上の15秒は H3 のテキストからの動画生成そのままの出力で、ネギの Apple 風パロディ広告です。参照画像も後処理のテロップもありません。画面に出てくる中国語のタイトルも、モデル自身がレンダリングしたものです。
参照は画像だけではない
多くの動画モデルは、参照として画像しか受け付けません。H3 の参照モードは3種類を同時に受け付けます：
- 画像 —— 人物、商品、ルックを固定する
- 動画 —— なぞってほしい動きやカメラワークを渡す
- 音声 —— リズムや雰囲気を渡す
キャンバスでは、画像・動画・音声のノードを H3 の動画ノードにつなぎ、マルチ参照に切り替えると、すべてまとめて参照として送られます。画像か動画が最低1つ必要です（音声だけでは使えません）。
3つの使い方
テキストから動画 —— 何もつながず、プロンプトを書くだけ。
画像から動画 —— 画像を1枚つないで最初のフレームに。もう1枚つないで最後のフレームにすれば、A から B へ動かせます。
マルチモーダル参照 —— 上の例のように、画像・動画・音声を組み合わせて渡します。
仕様
| 解像度 | 2K（2560×1440）または 768P（1344×768）。縦型はそれぞれの縦横を入れ替えたもの |
| 長さ | 4〜15秒、1秒単位で指定可能 |
| アスペクト比 | 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16。画像モードと参照モードではさらに「自動」 |
| 音声 | 映像と音声を同時に生成。後からの吹き替えではありません |
| 料金（2K） | 17.5 Xins/秒 —— 4秒で70、8秒で140、15秒で263 |
| 料金（768P） | 12.5 Xins/秒 —— 4秒で50、8秒で100、15秒で188 |
2026年9月13日まで 50% オフ。 768P は 6.25 Xins/秒（4秒で25、8秒で50、15秒で94）、2K は 8.75 Xins/秒（4秒で35、8秒で70、15秒で132）。 パネルには割引後の価格が表示され、元の価格には取り消し線が引かれます —— コードは不要です。キャンペーン終了後は通常料金に戻ります。 （このキャンペーンは終了しています。）
768P は後から追加された節約向けのグレードで、同じ長さなら 2K の約7割の料金です。試し撮りは 768P で行い、納得してから 2K にするとかなり節約できます。
「自動」がデフォルトのアスペクト比です：縦長の画像を渡せば縦型の動画になり、無理に 16:9 に切り抜かれることはありません。
どんなときに使うか
動きをあるクリップに合わせたいとき、あるいは映像を曲のビートに乗せたいときに、H3 の参照モードを使ってください。キャラクターの顔をそろえたいだけなら、キャンバス上のほかのモデルでもできるので、わざわざ H3 を選ぶ必要はありません。
この記事のカバー画像は、H3 が直接生成した1フレームです。