LTX 2.5とMiniMax H3：比較の前に動画タスクを選ぶ

18秒の連続ショット、正方形の商品アニメーション、複数の写真から作る人物シーンは、どれも動画制作です。ただし、同じものを購入するわけではありません。LTX 2.5とMiniMax H3は短いテキストからの動画生成と開始フレームのアニメーションで用途が重なりますが、出力メニュー、参照画像、価格によって、画質を比較する前に選択が決まることがあります。

出力メニューにある4K、15秒を超える連続ショット、シードで管理する反復にはLTX 2.5を選びます。生成費用の低さ、正方形や横長の構図、複数の参照画像から組み立てるショットにはMiniMax H3を選びます。 共通条件の5秒・2kリクエストでは、LTXは$0.95、H3は$0.29です。既存テストでは両方がアダルト向けのリクエストを受け付けていますが、条件をそろえた動きや音声の優劣は確認できません。

選択を早める比較表

開始フレームと参照画像の集合は別の問題を解決します。人物、ポーズ、構図がすでに承認されている場合、その静止画を画像から動画のタスクに渡します。素材となる画像が別々にあり、新しい構図を作りたい場合はH3の参照タスクが適しています。後者を画像条件なしのLTXテキスト生成と比較すると、与えた情報の異なるワークフローを比べることになります。

タスクの選択：必要な入力と出力を先に決め、生成されたショットをその後に評価します。

ショットに影響する入力と制御

LTX 2.5ファミリーにはテキストと画像を使うホスト型タスクがあります。MiniMax H3ファミリーには参照画像からの生成もあります。ここで扱うのは基本H3とLTX 2.5であり、H3 Max、Spicyの派生モデル、LTX 2.3ではありません。

画像から動画では、独立したアスペクト比の選択欄ではなく元フレームが開始時の構図を決めます。終了画像は物理的に自然な続きにしてください。人物、カメラの方向、場所を維持し、意味のある状態変化を1つ加えます。終了画像は目指す到達点であり、途中の全フレームが元画像を維持する証拠ではありません。

手と物体を映すショットでは、形容詞を追加するより元画像の準備が重要です。物体全体、接触する面、動作に十分な空間を見えるようにします。見えないカップの横で手だけを狭く切り取ると、動画モデルに欠けた関係を想像させることになります。承認済みの広めのフレームなら、動作前にその関係を定義できます。

ネイティブ版のLTXモデルカードとMiniMax H3リポジトリは、より広いツールや参照ワークフローを説明しています。このホスト型H3参照タスクが受け付けるのは画像であり、ネイティブ版の動画・音声参照配列ではありません。ローカルのLoRAや実行環境の機能も、存在しないAPIフィールドとして送信してはいけません。

価格差は反復の選び方を変える

以下はSpicyAPIのテキストおよび開始フレームからの生成に対する出力料金です。

共通の2k料金は、具体的なリクエストに対する無料見積もりで確認しました。同じ指定時間とグレード名なら、H3の$0.29はLTXの$0.95より約69%安くなります。これは購入価格の差であり、生産効率が69%改善したという測定結果ではありません。H3の候補4本は$1.16、LTXの候補2本は$1.90です。安い候補が必要な動きを何度も外すなら、価格の優位が完成ショットにつながらない可能性があります。

役に立つ費用計算は、採用ショットを得るまでにかかった生成料金の全額に、相応の仕上げ作業を加えたものです。例えば、正常終了したものの使えないH3の2k試作2本と、採用できる3本目を合わせると$0.87です。LTXで1本目を採用できれば$0.95です。失敗したタスクと、完了したが創作上の目的を満たさないタスクでは課金結果が異なります。実際の総額には精算済みのタスク記録を使ってください。

H3の参照画像には追加料金があります。参照画像1枚を使った5秒・768pの無料見積もりは、参照なし出力の小計$0.185ではなく$0.1918でした。無料入力と考えず、実際の参照枚数で見積もってください。また、基本のH3ではプロンプト拡張も提供されなくなりました（2026年10月9日に廃止）。拡張スイッチも拡張料金も予算に入れる必要はありません。スキーマにフィールドがあるだけで、そのオプションを予算に組み込まないでください。

