Pika 开源 H3 Flex：7 秒生成 15 秒带音乐视频，登顶开源文生视频榜

视频生成模型这两年的进步，很大程度上是用「等待」换来的：画质更好了，一条片子却要跑好几分钟。Pika 这次反着来，把速度当成了第一卖点。

Pika 发布了 H3 Flex，一个在 MiniMax H3 基础上后训练的视频模型，并开放了权重。按官方的说法，它能在大约 7 秒的 Transformer 计算时间内，生成一段 15 秒、768p、带同步音频和音乐的视频——比视频本身的时长还短，也就是所谓「快于实时」。

50 步压到 6 步

速度来自蒸馏。Pika 先在内部精选的高审美数据上对 H3 做微调，再用分布匹配蒸馏把去噪步数从 50 步压到 6 步，最后用奖励模型和偏好优化把画质拉回来。官方称 Flex 比 H3 Max 快 1.8 倍，在 DesignArena 文生视频榜上位列开源模型第一、总榜第七。

快的意义不只是省时间。创作者做视频从来不是一次成片，而是反复试错：换个镜头、改个台词、调一下节奏。每次生成从几分钟降到几秒，迭代的方式就变了——它更像在剪辑软件里拖时间线，而不是交一张单子等结果。

为专业创作者准备的控制力

除了快，Flex 主打的是「可控」。它最多支持 12 个参考素材（9 张图、3 段视频、3 段音频），可以用参考视频迁移动作、用语音样本定声音；一个提示词里还能写硬切、运镜和对白，实现多镜头调度。

音频是另一个亮点。Flex 能把生成的声音拆成对白、配乐、音效、拟音和环境音 5 条独立音轨导出，Pika 称这是视频模型里的首次。对于要进后期的专业用户，这比一条混好的立体声有用得多——不满意配乐，换掉就行，不用整条重来。

分辨率支持 480p 到 4K，高分辨率是在 768p 生成后在同一任务里做一次超分。API 定价从 480p 每秒 0.01 美元到 4K 每秒 0.08 美元，在同类模型里相当便宜。

开源，但留了一手

开放权重的范围值得说清楚。Pika 放出的是生成器适配器（两个基于 H3 底座的 LoRA）和推理代码，覆盖文生视频、首尾帧生成和多模态参考生视频，带同步音频，分辨率限于 480p 和 768p。1080p 到 4K 的超分器、音频分轨、提示词增强以及加速推理栈，仍然只在 Pika 自家托管服务里提供。许可证沿用 MiniMax H3 社区协议，商用前需要看清地域和商用条款。

这是一种越来越常见的开源策略：把模型本体开出去换取社区和生态，把真正决定体验的「最后一公里」留在自己手里。对研究者和 ComfyUI 玩家来说已经够用，对追求成片质量的商业用户，Pika 的 API 仍然是更省事的选择。

值得玩味的还有 Pika 的定位变化。这家曾经以自研模型和消费级应用出圈的公司，现在选择站在 MiniMax 的底座上做后训练和产品化。视频基座模型的训练成本越来越高，能自己从头训的玩家越来越少，「基座 + 后训练 + 工作流」可能会是更多中型公司的生存方式。