MiniMax H3 คืออะไร? โมเดล AI ที่สร้างวิดีโอพร้อมเสียงในครั้งเดียว

ถ้าคุณเคยทำคลิปด้วย AI มาก่อน คุณจะรู้ว่าขั้นตอนจริงมันน่าเบื่อแค่ไหน — สร้างภาพเคลื่อนไหวจากโมเดลตัวหนึ่ง เอาไปหาเสียงพากย์จากอีกเครื่องมือหนึ่ง หาเสียงบรรยากาศจากคลังเสียง แล้วมานั่งวางจังหวะปากให้ตรงกับเสียงในโปรแกรมตัดต่อ กว่าจะได้คลิป 10 วินาที เวลาหมดไปครึ่งวัน

MiniMax H3 เข้ามาแก้ปัญหานี้ตรงจุด — มันสร้าง ภาพและเสียงออกมาพร้อมกันในการเรนเดอร์รอบเดียว ทั้งบทพูดของตัวละคร เสียงฝีเท้า เสียงฝน และดนตรีประกอบ ไม่ใช่ว่าสร้างภาพก่อนแล้วค่อยแปะเสียงทีหลัง แต่โมเดลคิดภาพกับเสียงไปด้วยกันตั้งแต่แรก

บทความนี้จะพาไปรู้จักว่า H3 ทำอะไรได้บ้าง โหมดการทำงานมีอะไร ไฟล์โมเดลหน้าตาเป็นยังไง และถ้าอยากลองต้องเตรียมอะไร

H3 ต่างจากโมเดลวิดีโอตัวอื่นตรงไหน

โมเดลสร้างวิดีโอส่วนใหญ่ที่คนไทยคุ้นเคย — Runway, Pika, Kling — ให้ผลลัพธ์เป็น วิดีโอเงียบ คุณต้องไปหาเสียงมาใส่เอง ส่วนเครื่องมือที่ทำเสียงพูดได้ก็มักเป็นคนละระบบ ต้องพากย์แยกแล้วค่อยซิงก์ปาก

H3 รวมสองอย่างนี้เข้าด้วยกัน สิ่งที่ออกมาจากโมเดลคือ:

ส่วนประกอบ	H3 สร้างให้	ต้องทำเอง
ภาพเคลื่อนไหว	✅	—
บทพูดของตัวละคร (ลิปซิงก์)	✅	—
เสียงในฉาก (ฝีเท้า ประตู ฝน)	✅	—
ดนตรีประกอบ	✅	—
ตัดต่อรวมหลายคลิป	—	✅

จุดที่น่าสนใจสำหรับคนทำคอนเทนต์ไทยคือ H3 พูดไทยได้ ในการเขียน prompt คุณกำกับภาษาด้วยแท็ก [Thai] แล้วใส่บทพูดไทยลงไปตรง ๆ โมเดลจะออกเสียงและขยับปากตามให้

โหมดการทำงาน 4 แบบ

H3 ไม่ได้มีแค่ "พิมพ์ข้อความแล้วได้วิดีโอ" แต่แบ่งโหมดตามว่าคุณมีภาพอ้างอิงอะไรอยู่ในมือ ชื่อโหมดลงท้ายด้วย VA เหมือนกันหมด ซึ่งย่อมาจาก Video + Audio

T2VA — Text to Video + Audio

ไม่มีภาพอ้างอิงเลย มีแต่คำบรรยาย เหมาะกับตอนเริ่มงานใหม่ที่ยังไม่มีภาพตัวละคร หรืออยากให้โมเดลออกแบบหน้าตาฉากให้เอง

I2VA — Image to Video + Audio

มีภาพหนึ่งใบใช้เป็น เฟรมแรก ของคลิป โมเดลจะพัฒนาการเคลื่อนไหวต่อจากภาพนั้น โหมดนี้ใช้บ่อยที่สุดในงานจริง เพราะคุมหน้าตาตัวละครและองค์ประกอบภาพได้แน่นอนกว่า