最低グレードの比較は別の問いに答えます。LTXの720pとH3の768pでは納品サイズが違います。小さな試作なら合理的な節約ですが、同解像度での評価において共通グレードの代わりにはなりません。

共通の2k表記は、設定が重なる箇所を示します。デコード後の寸法を比べ、同じ表示サイズで全ファイルを見てください。

既存テストが示すNSFW対応と出力品質

2026年9月のテストでは、両ファミリーで検閲なしのアダルト動画を生成できました。

• LTX 2.5：テキストと画像のタスクを通じた24件のアダルトコンテンツ要求で、23件が内容に一致し、テキスト生成1件は表現が弱まりました。カテゴリも件数も異なり、同じシーンを24回試したものではありません。
• 基本MiniMax H3：テキスト、画像、参照タスクの保存済みサンプルでは、12件のアダルトコンテンツ要求が内容に一致しました。追加の暴力表現の試験2件は、このアダルトサンプルとは別です。
• どちらも条件をそろえた対戦ではありません。 プロンプト、日付、反復回数が違うため、合計だけでH3が一般に高信頼だとかLTXの能力が低いとは言えません。

LTX 2.5レビューには、良好なクラブシーンや、複雑な動きでの深刻なアーティファクトなど、さまざまな見た目の結果が記載されています。H3レビューにも、その過去の内容とタスクに関する結果が記録されています。内容が受け付けられることはアダルト制作で重要ですが、手の形、カメラ制御、シーン内の同一性を評価するものではありません。

具体的な出力確認はすでにあります。9月の能力アーカイブには、LTX 2.5の2k・11秒のリクエストが2560×1408ピクセル、11.04秒、実質的な音声トラックを出力した記録があります。この設定で実際に長尺・高解像度の音声付き動画が出たことは確認できます。ただし、リップシンクの精度、一定のレンダリング時間、H3クリップとの比較は確認できません。

アダルト向けの編集用ショットでは、開始画像に人物と衣装を用意してから、見える動作を1つ指示します。意図した内容と映像としての仕上がりを両方評価してください。内容は合っていても手が崩れるクリップは、手の接触が要件の中心なら使えません。

共通の実用ショット：カップ1個、動作1つ、音1つ

観察できるもので両方の経路を比べるため、5秒の陶芸シーンを使います。成人の陶芸家が青いカップを4分の1回転させ、縁を1回軽くたたき、両手を横に置きます。カメラは固定します。接触が見え、音もあるので、失敗を具体的に説明できます。

絵コンテとイラストは意図する動きを示しており、どちらかのモデルの生成結果ではありません。

Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron stands behind a wooden workbench. One small blue glazed cup with a single handle rests on the bench. The potter brings both hands to the cup, gently turns the cup a quarter-turn with both hands, taps its rim once with one finger, then rests both hands beside it. Keep the cup intact and continuously visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.

このプロンプトは各指示に役割を持たせています。

• 被写体と場所：スタイルを長く列挙する代わりに、誰がどこで動くかを定義します。
• 物体：青いカップ1個と取っ手1つにすることで、複製やデザイン変更がわかります。
• 動作の順序：近づける、回す、たたく、置くという流れが、終わりのない動きではなくシーンの結末を作ります。
• カメラ：固定構図なら動きを評価しやすくなります。
• 音：短い接触音1つでタイミングを確認できます。会話や歌の試験ではありません。

開始フレームから生成するときは、両経路に同じ承認済みファイルを使います。冒頭の説明文を「Use the supplied image as the character, cup and studio design. Preserve their appearance and composition.」に置き換え、動作、カメラ、音の指示は残してください。元画像を別々に生成すると、どちらの動画タスクが始まる前にも、別の差が入り込みます。

