MiniMax-H3-Imageのプロンプトの書き方｜短い英文・日本語・長い英文・プロンプト拡張はどれを使うか

2026年11月14日に取得したテンプレートのファイルでは、拡張のスイッチ (enable_PE) がオンで保存されていた。拡張を使わないときは、生成の前にこのスイッチをオフにする。

初めて試す場合は「書き方ごとの使い分け」まで読めば判断できる。人物・日本語・文字入れのように用途が決まっている場合は、その見出しの節から読める。使ったソフトのバージョン、モデルのファイル、画像の数え方は「測定の条件と測っていないこと」にまとめた。

書き方ごとの使い分け

細部まで書き込んで自分で指定したいときは、長い英文を書き、プロンプト拡張（短い依頼文を、別の言語モデルが細かい英語の説明文に書き直す仕組み）はオフにする。日本語で短く書くときと、英語で短く書いて細部を任せたいときは、拡張をオンにする。ホワイトボードや貼り紙に日本語の文字を入れるときは、場面を英語で書き、入れる日本語の文字だけを引用符で囲んで、拡張はオフにし、行を分けたい位置でプロンプトに改行を入れる。場面まで日本語で書いた文字入れは測っていない。

分かれ目になるのは、待ち時間と、画像に出る指定の抜けだった。RTX 5080 で 2048×2048 の画像を、同じプロンプトのまま seed を変えて続けて作ると、拡張オフでは書き方を変えても1枚約6秒だった。1枚ごとに拡張を実行する構成では、短い英文で約38秒、日本語の短い文で約36秒になった。プロンプトを書き換えた直後の1枚は、拡張オフでも9〜10秒台かかった。拡張が書いた説明文を毎回作り直さず、同じ説明文のまま seed だけを変えた場合の時間は測っていない。モデルカードは、画像全体を細かく書いた英語の説明文を入力として期待すると書いている。拡張は、短い依頼文をその形に書き直す役を受け持つ。

人物の主題で照明を指定した文では、短い英文とタグの列 (単語をカンマで並べる書き方) で作った画像の4枚すべてに照明機材 (ソフトボックス) が写った。長い英文と、短い英文に拡張をオンにした場合は、4枚とも写らなかった。長い英文は、照明がどこをどう照らすかまで文で書いている。主題1つ・seed 4つの結果で、詳しい数え方は人物の節に書いた。

表「やりたいことごとの書き方と拡張」は、測った範囲 (RTX 5080・本体は w4a8・拡張用のモデルは qwen3.5_9b_w4a8_gptq・2048×2048 の正方形の画像) での使い分けをまとめたもの。「1枚あたりの時間の目安」の列は、拡張オフの行が同じプロンプトで続けて作ったときの値、拡張オンの行が1枚ごとに拡張を実行したときの値にあたる。

やりたいこと	書き方	拡張	1枚あたりの時間の目安
細部まで書き込んで指定したい	長い英文を自分で書く	オフ	約6秒
日本語で短く書きたい	日本語の短い文	オン	約36秒
英語で短く書いて、細部は任せたい	短い英文	オン	約38秒
ホワイトボードや貼り紙に日本語の文字を入れたい	場面は英語で書き、入れる日本語の文字を引用符で囲み、行を分ける位置で改行する	オフ	約6秒
短い指定で手早く何枚も試したい	短い英文	オフ	約6秒

拡張をオンにする行は、日本語の短い文で抜けた指定が出るようになる代わりに、1枚ごとに拡張を実行する構成では、1枚ごとの待ち時間が延びる。拡張オフの行は、同じプロンプトで seed だけを変えて続けるかぎり、どの書き方でも待ち時間がそろっていた。プロンプトを書き換えた直後の1枚は9〜10秒台かかる。書き方は画像に出したい中身で選べる。タグの列は、時間も人物の照明機材の写り込みも、短い英文と同じ結果だった。

商品と風景の主題では、英語で書いた4通りのどれでも、指定した大理石と谷の霧が4枚とも出た。拡張をオンにした日本語の人物では、4枚のうち2枚に照明機材が写り、1枚に指定していない文字が載った。拡張をオンにすれば指定どおりになるとは限らない。

縦長や横長の画像にしたいときは、拡張に任せず、解像度を選ぶノードで縦横比を選ぶ。測ったテンプレートでは、拡張が返した縦横比は画像の大きさに使われなかった。

比べた6通りの書き方と、渡したプロンプト

比べたのは、短い英文・タグの列・長い英文・日本語の短い文の4つを拡張オフで渡す場合と、短い英文と日本語の短い文に拡張をオンにする場合の6通り。英語の書き方は人物・商品・風景・文字入りの看板の4主題、日本語の短い文は人物・商品・風景の3主題で、それぞれ seed を4つ変えて画像を作った。日本語の文字入れは、別の測定として文字入れの節で扱う。

配布元 MiniMaxAI のモデルカードは、画像全体を細かく書いた英語の説明文を入力として期待すると書いている。同じモデルカードによると、MiniMax の API は、短い文や他の言語の文を、生成の前にその形の説明文へ変換する。API の仕様書では、この変換は標準で行われ、disable_prompt_enhanced を true にすると元のプロンプトがそのまま使われる。ローカルのモデルに短い文や日本語をそのまま渡したときにどうなるかは、この記事で測った結果で扱う。

