P-H3-Imageは、写真8枚を1つの場面に合成できる

画像生成AIで、同じキャラクターを別のポーズや背景で出そうとしたら、顔や服装が微妙に変わってしまった経験はないだろうか。あるいは、別々に撮った友人たちの写真を、1枚の集合写真のようにまとめたいと思ったことはないだろうか。Pruna AIが2026年11月3日に公開した画像生成モデル「P-H3-Image」は、これを現実のものにする。最大8枚までの写真を渡すと、1つの自然な場面に合成できる(Pruna AI公式ブログ、2026-11-09確認)。なぜ動画のモデルが土台になっているのか、そして自分のパソコンでも試せるのか、順に確かめていく。

何枚の写真を1つの場面にできるのか

答えは最大8枚だ。P-H3-Imageは、Pruna AIが2026年11月3日に公開したオープンウェイトの画像生成モデルで、文章から新しい画像を作る用途に加え、既存の画像の編集にも対応する。編集では1〜8枚の参照画像を渡せる。1枚目を編集対象、2枚目以降を参照として扱う。複数の参照画像を組み合わせれば、1つの場面にまとめられる(Pruna AI公式ブログ、Hugging Faceモデルカード、いずれも2026-11-09確認)。

公式ブログが示す例が分かりやすい。8人分のパブリックドメインの肖像写真を渡し、「この8人が集まって晩餐会をしている場面」という依頼文を添える。すると、初対面同士だったはずの8人が、同じ食卓を囲む1枚の画像になる(同ブログ「サンプル画像と作例」、画像そのものは同ページで確認できる)。バラバラに撮った写真を、まるで最初から一緒にいたかのような1枚にまとめられるということだ。

ベースになっているのは、MiniMax社が公開した動画生成モデル「MiniMax-H3」だ。Pruna AIはこれを画像の生成・編集向けに作り替えた(同ブログ「背景」)。このベースの選び方が、実は複数写真の合成を得意とする理由にもつながっている。

なぜ動画のモデルが写真の合成に強いのか

では、なぜ動画のモデルを土台にすると、複数の写真を1つの場面にまとめやすくなるのか。動画は1秒間に何十枚もの画像が連続してできている。ある人物や物が、次のコマで急に顔つきや服の色、光の当たり方が変わってしまったら、見ている側はすぐに違和感を覚える。動画生成モデルは、この「次のコマでも同じに見える」という一貫性を保つことを、学習の中心的な課題として扱っている。

P-H3-Imageの元になったMiniMax-H3も動画モデルなので、物体の見え方・光の当たり方・動きを、コマからコマへ一貫して保つ力を学習済みだ。公式ブログは、この一貫性こそが画像モデルの出発点として適している理由だと説明している(同ブログ「背景」)。H3のままでも画像は生成できるが、仕上がりがぼやけて柔らかく、サイズも速度も重すぎるため、Pruna AIは各部品を画像向けに作り直した(同ブログ)。

P-H3-Imageが8人分の写真から1つの晩餐会を作れるのは、この「別々の見え方を1つの流れにまとめる」力のおかげだ。時間の流れではなく、複数枚の写真の間でその力を働かせている。自分には、動画のコマ送りで鍛えた一貫性が、時間軸のない「複数の参照写真を1つの場面に収める」という作業に転用されているように見える。

作り直した部品は多岐にわたる。

• プロンプト・アップサンプラー: 短い依頼文を、H3が解釈しやすい詳細なプロンプトに変換する専用モデルを追加した
• テキストエンコーダー: 32B(320億パラメータ)から4Bへ蒸留し、サイズを67GBから9GBに縮めた。画質は同等という
• 拡散のステップ数: 動画向けの50ステップから、画像向けに8ステップへ減らした。DMDという蒸留手法を使い、約5倍の高速化を得た
• Transformer本体: タイムステップを処理する部分(全体の約4割)を、再学習なしで軽い同等品に置き換えた。パラメータ数は33Bから20Bに減った
• デコーダー: 複数フレームの動画用に学習されていた部分を、1枚の鮮明な画像に変換する専用のものへ新しく学習し直した
• 量子化: 関連する部品を8bitと4bitに圧縮した