หัวใจของโหมดนี้คือโมเดลต้อง รักษาสิ่งที่อยู่ในภาพต้นทางไว้ — หน้าตา รูปร่าง เสื้อผ้า สีสัน วัตถุสำคัญ สภาพแวดล้อม และตำแหน่งของทุกอย่างในเฟรม แล้วค่อยเคลื่อนไหวต่อจากนั้น

FL2VA — First + Last Frame to Video + Audio

มีภาพสองใบ ใบแรกคือเฟรมเปิด ใบที่สองคือเฟรมปิด โมเดลเติมช่วงกลางให้ เหมาะกับงานที่ต้องคุมจุดจบ เช่น ทรานซิชันเข้าโลโก้ หรือช็อตที่ต้องจบตรงตำแหน่งเป๊ะ ๆ เพื่อต่อกับคลิปถัดไป

ในโหมดนี้การเขียน prompt ต้องระบุด้วยว่าภาพใบที่สองไปตรงกับวินาทีที่เท่าไรของคลิป ทศนิยมสองตำแหน่ง

L2VA — Last Frame to Video + Audio

มีแค่ภาพปลายทาง โมเดลจะเดาสถานะก่อนหน้าที่สมเหตุสมผลแล้วเคลื่อนเข้าหาเฟรมนั้น ใช้น้อยกว่าสามโหมดแรก แต่มีประโยชน์เวลาคุณมีภาพจบที่สวยแล้วอยากได้ทางเข้า

Full-Reference Mode

นอกจากสี่โหมดหลัก H3 ยังมีโหมดที่รับ อ้างอิงหลายชิ้นพร้อมกัน — ภาพตัวละครหลายคน คลิปวิดีโอต้นแบบ หรือไฟล์เสียง แล้วให้โมเดลเอามาผสมหรือสานต่อ โหมดนี้คือที่ที่งานซีรีส์จริง ๆ เกิดขึ้น เพราะมันคือวิธีบอกโมเดลว่า "ตัวละครคนนี้หน้าแบบนี้ ให้ใช้หน้านี้ทุกช็อต"

ในโหมดนี้อ้างอิงแต่ละชิ้นจะมีป้ายกำกับของตัวเอง เขียนในรูปแบบอย่าง <Subject 1>, <Picture 2>, <Video 1>, <Audio 1> แล้วอ้างถึงป้ายพวกนี้ในคำบรรยาย

โครงสร้าง prompt ของ H3

สิ่งที่ทำให้ H3 ต่างจากโมเดลอื่นอีกอย่างคือ prompt ไม่ใช่ก้อนข้อความเดียว แต่แบ่งเป็นสามช่องชัดเจน:

integrated_multimodal_description: ...

overall_soundscape: ...

non_diegetic_music: ...

• integrated_multimodal_description — ไทม์ไลน์หลักของคลิป บอกสไตล์ภาพ องค์ประกอบ หน้าตาตัวละคร การกระทำ การเคลื่อนกล้อง บทพูด และเสียงที่เกิดขึ้นในฉากพร้อมภาพ
• overall_soundscape — เสียงบรรยากาศรวม 1–4 ประโยค เช่น เสียงลม เสียงฝีเท้า เสียงผ้าเสียดสี ห้ามเอาบทพูดมาซ้ำในช่องนี้
• non_diegetic_music — ดนตรีที่มีแต่คนดูได้ยิน ตัวละครไม่ได้ยิน ถ้าไม่ต้องการให้ใส่ N/A

จุดที่คนพลาดบ่อยคือความต่างระหว่าง เสียงในฉาก กับ ดนตรีประกอบ ถ้าในฉากมีวิทยุเปิดเพลงอยู่ นั่นคือเสียงที่ตัวละครได้ยินด้วย ต้องไปอยู่ในช่องแรก ไม่ใช่ช่องดนตรีประกอบ