テンプレートでの拡張の扱い

ComfyUI 公式のチュートリアルは、テキストから画像を作るテンプレートは拡張をオフにした状態で配布され、入力したプロンプトがそのままモデルに渡ると書いている。画像編集のテンプレートは、オンの状態で配布されると書いている。一方、2026年11月14日に取得したテキストから画像を作るテンプレートのファイルでは、拡張のスイッチ (enable_PE) がオンで保存されていた。ファイルの中身を読んで確かめたもので、ComfyUI の画面で開いたときの表示は確かめていない。拡張を使わないときは、生成の前にスイッチがオフになっているかを見ておく。

この記事の測定は、テンプレートの保存値に頼らず、拡張のオンとオフを測定用のワークフローを組む段階で指定した。オンは拡張のノードをつないでスイッチをオンにした構成、オフは拡張のノードを外してプロンプトを直接渡す構成にあたる。ComfyUI の画面でスイッチを切り替えて作った場合は測っていない。測ったのはテキストから画像を作るテンプレートだけで、画像編集は測っていない。

同じチュートリアルは、テキストから画像を作るテンプレートの拡張について、プロンプトを細かい英語の説明文に書き直し、キャンバスの縦横比を選ぶと説明している。縦横比が実際にどう扱われたかは、縦横比の節で別に書く。

拡張を受け持つモデルについては、ComfyUI 向けの配布ページ (Comfy-Org) が qwen3.5_9b_w4a8_gptq を Generate Text ノードで使うことを勧めている。拡張オンの測定は、このモデル (ファイルの大きさ 7.34GB) を使った。配布元の MiniMax が別に公開しているプロンプト拡張用のモデル (MiniMax-H3-Image-PE) は使っていない。

テンプレートには、ネガティブプロンプトの入力が無い。ガイダンス (CFG) が1に固定されているためで、チュートリアルは、避けたいものも含めて通常のプロンプトに書くよう案内している。避けたいものをプロンプトに書いたときの結果は、この記事では測っていない。

モデルファイルの置き場所や、本体を w4a8 と int8 のどちらにするかがまだ決まっていない場合は、MiniMax-H3-Image の導入と本体の選び方をまとめた記事で扱っている。

人物の主題に渡した文

表「人物の主題に渡したプロンプト」には、4つの主題のうち人物で渡した文を、測定に使ったまま載せた。拡張をオンにした2通りは、短い英文と日本語の短い文をそれぞれそのまま拡張に渡している。

書き方	渡したプロンプト
短い英文	Editorial studio portrait of a woman in a structured ivory wool coat against a seamless warm grey backdrop, single softbox from the left, 85mm lens
タグの列	best quality, highres, photorealistic, editorial photo, studio portrait, 1woman, solo, ivory wool coat, structured coat, looking at viewer, upper body, seamless grey background, softbox lighting from left, 85mm lens
長い英文	Editorial studio portrait photograph of a woman in her thirties, framed from the waist up and standing slightly off-center to the right. She wears a structured ivory wool coat with wide lapels, buttoned once at the waist, over a plain black turtleneck. Her dark hair is tied back in a low bun and she looks directly at the camera with a calm, neutral expression. The background is a seamless warm grey paper backdrop with no visible horizon line. A single large softbox on the left side lights her face and the left side of the coat, and the right side falls into soft shadow. Shot on an 85mm lens at eye level, shallow depth of field, natural skin texture, muted colour palette of ivory, grey and black.
日本語の短い文	アイボリーのかっちりしたウールコートを着た女性のスタジオポートレート。背景は継ぎ目のない暖かいグレー。左からソフトボックス1灯、85mmレンズ、雑誌の誌面のような写真

照明について、短い英文と日本語の文が書いているのは「左からソフトボックス1灯」という指定だけ。タグの列は「左からのソフトボックスの照明」と書いていて、灯の数は書いていない。長い英文は、左側の大きなソフトボックスが顔を照らし、右側は影になる、という光の当たり方まで書いている。

同じ文で続けて作る拡張オフは約6秒、1枚ごとに拡張する構成は約38秒だった

短い英文に拡張をオンにし、1枚ごとに拡張を実行すると、1枚あたり 37.89秒かかった。そのうち拡張のノードにかかった時間は、中央値で 26.58秒だった。日本語の短い文に拡張をオンにした場合は 36.43秒で、拡張の時間は 26.86秒だった。

拡張オフでは、短い英文・タグの列・長い英文・日本語の短い文のどれでも1枚約6秒で、書き方ごとの中央値は 5.87〜6.19秒に収まった。同じプロンプトを続けて使ったときの値で、1枚ごとにプロンプトを書き換えた場合に書き方で差が出るかは比べていない。