(いずれもPruna AI公式ブログ「技術的特徴」、2026-11-09確認)

個人のGPUでも動くのか

ここまでの作り替えの結果、モデルの大きさはどう変わったのか。元のMiniMax-H3は、ダウンロードサイズが143GBあった。P-H3-Imageはbf16版で55GB、8bit版で30GB、4bit版(w4a8)では20GBまで縮んでいる(Hugging Face P-H3-Image-Comfyのファイル一覧、2026-11-09確認)。

このグラフが示すのは、元の動画モデルの7分の1以下にまで軽くなったという事実だ(出典は上記Hugging Faceページ)。生成に必要なVRAMも下がった。8メガピクセル生成時のピークは次のとおりだ(出典は同ページ、ComfyUI公式ドキュメント、いずれも2026-11-09確認)。

4bit版が求める約21GBというVRAM量は、VRAM24GBクラスの高性能な個人向けGPUの範囲に収まる水準だ。量子化ファイルは、NVIDIA Ampere世代以降、またはAMD RDNA3/4世代のGPUで動くとされている(同Hugging Faceページ)。Ampere世代とは、NVIDIAのRTX30番台以降のGPUを指す。買い替えなしで動かせる読者もいるはずだ。

生成速度も上がった。クラウド向けGPU「B200」での計測はこうだ。MiniMax-H3が8メガピクセルの生成に30.6秒かかるのに対し、P-H3-Imageは5.8秒で終わる(同ブログ「既存モデルとの比較」)。

試すには何が必要か

実際に動かす経路は2つある。1つはPythonのライブラリ「diffusers」を使う方法で、公式ブログとモデルカードにコード例がある。もう1つはComfyUIだ。バージョン0.44.0以降ならカスタムノードなしに対応する。量子化済みのファイルをダウンロードして、専用のワークフローを開くだけで動く(Hugging Faceモデルカード、ComfyUI公式ドキュメント、いずれも2026-11-09確認)。

国内ではASCII.jpが、参照画像1枚からキャラクターの服装や特徴を保ったまま別の構図を生成できたと報告している(ASCII.jp、2026-11-09確認)。

ライセンスには注意点が1つある。P-H3-Imageは、ベースのMiniMax-H3が定める「MiniMax H3 Community License」に基づいて公開されている。EU・英国・韓国・米国は、MiniMaxから別途ライセンスを得ない限り利用の対象外だ。日本はこの除外地域に含まれていない(Pruna AI公式ブログ「ライセンス」、2026-11-09確認)。自分の作品にP-H3-Imageで作った画像を使う製品には、「Powered by MiniMax H3」の表示も必要になる(同ブログ)。

得意・不得意もはっきりしている。得意なのは、ドキュメンタリー風の写真やポートレート、映画のワンシーン、アニメ・イラスト、短い文字を含むグラフィックデザインだ。一方、手や背景に写り込んだ小さな人物、密度の高い文章・コードの再現は崩れやすいという(同ブログ「性能と制限」)。

まとめ

P-H3-Imageは、動画モデルMiniMax-H3を画像の生成・編集向けに作り替えた、Pruna AIのオープンウェイトモデルだ。動画モデルが学習で培った「コマからコマへの一貫性」を転用し、最大8枚の参照写真を1つの自然な場面に合成できる。テキストエンコーダーの蒸留や拡散ステップの削減、量子化を重ねた結果、元は143GBあったモデルは4bit版で20GBまで縮んだ。VRAM21GB程度の個人向けGPUでも動くようになった。日本からはライセンス上の制約なく利用でき、diffusersかComfyUIのどちらかで今日から試せる。