Pika-Labs 發布 Pika-H3-Flex：六步生成帶音訊影片

背景

Pika H3 Flex 是 Pika-Labs 發布的一款影片生成模型，屬於後訓練（post-trained）的 H3 模型家族。它建立在 MiniMax-H3 基礎之上，主要功能是根據文字提示或參考素材生成帶有同步立體聲音訊的影片。該模型旨在為專業創作者提供更高的控制靈活性和速度，特別適用於多鏡頭敘事、動態圖形設計、產品廣告片以及參考引導動畫等場景。 Hugging Face 熱門模型

發生什麼事

Pika-Labs 在 Hugging Face 上發布了 Pika-H3-Flex 模型權重及相關推論套件。該模型提供兩種任務適配器：FL2VA（用於文字和端點幀條件生成）和 Ref2VA（用於多模態參考輸入）。 Hugging Face 熱門模型

重點內容

本地推論方面，Pika H3 Flex 原生支援 480p 和 768p 解析度，輸出幀率為 24 fps，音訊為 32 kHz 立體聲。生成過程使用六個採樣步驟（sampling steps），可生成 5 至 15 秒的影片，實際長度會根據模型幀格網格向上取整（例如 5 秒請求產生 124 幀，約 5.17 秒）。模型支援 11 種寬高比，包括 16:9、9:16 等。輸入提示詞長度限制為 1 至 8,000 個字元。 Hugging Face 熱門模型

在參考輸入方面，Ref2VA 模式最多接受 9 張圖片、3 段影片和 3 個獨立音訊片段，總共 12 個參考檔案。每段影片或獨立音訊片段的長度必須在 2 至 15 秒之間，且所有影片總時長和所有獨立音訊總時長各自不得超過 15 秒。模型權重以 FP32 LoRA（低秩適應，一種輕量化的模型微調技術）格式發布，rank/alpha 為 128。基礎組件總大小約為 210 GB，但特定工作流程僅加載匹配的 transformer 部分。 原文

Pika 還提供託管 API 擴展功能，包括從草稿影片生成 1080p、2K 和 4K 高解析度影片、提取獨立音訊軌（audio stems）以及提示詞增強。這些託管服務與本地推論包是分開的，需透過 Pika API 端點使用。本地推論需要單張 GPU，並支援可選的 CPU 卸載（CPU offload，將部分計算任務轉移到 CPU 以節省記憶體）。 原文

對使用者的意義

開發者和專業創作者可以透過克隆推論倉庫並使用 pip、Conda 或 Docker 快速開始本地部署。pika-h3-pro 命令會自動下載固定的基礎組件和選定的適配器。使用者可以利用該模型進行精細的鏡頭調度、電影化敘事和參考引導動畫創作，特別適合需要快速迭代和高控制度的專業工作流。 Hugging Face 熱門模型

限制與未定事項

模型卡明確指出，這些展示是創意示範，而非發布驗證渲染或吞吐量基準測試，且無法保證使用發布包能精確重現結果。輸入限制是接受的極限值，並不保證所有最大尺寸組合都能適應 GPU 記憶體。 Hugging Face 熱門模型