メインコンテンツへスキップ
見出し画像

【MiniMax H3】15秒の壁を越えて1分の動画へ。次の15秒の台本をローカルLLMが日本語で考える「Vidubus 1.5」をリリースしてTALES小説をアニメにしてみた

    MiniMax H3(声つきの動画を作る動画生成AI)で動画を作っていて、15秒で終わってしまうのがもどかしい。続きを作ると、人物も場所も変わってしまう。次の15秒の英語のプロンプト(動画生成AIへの指示文)を毎回考えるのもつらい。そう感じたことはありませんか。

    Vidubus 1.5で入った「続きを作る」(できた15秒の動画の、次の15秒を作る機能)を使って、自作の小説をアニメにしてみました。

    次の15秒の台本は、ローカルLLM(自分のPCで動く文章のAI)に案を出してもらう「提案してもらう」か、自分の文で書く「自分で書く」かを選べます。小説のアニメは「自分で書く」で作りました。この記事では、そのプロセスを紹介します。

    小説は、TALES(noteの小説のサービス)に書いているものです。

    できたアニメです(42秒)。


    画像
    1カット目の動画から切り出したコマ4枚

    1カット目のコマです。

    15秒の動画を何本もつないで、1本のアニメにしています。これが1つのアプリの中でできるようになったのが、Vidubus 1.5です。

    画像
    シリーズ管理の画面(小説の1話のシリーズ · 上が採用した動画の並び、下が系譜の木)

    Vidubusの「シリーズ管理」の画面です。続きとして作った15秒の動画は、下の「系譜の木」(どの動画から続けたかの図)に、枝分かれしながらたまっていきます。使う動画に「採用」を押すと、上に採用した動画の並びができます。

    画像
    動画編集の画面(タイムラインに15秒の動画が4本)

    採用した動画は、アプリの中の「動画編集」の画面で、タイムラインに並びます。ここで前後を切って、1本のmp4にします。15秒を4本で1分。1分は例で、本数は自由です。2本で終えても、もっと続けてもかまいません。

    Vidubus 1.5でできるようになったことは3つです。

    • 次の15秒の台本を、ローカルLLMが日本語で考えます。話が決まっていれば、自分の文で続けることもできます

    • ComfyUI(生成AIのモデルをつないで動かすソフト)のワークフロー(ノードをつないだ作り方の図)は触りません。アプリの画面だけで作れます

    • 使う動画を選んで並べて、アプリの中で1本のmp4にできます

    もう1本、台本を全部ローカルLLMの提案(次の15秒の台本の案)から選んで作った例も置いておきます。小説にも出てくる3人で、約1分(52秒)です。

    Vidubus 1.5は、メンバーシップで配っています。ダウンロードは記事の後半にあります。

    Vidubusとは

    初めての方に、Vidubusの話を少し。

    Vidubus(ヴィドバス)は、自分のPCで動く動画生成のソフトです。日本語で頼むと、手元のOllama(ローカルLLMを動かすソフト)が、MiniMax H3用の英語の台本を書きます。それをComfyUIに渡して、声つきの動画ができるまで。全部が1つの画面で終わります。

    言いたいことを絵にしています。1枚目から順に。

    画像
    コンセプトアート1枚目(日本語で書ける)

    1枚目。英語のプロンプトはローカルLLMが書きます。頼むのは日本語のまま。ComfyUIのワークフローも、ターミナルの操作も要りません。

    画像
    コンセプトアート2枚目(断られない)

    2枚目。台本を書くのは手元のローカルLLMなので、クラウドの動画生成で断られる題材も、そのまま台本にできます。作ったものも外には出ません。

    画像
    コンセプトアート3枚目(提案)

    3枚目。何を作るか迷ったら「提案」(ローカルLLMが依頼文の案を出す機能)で、日本語の依頼文を出してもらえます。キャラ(登場人物の絵と名前を登録しておく機能)を使えば、同じ人物を何本にも出せます。