拡張オフの約6秒と、拡張オンの約38秒は、同じ条件で測った値ではない。拡張オフは、同じプロンプトのまま seed だけを変えて続けて作っていて、2枚目以降はプロンプトをテキストエンコーダーに通す処理 (テキストエンコード) の結果が使い回される。拡張をオンにした測定は、1枚ごとに拡張を実行して説明文が毎回変わるので、テキストエンコードも毎回やり直していた。約6秒と約38秒の差には、拡張の時間に加えて、このテキストエンコードのやり直しの分が入っている。

拡張オフでも、プロンプトを書き換えた直後の1枚は長くかかった。該当する16枚 (短い英文・タグの列・長い英文の拡張オフで11枚・日本語で2枚・日本語の文字入れで3枚) は 9.21〜10.48秒だった。拡張が書いた説明文を毎回作り直さず、同じ説明文のまま seed だけを変えた場合と、テンプレートの保存値のまま画像の seed だけを変えた場合の時間は測っていない。

時間と合わせて、VRAM（GPUに載っている専用のメモリ。モデルの重みや計算途中のデータを置く）の使用量のピークも測った。表「書き方ごとの生成時間と VRAM のピーク」は、RTX 5080 (16GB) で 2048×2048 の画像を作ったときの値で、時間は ComfyUI を起動して1枚目を作ったあとの、2枚目以降の中央値。枚数の列は、中央値を取った枚数にあたる。拡張オフの行は同じプロンプトで seed を変えて続けて作った値 (プロンプトを書き換えた直後の1枚も含む)、拡張オンの行は1枚ごとに拡張を実行した値。時間は、ワークフローをキューに入れてから画像の保存が終わるまでを測った。

書き方	拡張	1枚あたりの時間	うち拡張の時間	VRAM のピーク	枚数
短い英文	オフ	6.19秒	—	15,457MiB (約15.09GiB)	15枚
タグの列	オフ	5.94秒	—	15,456MiB (約15.09GiB)	16枚
長い英文	オフ	6.07秒	—	15,478MiB (約15.12GiB)	16枚
日本語の短い文	オフ	5.87秒	—	15,494MiB (約15.13GiB)	11枚
短い英文 + 拡張	オン	37.89秒	26.58秒	15,638MiB (約15.27GiB)	15枚
日本語の短い文 + 拡張	オン	36.43秒	26.86秒	15,472MiB (約15.11GiB)	11枚

1枚目はモデルの読み込みが入るので長く、拡張オフで 12.93秒、拡張オンで 46.09秒かかった。拡張オンの1枚あたりの時間 (拡張と生成の合計) は回ごとの幅が大きく、英語の短い文では 26.12〜45.81秒の幅があった。拡張オンの待ち時間は、中央値から上下に振れる前提で読む必要がある。

次の図は、表「書き方ごとの生成時間と VRAM のピーク」の1枚あたりの時間 (2枚目以降の中央値) を棒グラフにしたもの。拡張オフの4本は同じプロンプトで続けて作った値、拡張オンの2本は1枚ごとに拡張を実行した値にあたる。

VRAM のピークは、拡張をオンにしてもほとんど変わらなかった。拡張オフの短い英文で 15,457MiB、拡張オンで 15,638MiB で、拡張オンでも16枚すべて最後まで生成できた。この値は、生成の間くり返し読み取った nvidia-smi の GPU 全体の使用量のうち最大のもので、画面表示などの分を含み、1枚目も含めた最大値を載せている。読み取りの合間に一瞬だけ上がった値は拾えていない可能性がある。どの書き方でもカードの容量 (約16,303MiB) の95%前後まで使っていて、この値は生成に最低限必要な量を示すものではない。言えるのは、16GB のカードで最後まで生成できたことまで。

VRAM と時間の結果は、RTX 5080・本体 w4a8・2048×2048・拡張用のモデル qwen3.5_9b_w4a8_gptq で測ったもの。RTX 5060 Ti や int8 の本体、16MP で拡張をオンにした場合は測っていない。メインメモリの量を変えた測定もしていない。

人物では、短い英文とタグの列で照明機材が写り込んだ

照明機材 (ソフトボックス) の写り込みは、同じ短い英文でも拡張のオン・オフで分かれた。左からのソフトボックスの照明を指定した人物の主題で、拡張オフの短い英文とタグの列では4枚すべてに照明機材そのものが写った。長い英文と、短い英文に拡張をオンにした場合は、4枚とも照明機材は写らなかった。

数えたのは、照明機材が写ったか、コートの色、画像の中に文字が出たかの3つ。全部の画像を目で見て2回数え、2回の結果が食い違った項目は無かった。数えから外した画像も無い。見た目を数えた結果で、画質の採点ではない。

表「人物の主題で数えた結果」は、アイボリーのウールコートの女性・暖かいグレーの背景・左からのソフトボックスの照明・85mm レンズという主題を、書き方ごとに seed 4つで作って数えたもの。

