Pika H3 Flex：只采样六步就出带声音的视频，改一版不用再等半天
Pika 在 MiniMax-H3 上训练出的 Flex 适配器，把视频生成压到六步采样，出片自带同步立体声，最多 12 个参考素材控制分镜。本地跑要 H100 级显卡，协议先看清楚。
做过 AI 视频的人都懂，最折磨的不是出第一版，是改第二版、第三版：想把镜头从俯拍换成环绕，想改一句台词，每改一次就要重新跑一整轮采样，等得人没了脾气。
Pika 这次放出来的 Pika H3 Flex，打的就是这个痛点。它是在 MiniMax-H3 上做后训练得到的一组 LoRA 适配器，权重已经放上 Hugging Face。一次生成只跑六步采样，而且出来的就是带同步立体声的成片，不用再单独去配音轨。
下载 Pika H3 Flex（Hugging Face 权重和 GitHub 推理包）
它到底快在哪
快的来源很直接：采样步数压到了六步，普通扩散模型常见的做法要多得多。官方强调的场景也不是一次出神作，而是专业创作者反复试、反复改的流程。需要说明的是，官方材料里没有给出统一的耗时对比数字，社交媒体上流传的“几秒出十几秒视频”之类说法，我没有在模型卡里找到依据，具体速度取决于你的显卡和分辨率，别当成保证。
能控制到什么程度
出片方式：可以只写文字，也可以给首帧、尾帧或者首尾两帧，让开头结尾落在你想要的画面上。
多模态参考：最多塞 12 个文件，其中图片最多 9 张、视频最多 3 段、音频最多 3 段，用来锁人物、场景和动作。
镜头直接写进提示词：官方示例里有一条乒乓球的提示词，按秒划分段落：先是正上方俯拍，再摇臂下降到桌面高度，接着跟球快速横摇，最后绕着戴青蛙头套的选手转 180 度。模型生成的画面和这个安排是对得上的，台词、环境声和配乐也可以写进同一条提示词。
规格：本地原生 480p 和 768p，时长 5 到 15 秒，24 帧每秒，11 种画幅，从 21:9 到 9:21，覆盖横屏、竖屏和方形。
怎么跑起来
官方的命令行包支持 pip、Conda 和 Docker 三种装法。不想写命令的话，有现成的 ComfyUI 工作流，文生视频、首尾帧、参考生视频各一个；喜欢代码的话还有 Diffusers 的用法。如果要 1080p、2K、4K，或者把音频拆成分轨、让系统帮你润色提示词，得走 Pika 的托管 API，这些不在本地权重里。
门槛和许可要先看清
硬件上，一次请求占一张 GPU。官方在 H100 80GB 上测过：480p、5 秒的默认模式大约占 66 到 69 GiB 显存，768p、15 秒默认放不下，要打开 CPU 卸载，这时显存约 30 GiB 上下，但主机内存要准备近 100 GiB。基础组件加起来约 210GB，磁盘也要留够。H200 和 B300 官方还没验证。
许可方面，它属于 MiniMax H3 的衍生模型，适用的是 MiniMax H3 社区许可协议，不是随便商用的纯开源协议，商用前务必读一遍条款。另外官方说明里写了，展示用的示例不是基准测试，用发布的包也不保证能一模一样复现。
如果你手上有 H100 级别的机器，或者愿意租云 GPU，又经常要给同一个视频反复改镜头，这个模型值得试一下。它的基座 MiniMax H3 在站里也有收录，可以一起看。