4つの動作段階：手を近づける、カップを回す、指で縁をたたく、両手を置く。

テキストから動画のAPI入力

以下のいずれかのリクエストをrequest.jsonとして保存し、動画APIガイドのSDKワークフローで送信します。実行プログラムは選んだモデルIDと入力を読み、既定ではタスクを作成せず見積もりだけを行い、復旧には保存したタスクIDを使います。

{
  "model": "lightricks/ltx-2.5/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9",
    "seed": 42017
  }
}

対応するH3リクエストでは、プロンプト、長さ、グレード、構図を維持します。基本H3タスクはseedを公開していないため削除します。

{
  "model": "minimax/h3/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9"
  }
}

画像から動画では各ファミリーの画像タスクを選び、元画像をimage_urlに指定し、aspect_ratioを省いて動作プロンプトを残します。特定の終了フレームへの到達を調べる場合を除き、初回は終了画像を入れないでください。終了制御が重要なら、別の試験で両方に同じ互換性のある終了画像を追加します。

H3の参照画像が適したワークフロー

陶芸家、カップ、工房がそれぞれ別の承認済み画像になっているとします。H3の参照タスクなら、それらを新しいショットにまとめられます。役割を明示します。「Image 1 defines the potter and indigo apron; Image 2 defines the blue cup and handle; Image 3 defines the studio. Compose a medium-wide view of the potter at the workbench, then perform the turn, tap and rest sequence.」

比較の勝者がいなくても、この方法には価値があります。物体をテキストから想像させる必要がなく、すべての素材を承認済みの開始フレームに詰め込むことも避けられます。各役割が本当に維持されたかを確認してください。厳密な開始構図が必須なら、先にその静止画を作り、開始フレームからの生成を使います。

毎回の試験を研究室の実験にせず結果を評価する

個別フレームを見る前に、予定の速度でクリップ全体を見ます。開始フレームが良くても、途中で取っ手が消えたり、たたく前にカットが切り替わったりするかはわかりません。

テキスト生成では両モデルが異なる顔を作ることがあります。それだけでは失敗ではありません。それぞれの人物が一貫しているかを評価します。画像入力なら、返された人物を元画像とも比較します。

実際の寸法、長さ、音声ストリームを確認します。指定した5秒とエンコード後の長さは厳密に一致しない場合があります。トリミング、サイズ変更、音の差し替え前に元ファイルを残してください。映像を採用でき、音の編集だけが必要なら、音声修正付きの映像成功として記録します。差し替えた音をネイティブ出力として紹介してはいけません。

陶芸家、取っ手のない青いカップ、回転と打音のスケッチがあるボード。プロンプトが求める取っ手付きのカップは最後のイラストにあります。

要件に関わる失敗を修正する

試すたびにプロンプト全体を書き直すのではなく、見える問題に関係する指示を変更します。

アダルト向けの創作では、承認済み元画像や要件に衣装と意図する最終状態を含めます。依頼より表現が強くなった場合は、自動的な改善ではなく忠実度の問題と扱ってください。内容の受け付けは、使えるショットの条件の1つにすぎません。

実際に使える小さな比較予算

決定したいことに合わせて試験を選びます。18秒の連続ショットという条件だけですでにLTXに決まるなら、長さの制限を再確認するために無関係なH3リクエストへ費用を使わないでください。H3の参照画像集合が必要なら、H3内で参照の組み合わせを比較します。共通の開始フレームからの動きが問題なら、テキストと画像の両方に支払わず、そこから始めます。

5秒・2kの場合：

• 開始フレームの比較1組：$0.95 + $0.29 = $1.24。
• テキスト1組と画像1組：4クリップ、$2.48。
• 各モードで各モデルを2回試行：8クリップ、$4.96。

これらの小計には元画像の作成、参照画像、追加の修正、仕上げは含みません。1組でわかるのは1つのショットの結果であり、安定した採用率ではありません。初回の結果で重要な決定ができない場合だけ繰り返してください。

