MiniMax H3とGrok Imagine Video 1.5、複数素材を詰めるかnative audioを優先するか？
H3のcontent上限を守って素材を束ねるか、Grokのkeyframeとnative audioを短尺工程へ組み込むかを判断します。
2026年10月19日にMiniMax v2 API・pricingとxAI full 1.5の能力表・発表・pricingを確認しました。H3-Max、Grok Lite、Runway経路は比較対象に含めません。
公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る
この記事の目次
複数入力を優先するかnative audioの指定を優先するか
画像・動画・音声の数を明示して4–15秒のtaskを再実行するならH3、first/last/mid keyframeとnative audioを含む1–15秒カットをxAIへ出すならGrok full 1.5が候補です。音声品質の優劣は未実測です。
H3の複数contentか、Grokのkeyframe/native audioかを先に決めます。
正式ID・入力・出力・料金単位
| 確認軸 | 左側 | 右側 | 判断メモ |
|---|---|---|---|
| 正式ID・経路 | MiniMax-H3 / MiniMax Video Generation API v2 | grok-imagine-video-1.5 / xAI API | H3-MaxやGrok 1.5 Lite、Runway IDを混ぜない。 |
| 入力・参照 | 画像9・動画3・音声3。first/lastとreferenceは排他 | 画像14・音声3、first/last/mid keyframe | H3のcontent数とGrokのkeyframe位置を同じ制約としない。 |
| 出力・音声 | 4–15秒、768P/2K。入力音声を受ける仕様を確認 | 1–15秒、480/720/1080p、native audio | 入力音声と生成native audioを別欄へ置く。 |
| 料金単位 | 768P $0.08、2K $0.13/秒。画像6枚目から$0.04/枚 | 入力画像 $0.01/枚＋出力480/720/1080p $0.08/$0.14/$0.25 per sec | 入力画像費と出力秒課金を別に記録し、参照素材の数と同じ価格式にしない。 |
入力資産と経路を分ける
H3では画像・動画・音声の数、first/lastまたはreference、出力解像度を固定します。Grokでは画像と音声参照、keyframe位置、native audioを別欄へ記録します。入力画像は$0.01/枚として出力秒課金と分けます。Grokのnative audioをH3の入力音声対応と同じ機能として扱わないことが比較上の注意です。
H3の入力表
- 画像9・動画3・音声3を数える。
- first/lastとreferenceの排他を確認。
- 768P/2K、4–15秒を記録。
Grokの入力表
- 画像14・音声3と位置を保存。
- first/last/mid keyframeを明記。
- native audioを出力条件として保存。
ペア固有の仮想工程
仮の編集条件（実際の生成結果ではありません）
料理動画に商品画像、手元動画、ナレーション参照を加え、音声付き縦カットを作る想定です。
- H3では画像4、動画2、音声1を12秒・2Kへまとめ、referenceかfirst/lastを一方に指定する。
- Grokでは商品画像6枚と音声参照1本を使い、firstとlastを指定して10秒native audioのtaskにする。
- 生成後に料理の手順、音声同期、商品ロゴ、ファイル形式を同じ受入票で比較する。
同じ素材でも、H3はコンテンツ配列、Grokはkeyframe位置とnative audioの記録が制作上の差になります。
同条件の費用を記録する
H3の2K・10秒出力は$1.30、画像6枚目が1枚なら追加$0.04です。Grokの720p・10秒出力は$1.40ですが、これは出力秒だけの計算です。入力画像6枚なら$0.01 × 6 = $0.06を加えた仮の合計は$1.46です。
両者は参照素材の請求ルールと出力単位が異なるため、$1.30と$1.40を単純な優劣へ変換しません。入力動画・音声の条件を実行時に確認します。
実測と未確認範囲
H3のcontent上限・排他・価格、Grok full 1.5のkeyframe・native audio・価格を公式資料で確認しました。音声の自然さ、リップシンク、人物・商品保持、待ち時間、成功率は未測定です。native audioという機能名から品質を推測しません。
出典・確認範囲
確認日は2026-10-19です。
- MiniMax｜Create video generation task：POST https://api.minimax.io/v2/video_generation、model=MiniMax-H3、4–15秒、768P/2K、テキスト・画像・動画・音声コンテンツ、画像最大9・動画最大3・音声最大3、first/lastと参照モードの排他を案内する。
- MiniMax｜Pricing overview：MiniMax-H3は768P出力$0.08/秒、2K出力$0.13/秒。入力画像は最初の5枚まで無料で6枚目から$0.04/枚、入力動画は解像度別の秒単価を案内する。
- MiniMax｜MiniMax H3 open-source announcement：H3の4–15秒、最大2K、first/last frameと画像・動画・音声参照の概要を確認する。
- xAI API｜Video capabilities overview：grok-imagine-video-1.5は1–15秒、480/720/1080p、最大14画像・3音声参照、first/last/mid keyframe、native audioを案内する。
- xAI｜Grok Imagine Video 1.5：Grok Imagine Video 1.5をxAI APIのgrok-imagine-video-1.5として案内し、画像起点・プロンプト・native soundを発表する。
- xAI API｜Pricing：grok-imagine-video-1.5の直接API価格は入力画像 $0.01/枚と、出力480p $0.08/秒、720p $0.14/秒、1080p $0.25/秒を掲載する。
この条件で制作を相談する
用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。