書き方	照明機材が写った枚数	コートの色	画像の中の文字
短い英文	4枚のうち4枚	4枚ともアイボリー	なし
タグの列	4枚のうち4枚	4枚ともアイボリー	なし
長い英文	4枚のうち0枚	4枚ともアイボリー	なし
短い英文 + 拡張	4枚のうち0枚	4枚ともアイボリー	なし
日本語の短い文	4枚のうち0枚	4枚でそろわない (茶と黒が1枚ずつ)	なし
日本語の短い文 + 拡張	4枚のうち2枚	4枚ともアイボリー	1枚に「1 Softbox Light」「85mm Lens」

英語で書いた4通りでは、コートの色はどれも指定どおりに出ていて、違いは照明機材の列にだけ出た。写り込んだ理由は切り分けていない。主題1つ・seed 4つの結果で、ほかの主題や照明の指定で同じことが起きるかは測っていない。

4096×4096 でも、照明機材の写り込みは同じ結果だった

画像を 4096×4096 (約1,680万画素。解像度を選ぶノードでは 16MP。以下 16MP) に上げても、人物の照明機材の写り込みは変わらなかった。短い英文では2枚とも照明機材が写り、長い英文では2枚とも写らなかった。1枚あたりの時間は、短い英文で 27.54秒、長い英文で 29.61秒だった。

表「4096×4096 で作った結果」は、拡張オフ・seed 2つで測ったもの。時間は2枚目以降の中央値で、人物と商品を合わせて、短い英文は3枚、長い英文は4枚から取った。プロンプトを書き換えた直後の1枚が、短い英文では3枚のうち1枚、長い英文では4枚のうち2枚入っている。このため、27.54秒と 29.61秒の差は、書き方だけの差ではない。16MP で拡張をオンにした場合は測っていない。

書き方	1枚あたりの時間	VRAM のピーク	人物: 照明機材が写った枚数	商品: 置かれた面
短い英文	27.54秒	15,490MiB (約15.13GiB)	2枚のうち2枚	2枚とも大理石
長い英文	29.61秒	15,498MiB (約15.13GiB)	2枚のうち0枚	2枚とも大理石

画像を大きくしても、写り込みが出るかどうかはプロンプトの書き方で分かれた。商品の置かれた面は、どちらの書き方でも大理石で出た。

商品と風景で見えた違い

商品と風景では、英語で書いた4通りのどれでも、商品は4枚とも大理石の上に置かれ、風景は4枚とも谷に霧が出た。英語の4通りの間で違いが出たのは、風景に写った農家の枚数だった。ただし農家は長い英文のプロンプトにだけ書いてあり、この列は書き方の違いだけを比べたものではない。

表「商品と風景で数えた結果」は、白い大理石のテーブルに置いたマットブラックのワイヤレスヘッドホン (商品) と、日の出の棚田・谷に霧・金色の光 (風景) を、書き方ごとに seed 4つで作って数えたもの。人物と同じく目で見て数えた結果で、画質の採点ではない。

書き方	商品: 置かれた面	風景: 谷の霧	風景: 農家	画像の中の文字
短い英文	4枚とも大理石	4枚ともあり	0枚	なし
タグの列	4枚とも大理石	4枚ともあり	1枚	なし
長い英文	4枚とも大理石	4枚ともあり	4枚	なし
短い英文 + 拡張	4枚とも大理石	4枚ともあり	3枚	なし
日本語の短い文	4枚とも模様のない白い面	4枚ともなし	0枚	風景の1枚に崩れた文字
日本語の短い文 + 拡張	4枚とも大理石	4枚ともあり	1枚	なし

農家の列は、プロンプトの中身の違いも含んでいる。長い英文の風景のプロンプトには農家を書いてあり、短い英文・タグの列・日本語の文には書いていない。日本語の行の違いは、日本語の節で扱う。

日本語の短い文は、拡張なしだと指定が抜けた

日本語の短い文を拡張なしで渡すと、指定の一部が画像に出なかった。表「人物の主題で数えた結果」と表「商品と風景で数えた結果」の日本語の行が、その結果にあたる。

人物ではコートの色が4枚でそろわず、茶と黒が1枚ずつあった。商品では4枚とも、置かれた面が模様の無い白い面で、大理石らしい模様は確認できなかった。風景では4枚とも谷の霧が無く、1枚に崩れた文字が載った。

同じ日本語の文で拡張をオンにすると、コートは4枚ともアイボリー、商品は4枚とも大理石、風景は4枚とも霧のある画像になった。抜けていた色と素材と霧の指定が、拡張を通すと画像に出た。

ただし人物では、拡張をオンにした日本語でも指定どおりにならない回があった。4枚のうち1枚で、照明とレンズの指定が「1 Softbox Light」「85mm Lens」という英語の文字として画像の中に載った。この1枚では、拡張が書いた説明文が、照明とレンズの指定を誌面に載る文字として書いていた。また、4枚のうち2枚に照明機材が写った。

結果は人物・商品・風景の3主題を seed 4つずつで作り、全部の画像を目で見て2回数えたもの。2回の結果が食い違った項目は無かった。測ったのは日本語の短い文で、日本語の長い文は測っていない。指定が抜けた理由も切り分けていない。

