 「立つ」「驚く」のような短い指示だけでなく、0.8～1.5秒単位で動作を分割すると、意図した順番になりやすくなりました。 ### 難しい姿勢は途中動作を明示する あぐらから立つ場面では、「片脚ずつ下ろす」「両足を床へ着ける」「その後に立つ」と順番を指定したことが有効でした。 ### 開始・終了の基準画像を使う 登場前の姿勢、離席後の空席、完全な黒画面など、最終状態が重要な場面では、開始・終了画像の両方を使用すると安定しやすくなりました。 ### やってほしくない動きも具体的に書く 今回の例では、次のような否定指示が有効でした。 ```text Do not make it look like careful adult typing. Do not use precise individual finger presses. Keep exactly two legs and two feet. No cuts, no zoom, and no camera movement. No photorealism and no character redesign. ``` ### 固定したい要素を冒頭で列挙する 人物、服装、背景、机、PC、照明、線画、色、カメラ位置など、維持したい要素をプロンプト冒頭へまとめることで、元画像からの逸脱を抑えました。 --- 以上が、MiniMax H3のローカル環境構築から3本の短編動画を制作し、一本の物語へまとめるまでの公開用制作ログです。