「MiniMax-H3-Image-Character-Swap」画像編集モデル:必要VRAM 4GB〜

「MiniMax-H3-Image-Character-Swap」画像編集モデル:必要VRAM 4GB〜

作例は配布元のモデルカードで公開されています。

基本情報

項目 内容
リポジトリ akhaliq/MiniMax-H3-Image-Character-Swap
まとめページ MiniMax-H3 のまとめ(記事14本)
公開元のまとめ MiniMax のモデルとライセンスのまとめ
公開日 2026-11-14
ライセンス minimax-h3-image-community-license-agreement
配布形式 safetensors
出典の種類 未確認(一次情報で裏付けできていない)(公式MiniMaxAIの一次情報ではなく、akhaliqの非公式マージ版リポジトリのみ)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

注意:このニュースは公式に確認が取れておらず、未確認の情報です。 以下はHugging Faceのモデルカードの記載に基づく内容です。

akhaliq/MiniMax-H3-Image-Character-Swapは、MiniMaxAI/MiniMax-H3-Imageにakatz-ai/MiniMax-H3-Character-Swap-LoRAを画像DiTへ直接マージしたチェックポイントとされています。シーン写真()とキャラクター参照画像()、置き換える人物を指定するテキストを入力すると、背景・照明・他の人物・ポーズを保ったまま人物を差し替えた画像が出力されます(画像→画像)。カードによると、ベースモデルが失敗するというアニメ調キャラクターから実写シーンへの差し替えにも対応するとのことです。

スペック

  • ベース: MiniMaxAI/MiniMax-H3-Image。カードは、ビデオ用に学習されたキャラクタースワップのLoRAを画像モデルに移植した最初のマージ版だとしています。
  • マージ内容: h3_character_swap_v1.5.safetensors(rank 16、312モジュール、50のDiTブロックと2つのtoken-refinerブロックのattention+FFN)を強度1.0で融合したと記載されています。
  • ベースモデルのDiT(元モデルのカードより): 33.1Bパラメータの単一ストリームtransformerです。MiniMax-H3のテキストエンコーダーをそのまま使います。
  • 出力解像度: ベースは約16MP(4096×4096〜6272×2688)で生成します。このマージ版のカードは、4MPを開始キャンバスとして勧めています。例ではwidth=2720, height=1536(32の倍数)を使っており、16MPも動作するとされています。
  • 推奨設定: euler / simple、6ステップ、CFG 1、denoise 1です。蒸留モデルのため調整不要とされています。
  • 入力: 画像2枚(シーン、キャラクターの順)です。人物を明示し、「顔・髪・服装を維持し、背景・照明・カメラ・他の人物を保つ」旨をプロンプトに入れることが推奨されています。
  • 収録形式: モジュラーパイプラインのtransformer_diffusers/レイアウトのみです。従来のMiniMaxH3ImagePipelineレイアウトは含まれません。
  • ライセンス条件(カードの要約):
  • 適用地域(EU・英国・韓国・米国を除く全世界)では、商用を含め無料です。 – 年間売上が$1Mを超える場合、または第三者へのホスト型サービスとして提供する場合は、MiniMaxの事前書面許可が必要です。 – 除外地域では、コミュニティライセンスによる権利は付与されません。 – MiniMaxは生成物に対する権利を主張しないとされています。 – カード自身が「法的助言ではない」としているため、LICENSEの確認が必要です。

性能・品質

以下は公開者(akhaliq)自身の評価で、第三者による検証ではありません。

  • 6シーン×2キャラクター×3シードの3者比較(ネイティブ、単体LoRA、マージ版。各4MP)で、17件のスコア付き比較が行われました。マージ版が14/17(82%)で選ばれ、単体LoRAが2件、ネイティブが1件でした。
  • 評価者は1名で、カード自身が「ベンチマークではなく強い選好のシグナル」と述べています。
  • 比較用データセットはakhaliq/h3-image-swap-testsで公開されているとされています。
  • 検証は8つの難ケース(横顔、小さい顔、遮蔽、全身、集合)で行われました。

比較表はカード本文では画像が主体で、数値はありません。要旨は次のとおりです。

ケース ネイティブH3-Image このモデル
アニメキャラ→横顔の写真 元の顔が残った(3/3シードで失敗) 同一シードで成功
実写キャラ→カフェ 肌の色が参照より明るくなった 同一性を維持
アニメキャラ→全身ジョギング ポーズが立ち姿に変化 走りの姿勢と衣装を維持

マージ版は、ネイティブで見られた肌色のずれやポーズ変化を抑えるとされています。一方、カード自身が次の制約を挙げています。

  • LoRAはビデオ向けに学習されたもので、画像への移植は8ケースでの検証にとどまります。
  • 極端な横顔やスタイル違いの組み合わせでは、再描画された視線方向が不自然になることがあります。
  • 極端なポーズ、強い遮蔽、非常に小さい顔ではずれが出る可能性があります。
  • 参照画像の品質に左右されます。

