Pika 基於 MiniMax H3 開源 H3 Flex，六步實現音視頻聯合生成

近日，Pika 發佈 MiniMax H3 衍生模型 Pika H3 Flex，並開放適配器權重與推理代碼。該模型通過六步去噪聯合生成畫面和聲音，支持文本、首尾幀和多模態參考輸入，供創作者進行鏡頭設計、參考生成和視頻編輯。本次發佈包含兩套 LoRA 適配器，分別用於文本及首尾幀條件生成、多模態參考生成，同時提供 MiniMax H3 基礎組件和本地推理工具。模型原生支持 480P、768P 輸出，可生成約 5 至 15 秒的視頻及同步立體聲音頻。Pika 提供 ComfyUI 工作流和 Hugging Face Diffusers 接入方式，方便開發者將其加入現有創作工具。

在本地生成之外，Pika 可通過 API 提供 1080P、2K 和 4K 視頻增強，以及音頻分軌功能。創作者可以先以較低分辨率生成和篩選草稿，再對選定版本進行高分辨率處理；同步生成的聲音則可拆分為對白、配樂、音效、擬音和環境聲五類獨立音軌，方便在後期分別調整。高分辨率的增強視頻和音頻分軌則由 Pika API 服務提供。Pika 在技術博客中介紹，團隊先在內部音視頻數據集上對 MiniMax H3 進行監督微調，再採用投影分佈匹配蒸餾（PDMD），將教師模型的 50 步去噪壓縮至 6 步。隨後，團隊通過獎勵反饋學習和直接偏好優化訓練 LoRA 適配器，改善美學質量、清晰度和指令遵循。

適配器合併用於推理後，無須增加生成步數。Pika 還對託管推理服務做了加速。在保持模型權重和六步採樣方案不變的測試中，使用 8 張 NVIDIA B300 GPU 生成一段 5 秒、768P 音視頻，條件編碼、去噪和解碼的合計耗時從 3.409 秒縮短至 2.129 秒，處理速度約為原來的 1.6 倍。在視覺與音頻表現上，Pika 公佈的對比評測結果顯示，H3 Flex 在五項視覺和音頻質量指標上均在參評模型中取得最高得分，並在 DesignArena 文生視頻榜單上取得第八名成績，是該榜單下排名最高的開源視頻模型。

今年 8 月，MiniMax H3 開源後，MiniMax 與合作企業圍繞不同的使用場景，繼續訓練和優化模型，並在社區中開放，包括與 Running Hub 打造 MiniMax H3 480P；與 fal 選擇面向實時生成做後訓練和推理優化，推出了 H3 Max 768P、H3 Max 480P；以及 FastVideo 通過稀疏化和硬件適配推出的 FastH3、英偉達與 MIT 聯合圍繞 H3 的開發 StreamRender-H3、Open-H3-Regenerate-2K 等多款模型等，海外開發者圍繞 H3衍生模型搭出了 Twitch 直播、24 小時“AI 電視臺”和 AI 短視頻直播軟件等創新玩法。

H3 開源一個月內下載量已經超過 2400 萬次，產生超過 300 個公開衍生模型，成為 2026 年全球下載量最高的模型之一。