日本語の文字入れは拡張オフで、行を分ける位置に改行を入れる

文字を入れた画像48枚 (英語の看板16枚、日本語の2行と3行で32枚) のうち47枚で、指定した文字が1字も違わずに出た。残りの1枚は日本語の3行で、指定の3行の下に、存在しない字の行が1行足された。日本語だけで数えると、32枚のうち31枚になる。字の違いには空白の有無を数えず、数字の前後に入った空きは別の列で数えた。

入れた文字は、英語が黒板の看板に「FRESH COFFEE / OPEN 8AM」の2行、日本語がホワイトボードに「本日の会議は / 午後3時から」の2行と、貼り紙に「本日は / 午後5時で / 閉店します」の3行。日本語は、プロンプトの中で行を改行で分けた文と、空白でつないだ文の2通りを用意した。長辺 1,400 ピクセルに縮小した画像を、指定の文字列を見ずに書き起こしてから指定と突き合わせ、1字でも違えば不一致とした。

表「文字入れの照合結果」は、文字列ごと・書き方ごとに seed 4つで作った画像の照合結果。空白でつないだ文は行の分け方を指定していないので、行の分かれ方の欄は対象外とした。

入れる文字	プロンプト	拡張	文字が指定と一致	行の分かれ方が指定どおり	数字の前後の空き
英語の看板 2行	短い英文	オフ	4枚のうち4枚	4枚のうち1枚	—
英語の看板 2行	タグの列	オフ	4枚のうち4枚	4枚のうち0枚	—
英語の看板 2行	長い英文	オフ	4枚のうち4枚	4枚のうち4枚	—
英語の看板 2行	短い英文	オン	4枚のうち4枚	4枚のうち3枚	—
日本語 2行	改行で分けた文	オフ	4枚のうち4枚	4枚のうち4枚	0枚
日本語 2行	空白でつないだ文	オフ	4枚のうち4枚	対象外 (4枚とも2行)	0枚
日本語 3行	改行で分けた文	オフ	4枚のうち4枚	4枚のうち4枚	0枚
日本語 3行	空白でつないだ文	オフ	4枚のうち3枚 (1枚は存在しない字の行が足された)	対象外 (指定の文字は4枚とも3行。うち1枚はその下に1行足された)	0枚
日本語 2行	改行で分けた文	オン	4枚のうち4枚	4枚のうち4枚	3枚
日本語 2行	空白でつないだ文	オン	4枚のうち4枚	対象外 (4枚とも2行)	2枚
日本語 3行	改行で分けた文	オン	4枚のうち4枚	4枚のうち4枚	2枚
日本語 3行	空白でつないだ文	オン	4枚のうち4枚	対象外 (2枚は3行・2枚は2行)	1枚

指定した文字のほかに、背景の貼り紙や画面に小さな文字が出た画像が数枚ある。指定した文字の行とは別の場所に出た文字 (背景の貼り紙や時計など) は、一致の判定に入れていない。指定した文字の行のすぐ下に字の行が足された場合は、不一致に数えた。ひらがなだけ・カタカナだけの文字列と、長い文章は測っていない。

拡張オフの日本語の文字入れは、同じプロンプトで続けて作ったとき、プロンプトを書き換えた直後の1枚を除いた各3枚の中央値が 5.69〜5.81秒だった。使い分けの表で、日本語の文字入れの行に書いた「約6秒」は、この値にあたる。

文字入れに渡した文

日本語の文字入れのプロンプトは、場面を英語で書き、入れる日本語の文字列だけを引用符で囲んだ。表「日本語の文字入れに渡したプロンプト」の「(改行)」は、プロンプトの中で実際に改行した位置を示す。「(改行)」の前後の空白は表を読みやすくするために入れたもので、実際のプロンプトには無い。

入れる文字	分け方	渡したプロンプト
日本語 2行	改行で分けた文	A whiteboard in a modern office meeting room with handwritten Japanese text in black marker: (改行) "本日の会議は (改行) 午後3時から"
日本語 2行	空白でつないだ文	A whiteboard in a modern office meeting room with handwritten Japanese text in black marker: "本日の会議は 午後3時から"
日本語 3行	改行で分けた文	A paper notice taped to the glass door of a small bakery, printed in black Japanese text: (改行) "本日は (改行) 午後5時で (改行) 閉店します"
日本語 3行	空白でつないだ文	A paper notice taped to the glass door of a small bakery, printed in black Japanese text: "本日は 午後5時で 閉店します"

英語の看板は、短い英文・タグの列・長い英文のどれも、引用符の中の「FRESH COFFEE」と「OPEN 8AM」の間で改行した文を渡している。人物以外の主題に渡した文は、「測定の条件と測っていないこと」の節に載せた。

改行を入れた日本語では、行の分かれ方が指定どおりだった

プロンプトの中で改行を入れた日本語の16枚は、拡張のオン・オフにかかわらず、行の分かれ方がすべて指定どおりだった。空白でつないだ文でも、拡張オフの8枚は意図した行数で出ていて (うち1枚は3行の下に存在しない字の行が足された)、行数がずれたのは拡張をオンにした3行の文だけだった (4枚のうち2枚が2行)。