差し替え後の人物の向きがソース人物に合わせられるのは、仕様とされています。

得意なこと・想定用途

モデルカードによると、狙いは「既存の人物を、参照キャラクターの顔・髪・服装に差し替える画像編集」です。いずれも公開者自身の説明で、未確認の情報です。

  • アニメ・イラスト調のキャラクターを実写シーンへ差し替える、スタイルをまたぐ差し替え
  • 横顔など正面でない顔への差し替え。ベースのMiniMax-H3-Imageが3/3シードで失敗したケースを狙っています。
  • カフェでの会話や全身のジョギングなど、背景・照明・他の人物・ポーズを保ちたい編集
  • 集合写真のように人物を名指しして差し替える編集

元のLoRA(akatz-ai/MiniMax-H3-Character-Swap-LoRA)はビデオ向けの差し替え用に学習されたものです。このモデルは、それを画像モデルに移植して一つのチェックポイントに融合した派生版で、LoRAファイルやノードの追加なしに使えることを狙っています。タグはimage-to-imageとimage-editingです。

参照画像はクリーンなマルチビューのキャラクターシートが最も良いとされています。実在の人物を差し替える場合、カードは同意と肖像権への配慮を求めています。

類似モデルとの違い

同じMiniMax-H3系列の記事として、動画・音声を生成する「Pika-H3-Flex」音声付き動画生成モデル:配布ファイル一覧があります。こちらは同期したステレオ音声付き動画の生成が目的のLoRAアダプタです。今回のモデルは静止画の人物差し替えに特化していて、LoRAをチェックポイントに融合済みである点が異なります。

「FastH3-Omni-Comfy」画像・音声参照の動画音声生成モデル:必要VRAM 80GB〜・配布ファイル一覧は、画像・動画・音声を参照にして映像と音声を同時に生成するReference-to-Video系です。今回のモデルは画像2枚を入力に画像を1枚出力する編集用で、用途が違います。

動作環境

動作環境の目安(Local Model Watch 算出)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
4GB(ノートPCの内蔵GPU・スマートフォンなど) そのままの精度 0.0GB 0.0GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス minimax-h3-image-community-license-agreement: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(minimax-h3-image-community-license-agreement)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

配布ファイル

akhaliq/MiniMax-H3-Image-Character-Swap で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
comfyui/minimax_h3_image_character_swap_bf16.safetensors 40.23GB
lora/h3_character_swap_v1.5.safetensors 155MB
lora/h3_image_character_swap_diffusers.safetensors 173MB
transformer_diffusers/diffusion_pytorch_model-*-of-00007.safetensors 66.29GB(7分割)
vae_diffusers/diffusion_pytorch_model.safetensors 2.34GB

入手方法

  • 配布形式は safetensors です。diffusersのモジュラーパイプラインのレイアウト(transformer_diffusers/)と、ComfyUI用の単一ファイルが用意されています。ライセンス同意を求めるgated設定はありません。
  • リポジトリはakhaliq/MiniMax-H3-Image-Character-Swapです。
  • diffusersではdiffusers==0.43.0が必要です。テキストエンコーダーはMiniMaxAI/MiniMax-H3-Image側を参照し、自動で読み込まれます。
from diffusers import ModularPipeline
REPO = "akhaliq/MiniMax-H3-Image-Character-Swap"
blocks = ModularPipeline.from_pretrained(REPO).blocks
pipe = blocks.init_pipeline(REPO)
pipe.load_components(dtype=torch.bfloat16)
  • 画像はimage=[scene_image, character_image]の順(シーン、キャラクター)で渡します。widthとheightは32の倍数にします。
  • カードによると、全体を1台のGPUで動かすには約140GB VRAMが必要です(DiT 66GB+Qwen3-VLエンコーダー67GB)。エンコーダーをリモートで動かせば、DiTとVAEだけがGPUに載ります。
  • ComfyUIは0.45.0以上、テンプレートパック0.11.104以上が必要です。専用ワークフローJSONがリポジトリにあり、公式の「MiniMax-H3-Image: Image Edit」テンプレートでも使えます。ディフュージョンモデルのローダーをminimax_h3_image_character_swap_bf16.safetensorsに向けます。テキストエンコーダーとVAEはComfy-Org/MiniMax-H3-Imageのものを使います。
  • カードによると、ComfyUI版の検証は、diffusers経由で確認した内容と同じ計算を別レイアウトにしたものにとどまります。ComfyUI固有の問題があれば、ディスカッションへ報告するよう求めています。
  • 強度を調整したい場合は、LoRA単体(lora/以下)も同リポジトリで配布されています。

関連記事

次に読むなら

出典

この記事は未確認情報を含みます。 公式の一次情報で裏が取れ次第、更新履歴を追記して反映します。