厳密な基準を作るなら、元画像とプロンプトを同じにし、試行回数もそろえます。モデルに合わせて文面を調整する場合、その試験は分け、もう一方にも同じ機会を与えてください。別モデルで同じ数値のシードを使っても、両方にシードがあったとしてさえ乱数はそろいません。ここではLTXだけが公開しています。

図の最小4クリップはテキストと画像の両モードを含みます。開始フレームの比較1回なら2クリップで$1.24です。元画像の準備は別料金で、比較案は足し合わせません。

ローカル実行、速度の主張、利用条件

Lightricksの競合比較ページはネイティブ機能と、異なる説明の実行環境を混在させています。ローカル生成時間とホスト型APIの完了時間は直接比較できません。この表のコミュニティ議論はまさに対象範囲の問題を指摘しています。その意見は、条件をそろえたSpicyAPIベンチマークではありません。

ホスト型の作業では、現在の30日間の完了時間集計は、反復の速さでH3に有利です。

この移動集計には異なる長さ、解像度、内部テストのタスクが混ざっており、条件をそろえた5秒の試験ではありません。所要時間が重要ならH3がより有望な出発点ですが、実際のリクエストはこの典型的な時間の範囲外で完了する場合もあります。

ネイティブの重みとそのライセンス利用には別の条件があります。H3コミュニティライセンスは既定の対象地域から米国、EU、英国、韓国を除外し、ホスト型サービスと出力についても明示しています。LTX-2.xライセンスの商用条件は異なります。カタログにあるだけでは、特定の実行環境や用途の許諾は確定しません。モデル条件と適用されるサービス契約を確認してください。

よくある質問

NSFW動画にはLTX 2.5とMiniMax H3のどちらが適していますか？

基本タスクの保存済みサンプルでは、両方がアダルト向け要求を受け付けました。LTXには表現が弱まったテキスト結果が1件あり、H3のより小さなアダルトサンプルは内容に一致しました。異なるサンプルから一般的な勝者は決められません。安い短尺試作や複数の参照画像にはH3、長いショットや4KにはLTXを使い、実際の内容と動きを一緒に評価します。

同じ出力グレードならMiniMax H3の方が安いですか？

共通の2k表記では、5秒の見積もりはH3が$0.29、LTXが$0.95です。参照入力には追加料金があり、同じピクセル数の比較と呼ぶ前にデコード後の寸法を確認してください。完成ショットまでに必要だった完了済み試行が実際の制作費を決めます。

これらのタスクでH3は20秒や4Kのクリップを作れますか？

いいえ。この基本ホスト型H3タスクは15秒と2kまでです。LTX 2.5は20秒までと4Kグレードを掲載しています。編集ソフトでH3クリップを複数つなぐことはできますが、得られるのはシーケンスであり、カットのない20秒生成の保証ではありません。

両方に同じ開始画像と終了画像を使えますか？

両方の画像から動画タスクで使えます。同一ファイルと互換性のある構図を使ってください。端のフレームだけでなく、返されたクリップの途中も確認します。似た最終フレームに到達しても、移行中の手や物体が一貫していた証明にはなりません。

両方とも音を生成しますか？どちらが速いですか？

両方が音声付き動画を生成します。上の比較ではH3のホスト型中央値が短く、約30秒に対し、LTXは1分半近くです。短時間の試作にはH3が有利ですが、混合した処理内容の時間は、会話の品質や同期の優劣を示しません。

選び方の結論

特別な出力条件のない短いシーンでは、H3が低価格の最初の候補です。長い連続ショット、掲載されている4K、シードで管理する反復にはLTXの制御が適しています。 別々の素材画像から新しい構図を決める場合はH3の参照を選びます。構図が承認済みなら、どちらかの開始フレーム生成を選びます。

取っ手付きカップと、手を近づけた後の3つの動作：4分の1回転、縁を1回たたく、手を置く。

両方のタスクが適合する場合、最初から広範なベンチマークを購入する代わりに、$1.24の5秒・2k比較1組で実際の動きの疑問を解決してください。動作、元画像の維持、音、料金を一緒に評価し、プロジェクトに必要なショットを出すモデルを選びます。