RTX 5090 × MiniMax H3 Refモデルを検証。5秒1280P動画が約12秒、品質もかなり良い

最近Refモデルをいろいろ触ってるんだけど、思ったよりかなり使いやすい。

RTX 5090で、加速なし・20step、1280×736で5秒の動画を生成すると、だいたい12秒くらい。
この速度なら、プロンプトをちょっと変えながら何回も試すのもそこまで苦じゃない。

個人的には、今のところRefモデルのほうが好きかも。

一番大きいのは、普通のモデルよりプロンプトに対する柔軟性が高い感じがするところ。
「あ、そこまで細かく書かなくても意図を拾ってくれるんだ」みたいな場面が結構ある。

あと動画生成でありがちな「同じプロンプトなのに、当たりが出るまで何回も回す」みたいなガチャ感も少なめな印象。

もちろん完全になくなるわけじゃないけど、1回目からそれなりに使える結果が出る確率が高い気がする。
その分、最終的な品質も安定して見える。

最近はプロンプト自体も全部手で考えるんじゃなくて、まずAIに「プロンプトを生成させるための指示文」を渡して、そこから動画用プロンプトを作らせてる。

直接プロンプトを書くというより、
「どういうルールでプロンプトを書かせるか」を先に作る感じ。

このやり方にしてから、複雑なシーンでもかなり整理しやすくなった。

自分が使っているプロンプト生成用の指示文はここに置いてます👇
https://docs.google.com/document/d/1mdHgmhqtl2nwzj6_rk6SoEZHaU4Q_VAseJGyAPkP8xI/edit?usp=sharing

まだいろいろ試してる途中だけど、今のところ
「生成速度」「プロンプトへの追従性」「ガチャの少なさ」
このあたりのバランスはRefモデルがかなり良い感じ。

Workflow：

https://drive.google.com/file/d/10xTMGskBrl4ph-lmeCgIvMCmEWCJ4zBj/view?usp=sharing

https://drive.google.com/file/d/1YYtNZ8HNmcKlZdt41NrByVzoxpnUXibU/view?usp=sharing