    画像
    コンセプトアート4枚目(手元に高性能PCがなくても)

    4枚目。手元に高性能なPCが無くても、RunPod(時間課金のクラウドGPU)などのリモートGPUにつなげば動きます。

    Vidubusは、私が作っているZimoto Creative Studio(手元で動く創作ツール4つ)の動画の担当です。詳しくは記事の最後に。

    最初の版(1.0)の販売記事です。何ができるかを全部画面つきで載せています。

    使い方は無料のサイトに全部載せています。

    1.0から1.5までで何が増えたかは、こちらに読み物でまとめました。

    Vidubusが使うMiniMax H3は、1本15秒まで

    Vidubusは、動画を作る部分にMiniMax H3を使っています。H3は、MiniMaxが公開しているオープンウェイト(モデルの重みが公開されていて、手元に落として動かせる形)の動画生成AIで、ComfyUIの上で動きます。映像と一緒に声や効果音も作ります。

    VidubusはこのComfyUIにつないで動画を作るので、ComfyUIでMiniMax H3が動かないPCでは、Vidubusも動きません。入れ方は後の「必要なもの」に載せています。

    1本の長さは4〜15秒。公式のREADMEにそう書かれています(2026年10月26日時点)。それより長い動画は、1本では作れません。

    公式のREADME → https://github.com/MiniMax-AI/MiniMax-H3

    なので、Vidubusでは15秒の動画を何本か作ってつなぎます。そのとき困るのが、次の15秒に何を書くかと、人物や場所の揃え方です。Vidubus 1.5は、ここを手伝います。

    15秒を超えて、1分の動画を作る

    画像
    コンセプトアート5枚目(15秒の続きが作れる)

    コンセプトアートの5枚目は、15秒の続きを作るところ。ここがVidubus 1.5で増えたところです。

    流れはこうです。15秒の動画を1本作ったら、できた動画の「✦ 続きを作る」を押します。次の15秒の中身は、2通りで決められます。

    • 提案してもらう: ローカルLLMが、次の15秒の案を日本語で6件出します。次の場面が決まっていない時に

    • 自分で書く: 次の15秒を、自分の日本語で書きます。小説のように話が決まっている時に

    どちらを選んでも、そこから先の仕組みは同じです。前の動画の最後のコマ(最後の1フレーム)から続き、人物や場所を引き継ぎ、できた動画は自動でシリーズに入ります。これを4本目まで繰り返して、使う動画を選んで並べ、1本のmp4にします。

    台本を先に全部書く必要はありません。1本できてから見て、次を決める順で作れます。

    提案してもらう: 次の15秒の台本を、日本語でLLMが考える

    画像
    イラスト(続きを作る → 日本語で一言 → 6件の案 → 次の15秒)

    上のイラストを、実際の画面で。

    画像
    ① 押す(できた動画と「✦ 続きを作る」)

    ① できた動画の下の「✦ 続きを作る」を押します。

    画像
    ② 日本語で一言(続きのパネル)

    ② 開いたパネルの頭で「提案してもらう」を選び(赤枠1)、変えたいことがあれば日本語で一言(赤枠2)。画面の例は、作例の登場人物の凛とめるの場面で「凛が「泣いてないで、まず片付け!」と仕切り、めるが雑巾を取りに走る」。空のままでも続きます。

    ③ 「続きを6件出す」を押すと、次の15秒の案が6件出てきます。

    画像
    ③ 6件の案(題名と1行目 · 選んだ「大掃除の始まり」は枠が濃い)