อีกกฎที่สำคัญมาก — เขียนเฉพาะสิ่งที่เห็นหรือได้ยิน อย่าเขียนว่า "ฉากนี้ดูเศร้า" หรือ "โมเมนต์ที่ทรงพลัง" เพราะโมเดลแปลงเป็นภาพไม่ได้ ให้เขียนหลักฐานที่มองเห็นแทน เช่น ตาลดต่ำลง ไหล่ผ่อนลง ลมหายใจสั่น ฝนกระทบกระจก เสียงเบาลง

เรื่องนี้เราแยกอธิบายละเอียดไว้ในบทความ เขียน H3 Prompt ให้ได้คลิปตรงใจ

ไฟล์โมเดลของ H3 มีอะไรบ้าง

H3 เผยแพร่น้ำหนักโมเดลให้โหลดไปรันเองได้ ทาง Comfy-Org รวมไฟล์ที่ใช้กับ ComfyUI ไว้ที่ huggingface.co/Comfy-Org/MiniMax-H3 แบ่งเป็นสามกลุ่ม:

VAE — สองตัว แยกภาพกับเสียง

• minimax_h3_video_vae_fp16.safetensors — ถอดรหัสฝั่งภาพ
• minimax_h3_audio_vae_fp32.safetensors — ถอดรหัสฝั่งเสียง

การที่มี VAE เสียงแยกต่างหากคือหลักฐานว่าเสียงไม่ได้ถูกแปะทีหลัง แต่ถูกสร้างมาจากกระบวนการเดียวกับภาพ

Diffusion model

• minimax_h3_ref2va_pruned_int8_convrot.safetensors — ตัวโมเดลหลัก ชื่อไฟล์บอกว่าเป็นเวอร์ชัน reference-to-video-audio ที่ตัดทอนและบีบเป็น int8 มาแล้ว เพื่อให้พอดีกับการ์ดที่ VRAM ไม่ได้เยอะมาก

Text encoder

• qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors — ตัวอ่าน prompt เป็นโมเดล Qwen3-VL ขนาด 32B ที่ควอนไทซ์มาแล้ว ที่ต้องใช้ตัวใหญ่ขนาดนี้เพราะ prompt ของ H3 ยาวและมีโครงสร้างซับซ้อนกว่าโมเดลวิดีโอทั่วไปมาก

รวมทุกไฟล์แล้วกินพื้นที่หลายสิบกิกะไบต์ ซึ่งเป็นเหตุผลว่าทำไมการรัน H3 ต้องคิดเรื่องเครื่องตั้งแต่แรก

ต้องใช้เครื่องแบบไหน

H3 ไม่ใช่โมเดลที่รันบนโน้ตบุ๊กทั่วไปได้ ข้อกำหนดหลัก ๆ คือ:

• VRAM 32 GB ขึ้นไป — การ์ดอย่าง RTX 5090 (32 GB) หรือ RTX PRO 6000 (96 GB) ทำงานได้สบาย ส่วน RTX 4090 ที่มี 24 GB จะเริ่มตึง
• พื้นที่ดิสก์ราว 100 GB — สำหรับตัว ComfyUI, โมเดลทั้งชุด และไฟล์วิดีโอที่เรนเดอร์ออกมา
• อินเทอร์เน็ตเร็ว — ต้องโหลดโมเดลหลายสิบ GB ก่อนใช้งานครั้งแรก

คนส่วนใหญ่จึงไม่ได้ซื้อการ์ดมาเอง แต่ เช่า GPU เป็นรายชั่วโมง ซึ่งตอนนี้ราคาอยู่ที่ประมาณ $0.45–$0.95 ต่อชั่วโมงสำหรับ RTX 5090 คิดเป็นเงินไทยไม่ถึง 35 บาทต่อชั่วโมง ถูกกว่าค่าสมาชิกรายเดือนของบริการวิดีโอ AI หลายเจ้ามาก ถ้าคุณใช้เป็นครั้งคราว

