MiniMax H3 로컬 실행의 현실과 API·하이뤄 AI 사용 조건

MiniMax H3를 두고 “영상 생성 모델을 내 PC에서 돌릴 수 있다”는 이야기가 나오고 있지만, 현재 공개된 정보만 보면 로컬 실행을 가볍게 시도할 수 있는 단계는 아닙니다. 12GB VRAM 그래픽카드와 32GB 시스템 메모리, 빠른 NVMe SSD가 필요하다는 테스트가 있었고, 그 사양에서도 480p 5초 영상 한 편을 만드는 데 9분이 조금 안 걸렸습니다.

따라서 H3의 핵심은 당장 누구나 PC에 설치할 수 있다는 점보다, 영상과 음성을 한 번에 생성하는 멀티모달 구조, 그리고 향후 가중치 공개 가능성에 있습니다. 현재 공식 이용 경로는 API와 소비자용 하이뤄 AI 플랫폼입니다.

MiniMax H3가 기존 영상 생성 방식과 다른 부분

MiniMax의 설명에 따르면 H3는 텍스트, 이미지, 영상, 음성을 각각 분리된 입력으로 처리하지 않고 하나의 맥락 안에서 함께 이해하고 생성하는 모델입니다. 특히 영상과 네이티브 스테레오 음향을 동시에 만든다는 점이 가장 눈에 띕니다.

기존 제작 과정에서는 이미지 생성 모델로 장면을 만들고, 영상 모델로 움직임을 추가한 뒤, 음성이나 효과음을 별도 도구에서 합치는 경우가 많았습니다. 이 방식은 각 단계 사이에서 문제가 생기기 쉽습니다. 화면의 분위기와 음향의 톤이 다르거나, 효과음이 동작보다 늦게 들어가는 식입니다. H3는 이 작업을 하나의 생성 과정으로 묶어 영상과 소리의 맥락을 맞추려는 접근입니다.

지원되는 최대 출력은 2K 해상도, 15초 영상이며 네이티브 스테레오 음향이 포함됩니다. 다만 최대 해상도와 길이를 동시에 사용할 때의 실제 생성 속도나 비용은 공개된 자료만으로 확인하기 어렵습니다. 480p 로컬 테스트 결과를 2K 생성 성능으로 그대로 확대해석해서는 안 됩니다.

공개된 성능 수치는 어디까지 믿어야 하나

MiniMax가 공개한 수치는 학습 처리량이 약 30% 향상됐고, H3-VAE를 통해 유효 시퀀스 길이가 4배로 늘었다는 내용입니다. H3-VAE는 영상 정보를 모델이 처리하기 좋은 형태로 압축하고 복원하는 구성 요소로 볼 수 있지만, 두 수치는 모두 회사 자체 발표입니다.

모델의 전체 규모는 공개되지 않았습니다. 회사는 현재 모델 크기에 개선 여지가 있고, 향후 확장이 다음 경로가 될 수 있다고 언급했을 뿐입니다. 가중치를 며칠 안에 개방할 계획이라고 예고했지만, 관련 법규를 따르는 범위라는 조건이 붙어 있습니다. 라이선스 명칭과 구체적인 사용 조건도 공식 발표에서 확인되지 않았습니다.

외부 평가에서는 결과가 작업 유형마다 달랐습니다. 아티피셜 애널리시스 기준으로는 영상 편집 부문 1위, 텍스트투비디오와 이미지투비디오 부문에서는 상위 3위 안으로 소개됐습니다. 반면 사우스차이나모닝포스트가 같은 데이터를 바탕으로 보도한 내용에서는 텍스트투비디오에서 Google Gemini Omni Flash에, 이미지투비디오에서는 ByteDance Seedance 2.0과 Gemini Omni Flash에 뒤진 것으로 전해졌습니다.