    6件の案(題名と1行目)。この中から1つを押します。1件に、動きとセリフが4つ。前の動画の依頼文と最後のコマを読んで書くので、話が直前から続きます。

    作例で選んだ「大掃除の始まり」の全文です。1行が1つの動きです。

    夕暮れの教室で青いペンキに囲まれた陽葵と凛とめるが、凛が腰に手を当てて「泣いてないで、まず片付け!」とめるを叱る。めるがびくっと肩を震わせる。
    めるが慌てて教室の隅にある棚へ走り、雑巾を掴んで「すぐに取ってくる!」と叫ぶ。足音が激しくなり、バケツがカランと鳴る。
    三人が床に膝をつき、雑巾で青いペンキを必死に拭き取る。シュシュッという拭き掃除の音が響き、陽葵が「意外と取れないね」と苦笑いする。
    陽葵が隣にいるめるの頬に指を添え、青いペンキをぬぐい取ると、めるが照れて「ありがとう」と小さく笑う。陽葵が満足げに微笑む。

    画像
    ④ 次の15秒(できた続きと系譜)

    ④ 気に入った案を押せば、英語のプロンプトから動画まで進みます。英語は1行も書きません。

    1件に動きが4つ入るのは、Vidubus 1.5で一緒に直した所です。後の節で書きます。

    自分で書く: 話が決まっているなら、自分の文のまま

    次の15秒が決まっている時は、「✦ 続きを作る」で「自分で書く」を選びます。案は出ません。その代わり、依頼の欄に書いた日本語が、そのまま次の15秒になります。

    書くのは日本語です。英語のプロンプトは1本目と同じようにローカルLLMが書くので、手で続ける時も英語は書きません。

    人物はキャラの登録で揃えます。Vidubus 1.5で、1本の動画に選べるキャラが3体から9体になりました。キャラごとに、どの画像を渡すかも選べます(既定は1枚目だけ)。MiniMax H3に見本として渡せる画像(参照)は合わせて9枚までなので、いま何枚渡すかが「参照 n / 9」で見えます。

    記事の最初のアニメは、小説の1話をこの方法で作ったものです。手順は後の「小説をアニメ化してみよう」で。

    どちらでも、つなぎ方は同じ

    ComfyUIだけで続きを作る時と考え方は同じで、前の動画の最後のコマを、次の動画の最初のコマにします(画像から動画 = 1枚の絵を最初のコマにして動かす作り方)。続きの動画は、前の動画が終わった瞬間から始まります。前の動画の英語のプロンプト、キャラ、参照の画像、seed(同じ値なら似た絵が出る乱数の種)も引き継ぐので、同じ人物、同じ場所のまま話が進みます。顔や服をもっと揃えたい時は、前の動画のコマを見本に足せます(このときは参照から動画 = 見本の人物で次の場面を作る作り方になります)。

    提案から作っても自分で書いても、ここは変わりません。

    ComfyUIのワークフローを触らずに

    ここまでの操作は、全部Vidubusの画面の中。ComfyUIのワークフローは開きません。最後のコマを書き出して、次のワークフローに読み込ませて、という作業もありません。

    画像
    動画を作る画面(MiniMax H3 · 解像度 · 秒数)

    カスタムノード(ComfyUIに後から足す部品)も要りません。1.0のセットアップで入れたMiniMax H3のモデルのままで、新しく入れるものはありません。1.0を使っている方なら、入れ替えるだけで1分まで。

    選んで並べて、1本のmp4に

    続きの動画は、元の動画と一緒に自動でシリーズにまとまります(記事の最初の画面)。使う動画を採用して順番を決めたら、「採用したn本を動画編集へ」で動画編集に送ります。

    動画編集は、記事の最初に載せた2枚目の画面です。タイムラインは1本。前後を切る、真ん中を抜く、音を消す、通しで見る。最後に「1本にする」でmp4になります。外の動画編集ソフトは要りません。

    ここまでの流れを、約2分の紹介動画にまとめました。続きの案を手元のOllamaが出すところから、1本のmp4にするところまで、実際の画面です。

    1分の動画を作る流れは、ここまでです。Vidubus 1.5はメンバーシップで配っています。

    ローカルLLMの台本の書かせ方を直して、15秒ぶんの動きが入るように

    1分の動画を作る前に、1本の15秒のほうも直しました。直したのは、ローカルLLM(Ollama)への台本の頼み方です。提案の文面(LLMへの指示)を書き直して、JSONの型(答えの形の決まり)で、1件に入る動きの数を秒数どおりに縛りました。文で頼むだけでは、12bのモデルが数を守らなかったためです。