วิธีเช่าและสิ่งที่ต้องระวังเรื่องค่าใช้จ่าย อ่านต่อได้ที่ เช่าเครื่อง GPU ทำ H3 บน vast.ai

H3 เหมาะกับงานแบบไหน

จากลักษณะของโมเดล งานที่ได้เปรียบชัดเจนคือ:

ละครสั้นและซีรีส์แนวตั้ง — เพราะมีบทพูดเยอะ ถ้าต้องพากย์แยกทุกช็อตจะเสียเวลามหาศาล H3 ออกเสียงมาพร้อมภาพเลย

คลิปที่ตัวละครต้องหน้าเหมือนเดิมข้ามหลายช็อต — Full-Reference Mode ทำเรื่องนี้ได้ตรงกว่าการพยายามอธิบายหน้าตาด้วยข้อความซ้ำ ๆ

คอนเทนต์ภาษาไทย — เพราะกำกับภาษาได้ตรง ๆ ไม่ต้องพึ่งเครื่องมือพากย์แยก

ส่วนงานที่อาจยังไม่คุ้ม คือคลิปสั้นเงียบ ๆ ไม่มีบทพูด แบบวิดีโอประกอบพื้นหลังหรือ b-roll เพราะจุดแข็งเรื่องเสียงไม่ได้ถูกใช้ ในกรณีนั้นเครื่องมือออนไลน์ที่กดปุ่มเดียวจบอาจเร็วกว่า ลองเทียบตัวเลือกได้จาก AI ทำวิดีโอ 2026 — รวมเครื่องมือ + How-to ครบจบในที่เดียว

เริ่มต้นยังไง

เส้นทางที่ตรงที่สุดสำหรับคนไทยตอนนี้คือ:

1. เตรียมภาพตัวละคร ให้ได้หน้าตาที่ต้องการก่อน แล้วทำเป็นชุดภาพอ้างอิง
2. วางช็อต เป็นสตอรี่บอร์ดว่าคลิปจะมีกี่ช็อต แต่ละช็อตเห็นอะไร
3. เขียน prompt ตามโครงสร้างสามช่องของ H3
4. เช่าเครื่อง GPU แล้วรัน ComfyUI ที่มีโมเดลติดตั้งไว้แล้ว
5. เรนเดอร์และตัดต่อ รวมช็อตเป็นคลิปสมบูรณ์

ขั้นตอนที่ 4 เป็นด่านที่คนติดมากที่สุด เพราะต้องโหลดโมเดล ติดตั้ง custom node และต่อ workflow เอง เราเลยทำเทมเพลทที่มีทุกอย่างพร้อมไว้ให้ — อ่านวิธีใช้ได้ที่ ComfyUI H3 — ติดตั้งและใช้ workflow

สรุป

MiniMax H3 คือโมเดลสร้างวิดีโอที่ออกภาพและเสียงมาพร้อมกันในรอบเดียว รองรับบทพูดภาษาไทย มีโหมดการทำงานสี่แบบตามภาพอ้างอิงที่คุณมี บวกกับ Full-Reference Mode สำหรับงานที่ต้องคุมตัวละครข้ามหลายช็อต

ข้อแลกเปลี่ยนคือมันหนัก ต้องการ VRAM 32 GB ขึ้นไปและพื้นที่ราว 100 GB ซึ่งแก้ได้ด้วยการเช่า GPU เป็นรายชั่วโมงในราคาไม่กี่สิบบาท

ถ้าคุณทำคอนเทนต์ที่มีบทพูดและอยากได้ตัวละครที่หน้าไม่เพี้ยน H3 คือตัวเลือกที่คุ้มค่าที่จะลองในตอนนี้

---

อยากเรียนแบบมีคนสอนทีละขั้น? AI Unlocked มีคอร์สสร้างละครสั้นด้วย H3 พร้อมเทมเพลท ComfyUI และสกิลช่วยเขียน prompt ที่ใช้ได้ทันที ดูรายละเอียดแพ็กเกจได้ที่ หน้าราคา