이 차이는 “전체적으로 가장 좋은 모델”이라고 단정하기보다, 편집·생성·이미지 기반 변환처럼 작업별로 강점이 다를 수 있다는 뜻에 가깝습니다. 순위 하나보다 실제로 만들려는 장면과 음향이 중요한 이유입니다.

로컬 실행에 필요한 PC 사양과 실제 속도

현재 확인된 로컬 실행 사례에서 게시자가 밝힌 최소 요구 사양은 다음과 같습니다.

• GPU: VRAM 12GB의 NVIDIA GeForce RTX 3060
• 시스템 메모리: 32GB
• 저장장치: 빠른 NVMe SSD

테스트 조건은 864×480 해상도, 5초 길이, 124프레임, 20스텝이었습니다. 이 환경에서 처음부터 끝까지 걸린 시간은 9분이 조금 안 됐습니다. 여기서 말하는 “최소 사양”은 모델이 실행됐다는 의미에 가깝습니다. 짧은 영상이 생성된다는 것과 실무에서 반복 작업을 할 수 있을 만큼 빠르다는 것은 별개의 문제입니다.

테스트 조건	값
해상도·길이	864×480, 5초
프레임·스텝	124프레임, 20스텝
GPU	RTX 3060 (VRAM 12GB)
걸린 시간	9분이 조금 안 됨
공식 최대 출력	2K, 15초, 네이티브 스테레오

생성 속도는 GPU 모델과 VRAM 여유, 시스템 메모리, 저장장치 속도, 설정한 스텝 수, 해상도와 프레임 수에 따라 달라질 수 있습니다. 같은 RTX 3060이라도 세부 설정이나 다른 프로그램의 메모리 사용량이 다르면 결과가 달라질 수 있습니다. NVMe SSD를 요구한 이유도 모델 파일과 중간 데이터를 읽고 쓰는 과정이 길어질 수 있기 때문입니다.

또한 이 결과는 2026년 8월 2일경 공유된 한 이용자의 테스트입니다. 공식 벤치마크가 아니며, 다른 GPU에서 같은 시간이 나온다고 볼 근거도 없습니다. 로컬 설치 파일과 가중치가 정식으로 공개되기 전에는 호환성, 설치 방법, 실제 최소 사양을 확정하기 어렵습니다.

경로	필요 조건	맞는 용도
로컬 실행	VRAM 12GB·램 32GB·NVMe, 가중치 공개 대기	아직 확정 어려움
MiniMax API	개발 환경, 과금 조건 확인	반복 생성, 파이프라인 연동
하이뤄 AI	계정만	짧은 샘플로 특성 확인

지금 이용할 수 있는 경로와 아직 기다려야 하는 부분

현재 확인되는 이용 경로는 MiniMax API와 소비자용 하이뤄 AI 플랫폼입니다. PC 사양이 VRAM 12GB 또는 램 32GB에 미치지 못한다면 로컬 구축을 기다리기보다 이 두 경로에서 짧은 샘플을 만들어 보는 편이 빠릅니다.

API는 기존 제작 파이프라인이나 자동화 도구에 연결하려는 경우에 적합할 수 있습니다. 다만 비용은 공식적으로 구체적인 달러 단가가 공개되지 않았고, 2K 기준 초당 단가가 주요 모델의 3분의 1 미만이라는 상대적 설명만 제시됐습니다. 실제 비용을 계산하려면 해상도, 영상 길이, 생성 횟수, 음향 포함 여부, API 과금 단위를 확인해야 합니다.

하이뤄 AI는 개발 환경을 준비하지 않고 소비자용 인터페이스에서 시험하려는 사람에게 더 간단한 선택지일 수 있습니다. 반대로 반복 생성, 결과 저장, 서비스 연동이 필요하면 API 방식이 편할 가능성이 있습니다. 다만 두 경로의 세부 기능과 과금 조건은 시점에 따라 달라질 수 있으므로 사용 전 공식 화면에서 확인해야 합니다.