英語の看板は、プロンプトに改行を入れていても、短い英文では4枚のうち1枚、タグの列では0枚しか指定どおりに分かれず、2行の大きさと位置まで書いた長い英文では4枚とも指定どおりだった。改行を入れておけば行が決まるとは限らない。拡張オフの日本語では、空白でつないだ文も行数は意図どおりだったので、改行の有無で差が見えたのは拡張をオンにした3行の文だけになる。日本語の文字入れでは、分けたい位置で改行しておくと、拡張をオンにした場合も含めて指定どおりに分かれた。

日本語の文字入れで拡張をオンにすると、数字の前後に空きが入った

日本語の文字入れで拡張をオンにした16枚のうち8枚で、「午後 3 時から」「午後 5 時で」のように数字の前後に空きが入った。拡張オフの16枚では、空きは入らなかった。

記録に残した拡張の説明文を読むと、この8枚は、説明文の段階で指定の文字列に空きが入っていた回と一致した。拡張用のモデルは qwen3.5_9b_w4a8_gptq で、別の拡張用モデルで同じことが起きるかは測っていない。文字を指定どおりに入れたい画像は、拡張をオフにして作る。

拡張が選んだ縦横比は、テンプレートでは画像の大きさに使われない

拡張をオンにした44回すべてで、拡張は説明文と縦横比の2つを返した。風景は英語の短い文で4回とも 16:9、人物は 4:5 が3回などで、主題によって返す比が違った。それでも、出てきた画像は44枚とも 2048×2048 だった。

測ったテンプレートは、拡張の出力から expanded_caption という項目だけを取り出すつなぎ方になっていた。画像の大きさは、解像度を選ぶノードの設定 (1:1・4MP) のままだった。チュートリアルは拡張が縦横比も選ぶと説明しているが、測ったテンプレートでは、その比が画像の大きさには使われなかった。

この結果は、2026年11月14日に取得したテキストから画像を作るテンプレートでのもの。テンプレートは更新されることがある。

表「拡張が返した縦横比と画像の大きさ」は、44回 (英語の短い文16回・日本語の短い文12回・文字入れ16回) のうち、英語の短い文の4主題と、日本語の短い文の風景の分を載せた。拡張の出力は回ごとに変わり、説明文の長さは、空白と改行を含む文字数で数えた。

主題	拡張が返した縦横比	説明文の長さ	出てきた画像の大きさ
人物 (英語の短い文)	4:5 が3回・3:2 が1回	680〜914字	4枚とも 2048×2048
商品 (英語の短い文)	1:1 が2回・3:2 が1回・4:3 が1回	628〜1,001字	4枚とも 2048×2048
風景 (英語の短い文)	16:9 が4回	760〜994字	4枚とも 2048×2048
英語の看板	3:4 が2回・4:3 が1回・16:9 が1回	595〜919字	4枚とも 2048×2048
風景 (日本語の短い文)	16:9 が3回・3:2 が1回	606〜909字	4枚とも 2048×2048

同じ主題でも返る比は回ごとにばらつき、どの比を返しても画像は正方形のまま出た。縦横比を変えたいときは、拡張に任せず、解像度を選ぶノードで自分で選ぶ。

よくある質問

ネガティブプロンプトは使えるか

MiniMax-H3-Image のテンプレートでは使えず、ネガティブプロンプトの入力が無い。ガイダンス (CFG) が1に固定されているためで、ComfyUI 公式のチュートリアルは、避けたいものも含めて通常のプロンプトに書くよう案内している。避けたいものをプロンプトに書いたときにどう出るかは、この記事では測っていない。

日本語でプロンプトを書いてもよいか

日本語で書いてよく、短く書くなら拡張をオンにする。日本語の短い文を拡張なしで渡すと、商品の大理石や風景の谷の霧が4枚とも出ず、人物のコートの色もそろわなかったが、拡張をオンにすると色・素材・霧の指定は出た。ただし拡張をオンにした日本語の人物では、4枚のうち2枚に照明機材が写り、1枚に照明とレンズの指定が英語の文字として載った。文字入れの測定は、場面を英語で書き、入れる日本語の文字列だけを引用符で囲んだプロンプトで行っていて、日本語だけの文で文字入れを指定した場合は測っていない。画像に入れる文字は、英語と合わせた48枚のうち47枚、日本語だけでは32枚のうち31枚で指定した字が1字も違わずに出て (空白の有無は別に数えた)、行を分けたい位置に改行を入れた16枚は行の分かれ方も指定どおりだった。文字入れで拡張をオンにすると、16枚のうち8枚で数字の前後に空きが入ったので、文字を入れるときは拡張をオフにする。日本語の長い文は測っていない。

拡張をオンにすると VRAM は足りなくなるか

RTX 5080 (16GB)・メインメモリ 96GB の測定機で、短い英文に拡張をオンにした16枚は、すべて最後まで生成できた。VRAM のピークは拡張オフで 15,457MiB、拡張オンで 15,638MiB だが、どちらもカードの容量の95%前後まで使った値で、必要な量を示すものではない。メインメモリの使用量 (システム全体) のピークは、拡張オフの 34.66GiB から拡張オンの 37.63GiB へ増えた。大きく変わったのは時間で、1枚ごとに拡張を実行すると1枚あたり 37.89秒かかり、そのうち拡張の時間は中央値で 26.58秒だった。ほかの GPU や int8 の本体、メインメモリの少ない環境、qwen3.5_9b_w4a8_gptq 以外の拡張用モデルでは測っていない。

