結論先講
- 兩個外掛都能用在本站現有的修剪版 int8 權重上，各只有 1.8 GB，記憶體沒多吃。同一張主播圖、同一段 10 秒旁白、同一台 RTX A6000：原版 20 步 795 秒，Pika H3 Flex 6 步 365 秒，MiniMax 官方 turbo 4 步 290 秒。
- 畫面三者差距很小。Pika 版五官最銳利、嘴型最清楚；turbo 版稍軟、表情起伏較大。
- 意外的是聲音：原版 H3 自己合成的音軌尾句會糊掉（回讀相似度 0.91），Pika 版 0.96、turbo 版 0.94。本站產線原本因為這點改回 TTS 音軌，現在 Pika 版已接近可以直接用。
- 本站的 AI 主播產線已改用 Pika 6 步：一支 10 秒主播段從約 13 分鐘降到 6 分鐘。
這兩個外掛是什麼
MiniMax H3 是目前開放權重裡最強的影音生成模型，但慢：本站 A6000 跑 10 秒的對嘴主播要 13 分鐘。兩家各自推出了「蒸餾」出來的加速外掛，形式都是 LoRA，掛在原模型上，少走幾步就出圖：
- Pika H3 Flex（Pika Labs，10 月 30 日開源）：針對 H3 的 ref2va（參考圖與聲音到影片）和 fl2va（首尾影格到影片）各一個 LoRA，主打 6 步取樣，有自己的取樣排程（sigma 節點 1000／750／500／250／100／40／0），官方強調「隨便選 6 步的一般取樣器不等於這個配方」。授權跟隨 MiniMax H3 社群授權，排除美國、歐盟、英國、韓國使用者，台灣可以用。
- MiniMax H3 Turbo（lightx2v 與 MiniMax 官方）：ref2v 4 步版 v0.1，fl2v 另有 4 步與 8 步版。訓練解析度 544p，影像 shift 12、聲音 shift 3。
兩者的 ComfyUI 版權重都放在 Comfy-Org 的 MiniMax-H3 倉庫，不用登入就能下載。
怎麼用
在 ComfyUI 的 H3 ref2va 工作流上只改三個地方：
1. 在 UNETLoader 後面接一個 LoraLoaderModelOnly，載入 pika_h3_flex_ref2va_v1_bf16.safetensors（或 turbo 的 minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors），強度 1.0。
2. 取樣器選 lcm。
3. 排程改成 ManualSigmas：Pika 填 1.0, 0.972973, 0.923077, 0.8, 0.571429, 0.333333, 0.0（6 步）；turbo 填 1.0, 0.9730, 0.9231, 0.8, 0.0（4 步）。
其餘節點、提示詞、解析度、種子都和原版相同。ComfyUI 要更新到有 MiniMax H3 LoRA 支援的版本（本站用 0.43.0）；更新後記得把 requirements 裝齊，不然會在載入時出現 ModelVBAR 參數錯誤。
本站用來跑這次對比的腳本（帶 --lora、--sampler、--sigmas 三個參數）放在 ops/lab 目錄，和 Colab 那篇用的是同一張主播圖與旁白檔。
數據
同一張主播圖、同一段 10.27 秒台灣口音旁白、480×864、277 格、種子 1，RTX A6000 48 GB：
| 原版 H3，20 步 | Pika H3 Flex，6 步 | MiniMax turbo，4 步 | |
|---|---|---|---|
| 從送出到出片（含載入模型） | 795 秒 | 365 秒 | 290 秒 |
| GPU 尖峰記憶體 | 41.8 GB | 42.5 GB | 42.5 GB |
| 旁白回讀相似度（Whisper） | 0.91 | 0.96 | 0.94 |
| LoRA 檔大小 | 無 | 1.8 GB | 1.8 GB |
三組時間都含載入模型與文字編碼器的固定開銷，所以 Pika 的整體加速是 2.2 倍，不是步數比例的 3.3 倍；turbo 再快 20%。
畫面
- 原版與 Pika 在構圖、髮型、服裝上幾乎逐格一致；Pika 的五官邊緣更清楚，嘴型開合和原版一致。
- turbo 的膚質細節略少，第 10 秒那格表情和另外兩組不同，整體偏柔。
- 三支影片都沒有出現手部穿幫或背景漂移。
聲音
H3 的 ref2va 會把餵進去的參考音「重新演一遍」，出來的音軌不是原檔。本站 10/23 量過原版的音軌會被不均勻拉長、尾句糊掉，因此產線上改用原始 TTS 音軌。這次用本站的回讀檢查（Whisper 把音軌轉回文字和旁白稿比對）：
| 回讀結果 | |
|---|---|
| 原版 20 步 | 尾句「能不能替我們生成影片」變成「能片，測試圓不嚴不能成影片」，相似度 0.91 |
| Pika 6 步 | 全句正確，只在最後多出一小段雜音，相似度 0.96 |
| turbo 4 步 | 全句正確，尾端多出「玩火雙吃零影片」一段幻聽，相似度 0.94 |
用與不用的差別
- 要做對嘴主播或人物說話影片，Pika 6 步是現階段的最佳平衡：快 2.2 倍、畫面不輸、聲音反而更乾淨。本站產線已切換。
- turbo 適合要衝數量、對細節沒那麼要求的場合，例如大量產生草稿版。
- 兩個外掛都只是 1.8 GB 的檔案，拿掉就回到原版，試用沒有成本。
- 在 Colab 這類按時計費的環境，6 步取代 20 步直接把每支影片的費用砍掉一半以上（本站上一篇量到的修剪版 int8 一支約 2.3 元）。
限制
- 只測了一段 10 秒的單人對嘴影片；多人、動態鏡頭、純文字生影片（t2v）與首尾影格（fl2va）沒測。
- 時間含模型載入，純取樣時間沒有拆開量。
- 畫質是人眼比對三支影片與影格，沒有用客觀指標。
- turbo 的 sigma 排程依官方文件的 shift 值推算，官方範本的實際節點值可能略有不同。
資料來源
- Pika-Labs/Pika-H3-Flex 模型卡與 comfy/README（Hugging Face）
- Comfy-Org/MiniMax-H3 倉庫 loras 目錄；ComfyUI 官方範本 video_pika_h3_flex_ref2va
- ModelTC/Minimax-H3-Turbo（GitHub）模型規格
- 本站：MiniMax H3 地端實測（10/14）、Colab 影片生成實測（10/30）