가중치 공개는 아직 예고 단계입니다. 공개 시점, 모델 파일의 크기, 지원 프레임워크, 상업적 이용 가능 여부, 라이선스 제한이 모두 밝혀지지 않았습니다. 따라서 지금 “H3 로컬 구축”을 전제로 GPU를 새로 구매하거나 작업 환경을 확정하는 것은 이릅니다.

처음 테스트할 때는 새 영상보다 편집부터

H3를 시험한다면 처음부터 복잡한 15초 영상을 만들기보다 결과를 비교하기 쉬운 편집 작업부터 시작하는 편이 낫습니다. 아티피셜 애널리시스 평가에서 영상 편집 부문이 강점으로 소개됐기 때문입니다. 이 평가는 모든 작업에서 우수하다는 뜻은 아니지만, 모델의 특성을 확인하기에는 편집형 테스트가 합리적입니다.

실제 테스트는 다음처럼 진행하면 됩니다. 먼저 15초 이내의 장면을 짧게 나눕니다. 2K에서 최대 길이가 15초이므로, 긴 영상을 한 번에 만들려 하기보다 컷 단위로 쪼개는 방식이 관리하기 쉽습니다. 다음으로 소리를 모델에 맡길지, 기존 음원과 효과음을 별도로 사용할지 정합니다.

첫 시도는 480p로 생성해 구도와 움직임, 인물 또는 피사체의 일관성을 확인합니다. 통과한 결과만 2K로 다시 생성하면 초기 실패에 높은 해상도 비용과 시간을 반복해서 쓰는 일을 줄일 수 있습니다. 마지막으로 기존에 사용하던 영상 생성 도구와 같은 프롬프트나 비슷한 장면을 나란히 비교합니다. 영상 품질만 보지 말고 음향의 타이밍, 스테레오 공간감, 편집 수정의 편의성도 함께 봐야 합니다.

특히 로컬 테스트에서는 5초 영상 하나에 9분 가까이 걸렸다는 점을 기준으로 작업량을 계산해야 합니다. 짧은 샘플을 여러 개 뽑는 과정만으로도 상당한 시간이 필요할 수 있습니다. 빠른 반복 생성이 목적이라면 현재는 클라우드 API나 플랫폼 방식이 더 현실적일 가능성이 높습니다.

H3를 지금 선택할지 판단하는 기준

H3는 영상과 소리를 한 번에 생성해야 하는 작업, 기존 영상의 편집이나 변환을 시험하려는 작업에서 먼저 확인할 가치가 있습니다. 음향을 별도 제작하지 않아도 되는 흐름은 제작 단계를 줄일 수 있지만, 결과물이 항상 최종 납품 수준이라는 의미는 아닙니다. 음성의 내용, 효과음의 정확한 타이밍, 장면 전환의 의도까지 자동으로 완벽하게 맞는지는 별도 검증이 필요합니다.

반면 텍스트투비디오나 이미지투비디오의 최고 품질만 필요하다면 Gemini Omni Flash나 Seedance 2.0 등 비교 대상과 같은 장면을 만들어 보는 것이 안전합니다. 공개 평가에서 H3가 모든 부문을 앞선 것은 아니기 때문입니다. 비용 역시 절대 단가가 공개되지 않았으므로 “3분의 1 미만”이라는 표현만으로 실제 프로젝트 예산을 계산해서는 안 됩니다.

지금 확인할 수 있는 가장 현실적인 순서는 PC의 VRAM과 램을 점검하고, API 또는 하이뤄 AI에서 480p 짧은 샘플을 만드는 것입니다. 그 결과가 기존 도구보다 편집과 음향 측면에서 실제로 유리할 때 로컬 실행을 검토하면 됩니다. 가중치가 공개된 뒤에는 라이선스, 설치 방법, 공식 최소 사양, 실제 생성 속도를 확인한 다음에야 로컬 구축 여부를 결정하는 편이 안전합니다.