    それまでの提案は、15秒向けの案を頼んでも、中身は5秒ぶんの量で止まっていました。動きが1つに、セリフが1つ。15秒の動画にすると、間延びします。

    Vidubus 1.5では、提案の量を秒数で決めるようにしました。動きとセリフのひとまとまり(3〜4秒ぶん)を「動き」と呼んで、5秒なら1つ、15秒なら4つ。1つの動きは2文ほどで書かせています。

    画像
    1件の案の中に、動きが4つ並んでいるところ

    手元で測った例では、前は100字ほどだった15秒の案が、240〜290字ほどになりました。検証の動画では、英語のプロンプトにも3.5秒、7秒、11秒のところで次の動きが入りました。

    1分の動画は、この15秒が4本並んだものです。1本だけ作る時も、同じ量の案が出ます。

    小説をアニメ化してみよう

    ここからは、上の「自分で書く」の実例です。記事の最初に載せたアニメは、私がTALESに書いた小説の1話を、「自分で書く」で作ったものです。アニメにしたのは1話です。


    画像
    登場人物(陽葵 · 凛 · める · しずく · 楓)

    主な登場人物は、この5人です(4カット目からは先生の康介も出てきます)。キャラとして登録して、動画の参照に使っています。このキャラ画像は、Pixubus(日本語で頼むとComfyUIで絵を作る、Vidubusの姉妹ツール)で作りました。

    1話を15秒のカットに割る

    1カットは15秒。1カットに動きとセリフを4つ、が目安です(提案が出す量と同じ)。1話を頭から読んで、15秒ずつに区切り、それぞれを動き4つの日本語にします。セリフは「」で書きます。

    画像
    1カット目(小説の冒頭の文をそのまま依頼文に)

    1カット目は、小説の文をそのまま依頼文に貼って作りました(シンプルモード = 入力欄1つで作る画面 · キャラ3人を参照)。2カット目からは「自分で書く」で続けます。

    画像
    1カット目の動画から切り出したコマ4枚

    まったく小説のままのシーンが再現できました😮

    「自分で書く」で1カットずつ

    2カット目からは、できた動画の「✦ 続きを作る」を押して、「自分で書く」を選びます。パネルに残るのは「どこから」(起点のコマ)と見本のコマだけで、画面は依頼の欄へ移ります。そこにカットの文を書けば、あとは英語のプロンプト、動画、と進みます。

    画像
    2カット目(上の依頼の欄にカットの文 · 下に「VD-494 の続き」の「自分で書く」)

    画面は2カット目を作っているところです。依頼の欄には、1行目に「〜シーンの続き」と場面を添えて、小説の続きの文をそのまま書いています。キャラは5人で「参照 5 / 9」、seedと起点のコマは1カット目(VD-494 · VD-nはVidubusが動画に振る管理番号)から引き継いでいます。

    2カット目は、まずturbo(ステップを減らして速く作る設定)を付けて試作しました。turboなしの15秒は1本約15分かかりますが、turboなら4分ほどです(この画面では228秒)。動きやセリフの入り方を先に見て、当たりがついてから本番に回します。

    画像
    turboで試作した2カット目(VD-498 · 所要228秒)
    画像
    2カット目の動画から切り出したコマ4枚

    2カット目のコマです。

    画像
    3カット目の動画から切り出したコマ4枚

    3カット目のコマです。

    画像
    4カット目を作ったときの画面(シンプルモード · 「VD-503 の続き」の「自分で書く」)

    4カット目も「自分で書く」で作りました。依頼の欄には、1行目に「〜シーンの続き」と添えて、小説の文をそのまま書いています。キャラは先生の康介を足して6体、前の動画(VD-503)の途中のコマ2枚を見本に足して「参照 8 / 9」。起点はVD-503の9.99秒のコマで、秒数は6秒、turboなし、seedは1カット目と同じです。

