Pika 开源 H3 Flex:7 秒生成 15 秒视频
Pika H3 Flex 是基于 MiniMax-H3 训练的视频生成适配器,六步采样出片,自带同步立体声,最多 12 个参考素材控制画面。本文讲清用法、显卡门槛和许可限制。

Pika H3 Flex 是 Pika 刚开源的一组 AI 视频生成适配器,主打的是“改得快”。做过 AI 视频的人都知道,最磨人的往往不是出第一版,而是改第二版、第三版:镜头想从俯拍换成环绕,台词想换一句,每改一次就得重跑一整轮采样,等到人没脾气。
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,出来就是带同步立体声的成片,不用另外配音轨。
下载 Pika H3 Flex(Hugging Face 权重和 GitHub 推理包)

Pika H3 Flex 为什么快:六步采样
原因很直接:采样步数压到了六步,普通扩散模型通常要跑多得多。官方瞄准的也不是一次出神作,而是专业创作者反复试、反复改的那套流程。有一点得说在前面:官方材料没给统一的耗时对比数字,社交媒体上传的“几秒出十几秒视频”之类说法,我在模型卡里没找到依据。实际速度看你的显卡和分辨率,别当成保证。
能控制什么:首尾帧、参考素材和镜头调度
出片方式:可以只写文字,也可以给首帧、尾帧,或者首尾两帧都给,让开头和结尾落在你想要的画面上。
多模态参考:最多放 12 个文件,其中图片最多 9 张、视频最多 3 段、音频最多 3 段,用来锁定人物、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提示词,按秒分段:先是正上方俯拍,再摇臂降到桌面高度,接着跟着球快速横摇,最后绕着戴青蛙头套的选手转 180 度。生成的画面和这套安排是对得上的。台词、环境声和配乐也能写进同一条提示词。

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,横屏、竖屏、方形都有。
本地怎么部署:pip、ComfyUI 和 Diffusers
官方命令行包支持 pip、Conda、Docker 三种装法。不想敲命令,可以直接用现成的 ComfyUI 工作流,文生视频、首尾帧、参考生视频各一个;习惯写代码的,也有 Diffusers 的用法。要 1080p、2K、4K,或者想把音频拆成分轨、让系统帮你润色提示词,就得走 Pika 的托管 API,这些本地权重里没有。
显卡要求和商用许可,下载前先看清
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 秒在默认模式下放不下,要打开 CPU 卸载,这时显存降到 30 GiB 上下,但主机内存得准备近 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 MiniMax H3 社区许可协议,不是能随便商用的纯开源协议,商用前务必把条款读一遍。官方说明里还写了: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。
手上有 H100 级别的机器,或者愿意租云 GPU,又经常要给同一条视频反复改镜头的话,可以试试它。它的基座 MiniMax H3 站里也有收录,可以一起看。