公式のプロンプト拡張 (MiniMax-H3-Image-PE) とは別物か

別のモデルである。配布元の MiniMax は、短い依頼文を作りたい画像の細かい説明と縦横比の提案に変えるモデルとして、MiniMax-H3-Image-PE を別に公開している。この記事で拡張に使ったのは、Comfy-Org の配布ページが Generate Text ノード用に勧める qwen3.5_9b_w4a8_gptq で、MiniMax-H3-Image-PE は測っていない。ComfyUI のテンプレートで MiniMax-H3-Image-PE を使えるかどうかも確かめていない。

測定の条件と測っていないこと

表「測定の条件」に、この記事の測定で使った機材・ソフト・モデルファイル・設定と、数え方をまとめた。

項目	内容
GPU	RTX 5080 (16GB)
測定機	Intel Core i7-14700F・メインメモリ 96GB・Windows
ソフト	ComfyUI 0.45.3・PyTorch 2.14.0+cu130・NVIDIA ドライバー 610.88。ComfyUI は生成途中のプレビューを切って起動した (--preview-method none)
GPU で動いたことの確認	PyTorch が認識したデバイスは RTX 5080。ComfyUI のログは、読み込んだモデルをどれも dynamic VRAM loading と記録していた (拡張オフでは本体・テキストエンコーダー・VAE の3つ、拡張オンでは拡張用のモデルを加えた4つ)。4つを合わせた大きさは 16GB を超えるので、全部が同時に VRAM に載っていたわけではない
共有 GPU メモリとメインメモリ	共有 GPU メモリの増分 (1枚の生成の間の最大値から、その生成の最初の値を引いたもの) は、拡張オフ (短い英文・タグの列・長い英文の48枚) で最大 8.9MiB、拡張オン (短い英文の16枚) で最大 39.6MiB。メインメモリの使用量 (システム全体) のピークは、拡張オフで 34.66GiB、拡張オンで 37.63GiB
本体	minimax_h3_image_pruned_w4a8.safetensors
テキストエンコーダー	qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
VAE	minimax_h3_image_vae_fp16.safetensors
拡張用のモデル	qwen3.5_9b_w4a8_gptq.safetensors
テンプレート	image_minimax_h3_image_t2i.json (2026年11月14日に取得)
サンプラー	テンプレートのまま (euler・simple・6ステップ・CFG 1)
画像の大きさ	2048×2048 (16MP の比較のみ 4096×4096)
画像の seed	12345・222・333・444 の4つ (16MP は 12345 と 222 の2つ)
拡張の設定	テンプレートの保存値のまま (サンプリングあり・temperature 1・top_k 20・top_p 0.95・最大長 8192・thinking オン。そのほかの項目と、拡張に渡す指示文もテンプレートのまま)
拡張用の seed	テンプレートでは固定の値で保存されている。測定では、同じ主題の2枚目以降に保存値から1ずつ増やした値を入れ、1枚ごとに拡張が実行されるようにした
測定の順序	測定の区分ごとに ComfyUI を起動し直した。短い英文・タグの列・長い英文の拡張オフと、16MP の短い英文・長い英文は、それぞれ1回の起動の中で続けて測った。順序は、短い英文の拡張オン → 短い英文・タグの列・長い英文の拡張オフ → 日本語の拡張オフ → 日本語の拡張オン → 文字入れの拡張オフ → 文字入れの拡張オン → 16MP
時間	ワークフローをキューに入れてから画像の保存が終わるまで。ComfyUI を起動して1枚目を作ったあとの、2枚目以降の中央値。拡張の時間は、拡張のノードが動いていた時間 (ComfyUI が知らせるノードの切り替わりの間隔)
VRAM のピーク	生成の間くり返し読み取った nvidia-smi の GPU 全体の使用量の最大値 (画面表示などの分を含む)
人物・商品・風景の数え方	全部の画像を目で見て2回数えた。2回の結果が食い違った項目は無く、数えから外した画像も無い
説明文の長さ	空白と改行を含む文字数
拡張のオン・オフ	テンプレートの保存値に頼らず、測定用のワークフローを組む段階で指定した (オンは拡張のノードをつないでスイッチをオン、オフは拡張のノードを外してプロンプトを直接渡す)
文字の照合	長辺 1,400 ピクセルに縮小した画像を、指定の文字列を見ずに書き起こしてから指定と突き合わせた。1字でも違えば不一致。空白の有無は字の違いに数えず、数字の前後の空きとして別に数えた。指定した文字の行とは別の場所に出た文字は判定に入れず、指定した文字の行のすぐ下に足された字の行は不一致に数えた

拡張をオンにした測定では、拡張の出力が1枚ごとに変わる。拡張オンの画像は、同じ主題でも1枚ごとに違う説明文から作られている。拡張用の seed を、テンプレートに保存されていた固定の値のままにして、画像の seed だけを変えて作った場合の時間は測っていない。