    画像
    4カット目の動画から切り出したコマ4枚

    4カット目のコマです。

    提案のLLMを呼ばないだけで、前の動画から引き継ぐものは提案の時と同じです。できた動画も続きとしてシリーズに入り、系譜の木に並びます。

    画像
    小説の1話の系譜の木(記事の最初の画面の、木の部分)

    画面の時点では、1カット目(VD-494)から続きを5本、2カット目(VD-499)から2本作っていて、採用は3本です。使わなかった続きも、枝として残っています。

    できた動画

    完成した動画は、記事の最初に載せたものです。

    画像
    動画編集の画面(小説の1話のシリーズ · タイムラインに5本)

    動画編集の画面です(画面の時点では5本を並べています)。前後を切って、書き出した動画は42.5秒になりました。

    • 解像度: 864×480、turboなし(20ステップ)

    • 動画: 15秒が3本と6.6秒が1本。1本343〜1017秒

    • 英語のプロンプト: gemma4:31b-it-qat

    • 1本にする: 数秒

    動画の生成だけで、合わせて約54分です。turboで試作した分と、使わなかった動画の時間は入れていません。

    できたこと、できなかったこと

    • 全部が全部、日本語の指示どおりにはいきません。キャラが多いと特に、A子に言わせたいセリフをB子が言ったりします

    • ただ、15秒のうち10秒は使えるので、動画編集で前後を切ったり分割したりすれば、なんとかなります

    • 声は1カットごとに変わります。H3が1本ごとに声を作るためです(後の「できないこと」に詳しく)

    1分にかかる時間と、できないこと

    時間は、提案だけで作った1分の例(記事の最初のほうに載せた2本目)を作った時の実測です。検証に使っているPC(RTX 5070 Ti · 16GB)で、2026年10月24日と26日に作りました。

    • 解像度: 864×480、turboなし(20ステップ)、1本15秒

    • 1本目の提案: 470秒(Gemma 4の31b QAT = 大きいほうのモデル · think ON = LLMが考えてから答える設定)

    • 続きの提案: 1回120〜220秒(31b QAT · think OFF · 3回)

    • 英語のプロンプト: 1本170〜180秒(31b · think OFF · 4本)

    • 動画: 1本871〜946秒(約15分 · 4本)

    • 1本にする: 約2秒

    合わせて1時間半ほど。いちばん長いのは動画の生成で、4本で約1時間です。使わなかった動画(作り直した分)の時間は入れていません。turboを付ければ速くなりますが、続きを重ねると顔が崩れやすくなります。

    おすすめの12b QAT(小さいほうのモデル)なら、英語のプロンプトは1本15〜35秒で済みます(1.0の記事で測った値)。

    できないことも先に書いておきます。いちばん目立つのは声です。

    声は細かく制御できません。MiniMax H3は1本ごとに声を作るので、カットが変わると、同じキャラでも声質が変わります。前の動画の声が次の動画に続くこともありません。キャラに声の特徴(高さなど)を書いておけば文としては効きますが、声を揃えるところまではいきません。声の見本の音声を渡す入口も、いまの画面にはありません。

    声を統一したいなら、つないだあとにTTS(音声合成)のソフトで声を上書きする、などの手間が要ります。TTSは、いまのVidubusには入っていません。

    • BGMも1本ごとに作られて、前の動画から続きません。つないだあとに載せるのが確実です

    • 文だけで続けると、2〜3本で人物が変わりやすいです。キャラの登録か参照の画像を入れて作ってください

    • 顔が崩れてきたら、turboを外して作り直すと戻ることがあります

    • 動画編集のトラックは1本です。テロップや場面の切り替え効果はありません

    H3-Extenderとの違い

    ComfyUIの上で15秒をつなぐ方法として、tritantさんのカスタムノード「H3-Extender」があります。やり方が違うので、違いだけ並べておきます。Vidubusの側は、提案してもらって続ける形で比べています。

