Pika H3 Flex: 15 sekund wideo z dźwiękiem w 7 sekund, ale z zastrzeżeniami
Pika zapowiedziała H3 Flex, model opisywany w firmowym wpisie jako post-trenowana wersja MiniMax H3, przeznaczona dla twórców reklam, animacji i krótkich form. Główny argument to tempo: według firmy 15-sekundowy film z zsynchronizowanym dźwiękiem w rozdzielczości 768p powstaje w około 7 sekund. Pika nazywa to generowaniem szybszym niż w czasie rzeczywistym.
Przyspieszenie wynika z drastycznego skrócenia procesu odszumiania. Bazowy MiniMax H3 potrzebuje 50 kroków, w których model stopniowo zamienia szum w obraz i dźwięk. H3 Flex ma robić to w 6. Nie oznacza to ośmiokrotnie szybszego działania całości — Pika podaje, że w porównywalnych zadaniach model jest średnio około 1,8 razy szybszy od H3Max.
Siedem sekund to nie czas oczekiwania
Pika zaznacza, że wynik dotyczy wyłącznie pracy transformera generującego wideo. Nie obejmuje obsługi żądania, przygotowania danych, dekodowania, przetwarzania dźwięku ani wysyłki pliku. Przy materiałach referencyjnych, wyższej rozdzielczości czy edycji audio realne oczekiwanie może więc być dłuższe niż samo nagranie. Firma nie obiecuje takich czasów przy każdym poleceniu.
Ograniczeń jest więcej. Klipy trwają od 5 do 15 sekund przy 24 klatkach na sekundę. Natywnie model generuje tylko 480p i 768p, a 1080p, 2K i 4K to skalowanie gotowego materiału. Spider’s Web słusznie zauważa, że więcej pikseli nie przywraca szczegółów, których model wcześniej nie wygenerował. Sama Pika przyznaje w opublikowanych testach, że H3 Flex nadal słabo radzi sobie z wiarygodną fizyką, złożonymi scenami i spójnością wielowątkowych historii.
Referencje i osobne ścieżki audio
Model ma być czymś więcej niż szybkim generatorem. Przyjmuje do 12 plików referencyjnych naraz: maksymalnie 9 obrazów, 3 nagrania wideo i 3 pliki audio. Można podać zdjęcie produktu, szkic sceny, wygląd postaci, ruch kamery albo próbkę głosu. W reklamie produkt pozostaje rozpoznawalny, a zmieniają się otoczenie, światło i kamera. Możliwa jest też podmiana postaci lub rekwizytu w istniejącym nagraniu z zachowaniem choreografii.
H3 Flex składa też sekwencje z kilku ujęć, z cięciami, dialogami, muzyką i efektami. Usługa Pika pozwala wyeksportować pięć osobnych ścieżek: dialogi, muzykę, efekty, dźwięki czynności i odgłosy otoczenia. Dzięki temu muzykę lub głośność dialogów można poprawić w zewnętrznym programie bez ponownego generowania całego klipu. Dźwięk natywnie generuje też Google Veo 3, który DeepMind opisuje jako model tworzący efekty, ambient i dialogi. Pika stawia jednak akcent na szybkość kolejnych prób i edycję pojedynczych elementów.
Kod otwarty, ale nie cała usługa
Pika opublikowała repozytorium na GitHubie oraz pliki na Hugging Face, więc model można uruchomić na własnym sprzęcie. Kod objęto licencją Apache 2.0, a wagi podlegają osobnej licencji społecznościowej MiniMax H3. Firma zastrzega, że lokalna wydajność zależy od konfiguracji, a jej zoptymalizowana infrastruktura serwerowa nie została udostępniona w całości. Wersja lokalna obsługuje tylko natywne 480p i 768p. Skalowanie do 4K, eksport osobnych ścieżek audio i część narzędzi pozostają funkcjami usługi online.
Cennik
H3 Flex jest dostępny przez Pika API Club, a w głównym narzędziu Pika ma się pojawić 2 listopada. Rozliczenie odbywa się według długości filmu:
- 768p: regularnie 0,04 USD za sekundę, czyli 0,60 USD za klip 15-sekundowy, a w promocji premierowej o połowę mniej,
- wyjście 4K: 0,16 USD za sekundę, czyli 2,40 USD za maksymalny klip,
- osobna, droższa stawka obowiązuje przy wykorzystaniu referencyjnych nagrań wideo.
Zgodnie z wizją producenta model ma służyć do tanich prób: kilka wersji sceny w niskiej rozdzielczości, wybór najlepszej i dopiero potem kosztowne przeskalowanie oraz montaż.
