Pikaは2026年10月29日、MiniMax H3をポストトレーニングした動画生成モデル「Pika H3 Flex」を公開した。プロのクリエイターが繰り返し修正するワークフローを想定したもので、まず素早く下書きを作り、納得のいくバージョンへじっくり調整する。Pikaはサンプリングステップを50から6へ圧縮し、一部の品質指標では50ステップの教師モデルに劣らず、むしろ上回るとしている。
7秒とはトランスフォーマーの計算時間であり、全体の所要時間ではない
Pikaによれば、Flexは同期音声付きの15秒・768pクリップを、最短7秒のトランスフォーマー計算時間で生成できる。公式の脚注は、これが管理されたベンチマークにおける計算時間であり、エンドツーエンドのAPIレイテンシではないこと、参照入力、高解像度仕上げ、音声ステム分離、ハードウェアが実際の完了時間に影響することを注意している。公開時点では、DesignArenaのテキストtoビデオランキングでオープンウェイトモデル1位、全体7位だったが、これは公開時点のスナップショットであり、長期的な順位を意味するとは限らない。
最大12件の参照ファイル、5本の音声ステムを別々に
Flexは1回の生成で最大12件の参照ファイルを受け付け、スケッチ、キャラクターシート、製品写真、ムードボード、音声サンプル、動きの動画を混ぜられ、各参照が何を担うかを指定できる。1つはキャラクター、1つは世界、1つは動き、といった具合だ。参照ガイド編集では、元の演技とタイミングを保ったまま衣装、小道具、場面全体を置き換えられる。音声面では、同期ステレオ音声付きの動画を生成し、Pika API経由で対話、音楽、効果音、フォーリー、環境音の5本の独立したステムを書き出せるため、ミックスを部分ごとに調整できる。
オープンウェイトにも境界があり、高解像度仕上げはホスト側に残る
PikaはFlexのオープンウェイトも公開した。生成器アダプタと推論コードはHugging FaceとGitHubにあり、テキストtoビデオ、最初と最後のフレームからの生成、マルチモーダル参照生成をカバーし、ローカルでは480pと768pで同期音声を生成できる。ただし1080p、2K、4Kへのアップサンプラー、音声ステム分離、任意のプロンプト拡張、高速化されたサービングスタックはPikaホストの機能のままで、ローカルでの性能はハードウェアに左右される。Flexは11月2日にPikaの制作プロダクトにも登場するため、クリエイターはAPIだけに頼る必要はない。