表「人物以外の主題に渡したプロンプト」に、商品・風景・英語の看板で渡した文を載せた。「(改行)」は実際に改行した位置で、前後の空白は実際のプロンプトには無い。短い英文と日本語の短い文は、拡張をオンにした測定でもそのまま拡張に渡している。

主題	書き方	渡したプロンプト
商品	短い英文	Product photo of a matte black wireless headphone on a white marble table, soft window light, shallow depth of field
商品	タグの列	best quality, highres, photorealistic, product photo, wireless headphones, matte black, white marble table, soft window light, shallow depth of field, no humans
商品	長い英文	Product photograph of a pair of matte black over-ear wireless headphones lying on a white marble table. The headphones are placed in the center of the frame, tilted at a three-quarter angle so that one ear cup faces the camera and the padded headband curves away behind it. The marble has thin grey veins and a faint reflection of the headphones on its polished surface. Soft daylight comes from a window on the left, outside the frame, and makes a gentle highlight along the edge of the ear cup and a soft shadow on the right side. The background is a blurred pale wall. Shot from slightly above with a shallow depth of field, clean and minimal, black, white and grey only.
商品	日本語の短い文	白い大理石のテーブルに置いたマットブラックのワイヤレスヘッドホンの商品写真。窓からのやわらかい光、浅い被写界深度
風景	短い英文	Wide landscape of terraced rice fields at sunrise in rural Japan, mist in the valley, golden light
風景	タグの列	best quality, highres, photorealistic, landscape, wide shot, terraced rice fields, rural japan, sunrise, mist, valley, golden light, no humans
風景	長い英文	Wide landscape photograph of terraced rice fields in rural Japan at sunrise, taken from a hillside looking down into a valley. In the foreground, curved terraces filled with water reflect the orange sky, with narrow grass ridges between them. In the middle distance a few wooden farmhouses with dark tiled roofs stand among cedar trees. A layer of white mist lies along the valley floor and hides the base of the mountains. The sun is just above the ridge on the right side, and low golden light rakes across the terraces and leaves long shadows. The far mountains are blue-grey silhouettes in several layers. Deep depth of field, everything sharp from foreground to background, calm and quiet mood.
風景	日本語の短い文	日本の田舎の棚田を広く写した風景写真。日の出、谷に霧、金色の光
英語の看板	短い英文	A chalkboard sign outside a small cafe, hand-lettered in white chalk: "FRESH COFFEE (改行) OPEN 8AM"
英語の看板	タグの列	best quality, highres, photorealistic, chalkboard sign, cafe exterior, white chalk lettering, hand-lettered text, text "FRESH COFFEE (改行) OPEN 8AM", no humans
英語の看板	長い英文	Photograph of an A-frame chalkboard sign standing on a stone pavement outside a small cafe. The board has a worn wooden frame and a matte black surface. Two lines of text are hand-lettered in white chalk and centered on the board: "FRESH COFFEE (改行) OPEN 8AM". The first line is written in large capital letters and the second line is smaller, directly below it, with a short chalk underline under the second line. Behind the sign, out of focus, are the glass door of the cafe, a brick wall and a potted olive tree. Soft morning daylight, eye-level shot, shallow depth of field with the sign in sharp focus.

本記事の実測値は2026年11月14日に、表「測定の条件」の測定機・設定で計測したもの。

この記事で測っていないことは、次のとおり。

• RTX 5060 Ti と int8 の本体での、書き方の比較と拡張オン
• 16MP で拡張をオンにした場合
• 拡張が書いた説明文を毎回作り直さず、同じ説明文のまま seed だけを変えた場合の時間
• 1枚ごとにプロンプトを書き換えた場合の、書き方ごとの時間の差
• 正方形以外の縦横比で作った画像
• メインメモリの少ない環境
• 日本語の長い文
• ひらがなだけ・カタカナだけの文字列と、長い文章の文字入れ
• 場面まで日本語で書いた文字入れ、入れる文字を引用符で囲まない場合
• 避けたいものをプロンプトに書いたときの結果
• 画像編集のテンプレートでの拡張
• qwen3.5_9b_w4a8_gptq 以外の拡張用モデル (MiniMax-H3-Image-PE を含む)
• 人物の主題以外での照明機材の写り込み、照明の指定を変えた場合
• ComfyUI の画面で拡張のスイッチ (enable_PE) を切り替えて作った場合
• 構図や光の当たり方が指定どおりに出たかどうか (数えたのは、照明機材・色・素材・霧・農家・文字)
• 画質の採点 (この記事の数字は、写ったか・一致したかを数えたもの)

参考資料

• MiniMax-H3-Image のモデルカード (Hugging Face)
• ComfyUI 公式チュートリアル: MiniMax-H3-Image
• Comfy-Org による MiniMax-H3-Image の配布ページ (Hugging Face)
• MiniMax API の仕様書: H3 の画像生成
• MiniMax-H3-Image-PE のモデルカード (Hugging Face)