    画像
    表「H3-Extenderとの違い」(続きの台本 · つなぎ方 · 導入の3行)

    latentは、動画モデルの中で使っている圧縮した表現のことです。H3-Extenderは音声も次のクリップに渡します。Vidubusは1本ごとに作るので、音は前の動画から続きません。

    H3-Extenderは、こちらで動かして検証していないので、正確な比較ではありません。

    H3-ExtenderのREADME → https://github.com/tritant/ComfyUI_MiniMax_H3_Extender

    1.0を買った方へ

    1.0の販売記事は買い切りで、zipは1.1のままです(販売記事に書いたとおりです)。Vidubus 1.5は、このメンバーシップの記事から配っています。

    入れ替えても、作った動画やキャラはそのまま引き継げます。手順はメンバー限定の部分と、使い方サイトに載せています。

    必要なもの

    画像
    必要なソフトの画像
    • ComfyUI(Desktop)と、MiniMax H3のモデル。ComfyUIのテンプレートから入れます。見本のコマを使う時は「参照から動画」のモデルも要ります

    • Ollamaと、Gemma 4の12b QAT(「gemma4:12b-it-qat」)。Vidubusはこれで確かめていて、これが動くことを必須にしています

    • Node.js 24以上

    • VRAM 16GBのNVIDIAのGPU。無ければ、RunPodに繋いでも動きます

    MiniMax H3は、ComfyUIのテンプレート(ComfyUIに入っている作り方のひな形)から入れます。手順は3つです(図の番号は、使い方サイトの手順の番号です)。

    画像
    ComfyUIの左の縦のバーの「テンプレート」

    ① ComfyUI Desktopを起動して、左の縦のバーの「テンプレート」を押します。

    画像
    「MiniMax H3」で検索したところ

    ② 検索欄に「H3」と入れて、「MiniMax H3:画像から動画へ」を開きます。見本のコマやキャラを使うなら、「MiniMax H3: 参照から動画」も開きます。

    画像
    「セットアップが必要です」の「すべてダウンロード」

    ③ 足りないモデルの一覧が出るので、「すべてダウンロード」を押します。画像から動画へが約39GB、参照から動画が約21GBです。

    ComfyUIでMiniMax H3が動かないPCでは、Vidubusからも動きません。先にComfyUIのテンプレートで1本作れるかを確かめてください。手順の細かいところと、1本作って確かめるところまでは使い方サイトに載せています。

    Zimoto Creative Studioとメンバーシップ

    Vidubusは、私が作っているローカルLLMのツール群の動画担当です。ネタを広げるMycelink、小説を書くInkubus、絵を描くPixubus、そして動画のVidubus。この4つをまとめてZimoto Creative Studioと呼んでいます。どれも手元のPCだけで動きます。

    画像
    Zimoto Creative Studioの4匹

    それぞれの紹介と販売はこちらです。

    全部つなげると、アイデアから本や動画まで、あなたのパソコンの中だけで作品になります。

    画像
    すべては、あなたの想像を作品にするために

    4つとも、メンバーシップに入っていれば手に入ります。続きの改善も、メンバーシップから出していきます。ツールを2つ以上使うなら、メンバーシップのほうが早いです。

    ここから先で手に入るもの

    • Vidubus 1.5のzipと、アップデートの手順と、はじめての方向けの入れ方

    • Vidubus 1.5の変更の一覧(変更履歴へのリンク)

    • 1分の動画を作る手順を、画面つきで(続きを作る → シリーズ管理 → 動画編集)

    • 詰まりやすいところと、やり方(見本のコマ · 変えるもの · turbo など)

    Vidubus 1.5 ダウンロード

     
     
    ローカルLLMで小説・イラスト・動画を作りたい人に、ツールと作り方を届けます。"オタクとしての創作AI活用"が中心。小説のInkubus、イラストのPixubus、動画のVidubusは自作。OllamaとComfyUIは自宅のGPUで実機検証。メンバーシップは200人を突破。

    あなたへのおすすめ